Jeu de données de segmentation de fissures#

4,028

Crack-Seg

ultralytics

publicSegment

Official Ultralytics Crack Segmentation dataset with 4,028 unique road and wall images, 4,027 labeled images, one background image, and 5,289 polygon instances for the single crack class. The 4,029-file source contains one byte-identical test-image pair with identical labels, which Platform deduplicates. Includes 3,717 train, 200 validation, and 111 test images after deduplication; sourced from the University crack dataset published through Roboflow.

1 class171.3 MBAug 21, 2026

crack

instance-segmentationcracksinfrastructure+1

Le Ultralytics Crack Segmentation Dataset fournit 4 029 images annotées de fissures sur les routes et les murs pour l'entraînement de modèles d'instance segmentation sur une seule classe crack. Capturé à travers divers scénarios de pavage et de structures, il s'associe directement à Ultralytics YOLO pour des cas d'utilisation allant de la sécurité des transports et de la perception des self-driving car à la infrastructure maintenance et à l'inspection structurelle par computer vision.

Structure du jeu de données#

Le Crack Segmentation Dataset répartit ses 4 029 images comme suit :

• Ensemble d'entraînement : 3 717 images utilisées pour l'training du modèle de deep learning.
• Ensemble de validation : 200 images utilisées pendant l'entraînement pour ajuster les hyperparameters et éviter le overfitting.
• Ensemble de test : 112 images mises de côté pour évaluer le modèle après l'entraînement.
• Classes : une seule classe crack couvrant chaque fissure annotée sur les routes et les murs.
• Taille du téléchargement : ~91,6 Mo.

Applications#

La segmentation des fissures prend en charge la infrastructure maintenance en identifiant et en évaluant les dommages structurels dans les bâtiments, les ponts et les routes. Elle améliore également la road safety en permettant aux systèmes automatisés de détecter les fissures de la chaussée pour des réparations en temps opportun.

En milieu industriel, la détection des fissures avec des modèles comme Ultralytics YOLO26 aide à vérifier l'intégrité des bâtiments dans la construction, prévient les temps d'arrêt coûteux dans le secteur de la manufacturing et rend les inspections routières plus sûres. La classification automatique des fissures permet aux équipes de maintenance de prioriser les réparations les plus urgentes.

L'ensemble de données complet Crack Segmentation Dataset peut également être consulté et géré sur Ultralytics Platform.

YAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données. Il comprend des détails sur les chemins, les classes et d'autres informations pertinentes du jeu de données. Pour le jeu de données Crack Segmentation, le fichier crack-seg.yaml est maintenu sur 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

Utilisation#

Pour entraîner le modèle Ultralytics YOLO26n-seg sur le jeu de données Crack Segmentation pendant 100 epochs avec une taille d'image de 640, utilise les extraits Python ou CLI suivants. Consulte la page de documentation sur le modèle Training pour obtenir une liste complète des arguments et configurations disponibles, comme le hyperparameter tuning.

from ultralytics import YOLO

# Load a model
# Using a pretrained model like yolo26n-seg.pt is recommended for faster convergence
model = YOLO("yolo26n-seg.pt")

# Train the model on the Crack Segmentation dataset
# Ensure 'crack-seg.yaml' is accessible or provide the full path
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# After training, the model can be used for prediction or exported
# results = model.predict(source='path/to/your/images')

Exemples de données et d'annotations#

Tu trouveras ci-dessous un exemple tiré du jeu de données Crack Segmentation avec ses masques d'instance segmentation superposés, délimitant les fissures identifiées sur les surfaces des routes et des murs :

Le jeu de données couvre divers emplacements, surfaces et conditions d'éclairage, de sorte que les modèles entraînés sur celui-ci voient l'éventail de scènes réelles dont ils ont besoin pour généraliser. Le Data augmentation peut élargir encore davantage cette variété — consulte notre instance segmentation and tracking guide pour les flux de travail associés.

Citations et remerciements#

Si tu utilises le jeu de données de segmentation de fissures dans tes travaux de recherche ou de développement, merci de citer la source de manière appropriée :

@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 },
}

Nous remercions l'équipe de Roboflow d'avoir mis à disposition le jeu de données Crack Segmentation, fournissant ainsi une ressource précieuse pour la communauté de la vision par ordinateur, en particulier pour les projets liés à la sécurité routière et à l'évaluation des infrastructures. Pour plus de jeux de données, visite la Ultralytics Datasets collection.

FAQ#