Conjunto de datos de segmentación de grietas#

4,028

Crack-Seg

ultralytics

publicSegment

Crack-Seg is an Ultralytics instance-segmentation dataset for road and wall damage. Single-class polygons delineate cracks across concrete, asphalt, masonry, varied illumination, and textured backgrounds for infrastructure inspection and surface-condition monitoring.

31 class171.3 MBSep 2, 2026

crack

instance-segmentationcracksinfrastructure+1

El conjunto de datos de segmentación de grietas de Ultralytics contiene 4.029 imágenes anotadas de grietas en carreteras y paredes para entrenar modelos de segmentación de instancias con una única clase crack. Capturadas en diversos escenarios de pavimento y estructuras, estas imágenes se integran directamente con Ultralytics YOLO para casos de uso que abarcan desde la seguridad del transporte y la percepción de vehículos autónomos hasta el mantenimiento de infraestructuras y la inspección estructural mediante visión artificial.

Estructura del conjunto de datos#

El conjunto de datos de segmentación de grietas divide sus 4.029 imágenes de la siguiente manera:

• Conjunto de entrenamiento: 3.717 imágenes utilizadas para entrenar el modelo de aprendizaje profundo.
• Conjunto de validación: 200 imágenes utilizadas durante el entrenamiento para ajustar los hiperparámetros y evitar el sobreajuste.
• Conjunto de prueba: 112 imágenes reservadas para evaluar el modelo después del entrenamiento.
• Clases: una única clase crack que abarca todas las grietas anotadas en carreteras y paredes.
• Tamaño de la descarga: ~91,6 MB.

Aplicaciones#

La segmentación de grietas facilita el mantenimiento de infraestructuras al identificar y evaluar daños estructurales en edificios, puentes y carreteras. También mejora la seguridad vial, ya que permite que los sistemas automatizados detecten grietas en el pavimento para repararlas a tiempo.

En entornos industriales, la detección de grietas con modelos como Ultralytics YOLO26 ayuda a verificar la integridad de los edificios en la construcción, evita costosos periodos de inactividad en la fabricación y hace más seguras las inspecciones de carreteras. La clasificación automática de las grietas permite a los equipos de mantenimiento priorizar las reparaciones más urgentes.

También puedes explorar y gestionar el conjunto completo de datos Crack Segmentation en Ultralytics Platform.

YAML del conjunto de datos#

Un archivo YAML define la configuración del conjunto de datos. Incluye información sobre las rutas, las clases y otros datos relevantes del conjunto. Para el conjunto de datos Crack Segmentation, el archivo crack-seg.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Crack-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/crack-seg
# Example usage: yolo train data=crack-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── crack-seg ← downloads here (91.6 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: crack-seg # dataset root dir
train: images/train # train images (relative to 'path') 3717 images
val: images/val # val images (relative to 'path') 200 images
test: images/test # test images (relative to 'path') 112 images

# Classes
names:
  0: crack

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/crack-seg.zip

Uso#

Para entrenar el modelo Ultralytics YOLO26n-seg con el conjunto de datos Crack Segmentation durante 100 épocas y con un tamaño de imagen de 640, utiliza los siguientes fragmentos de código de Python o de CLI. Consulta la página de documentación sobre entrenamiento de modelos para ver una lista completa de los argumentos y configuraciones disponibles, como el ajuste de hiperparámetros.

from ultralytics import YOLO

# Cargar un modelo
# Se recomienda usar un modelo preentrenado como yolo26n-seg.pt para acelerar la convergencia
model = YOLO("yolo26n-seg.pt")

# Entrena el modelo con el conjunto de datos Crack Segmentation
# Asegúrate de que 'crack-seg.yaml' esté accesible o indica la ruta completa
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Después del entrenamiento, puedes usar el modelo para hacer predicciones o exportarlo
# results = model.predict(source='path/to/your/images')

Datos de ejemplo y anotaciones#

A continuación se muestra un ejemplo del conjunto de datos Crack Segmentation con las máscaras de segmentación de instancias superpuestas, que delimitan las grietas detectadas en superficies de carreteras y paredes:

El conjunto de datos abarca distintas ubicaciones, superficies y condiciones de iluminación, por lo que los modelos entrenados con él se exponen a la variedad de escenas del mundo real a las que deben generalizar. La ampliación de datos puede aumentar aún más esa variedad; consulta nuestra guía de segmentación y seguimiento de instancias para conocer flujos de trabajo relacionados.

Citas y agradecimientos#

Si utilizas el conjunto de datos Crack Segmentation en tus trabajos de investigación o desarrollo, cita la fuente adecuadamente:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

Agradecemos al equipo de Roboflow que haya puesto a disposición el conjunto de datos Crack Segmentation y haya proporcionado un recurso valioso para la comunidad de visión artificial, en particular para proyectos relacionados con la seguridad vial y la evaluación de infraestructuras. Para consultar más conjuntos de datos, visita la colección de conjuntos de datos de Ultralytics.

Preguntas frecuentes#