Jeu de données de segmentation des fissures#

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

Le jeu de données de segmentation des fissures d’Ultralytics fournit 4 029 images annotées de fissures sur les routes et les murs pour entraîner des modèles de segmentation d’instances sur une seule classe crack. Capturé dans des contextes variés de chaussées et de structures, il s’associe directement à Ultralytics YOLO pour des usages allant de la sécurité des transports et de la perception pour les voitures autonomes à la maintenance des infrastructures et à l’inspection des structures par vision par ordinateur.

Structure du jeu de données#

Les 4 029 images du jeu de données de segmentation des fissures sont réparties comme suit :

• Jeu d’entraînement : 3 717 images utilisées pour entraîner le modèle d’apprentissage profond.
• Jeu de validation : 200 images utilisées pendant l’entraînement pour ajuster les hyperparamètres et prévenir le surapprentissage.
• Jeu de test : 112 images mises de côté pour évaluer le modèle après l’entraînement.
• Classes : une seule classe crack, qui couvre toutes les fissures annotées sur les routes et les murs.
• Taille du téléchargement : ~91.6 MB.

Applications#

La segmentation des fissures contribue à la maintenance des infrastructures en identifiant et en évaluant les dommages structurels dans les bâtiments, les ponts et les routes. Elle améliore également la sécurité routière en permettant aux systèmes automatisés de détecter les fissures dans la chaussée pour effectuer des réparations rapidement.

Dans les environnements industriels, la détection des fissures avec des modèles comme Ultralytics YOLO26 aide à vérifier l'intégrité des bâtiments dans le secteur de la construction, prévient les interruptions coûteuses dans le domaine de la production et rend les inspections routières plus sûres. La classification automatique des fissures permet aux équipes de maintenance de prioriser les réparations les plus urgentes.

Tu peux aussi parcourir et gérer l'intégralité du Crack Segmentation Dataset sur Ultralytics Platform.

Fichier YAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données. Il contient des détails sur les chemins d'accès, les classes et d'autres informations pertinentes. Pour le jeu de données Crack Segmentation, le fichier crack-seg.yaml est maintenu à l'adresse 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 époques, avec une taille d'image de 640, utilise les extraits de code Python ou CLI suivants. Consulte la page de documentation sur l'entraînement du modèle pour obtenir la liste complète des arguments et configurations disponibles, comme le réglage des hyperparamètres.

from ultralytics import YOLO

# Charger un modèle
# L'utilisation d'un modèle préentraîné comme yolo26n-seg.pt est recommandée pour accélérer la convergence.
model = YOLO("yolo26n-seg.pt")

# Entraîne le modèle sur le jeu de données Crack Segmentation.
# Vérifie que 'crack-seg.yaml' est accessible ou indique le chemin d'accès complet.
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Après l'entraînement, le modèle peut être utilisé pour effectuer des prédictions ou être exporté.
# results = model.predict(source='path/to/your/images')

Données et annotations d’exemple#

Voici un exemple du Crack Segmentation Dataset avec ses masques de segmentation d'instances superposés, qui délimitent les fissures détectées sur les surfaces routières et murales :

Le jeu de données couvre des lieux, des surfaces et des conditions d'éclairage variés. Les modèles entraînés sur ces données sont donc exposés à la diversité des scènes réelles auxquelles ils devront généraliser. L'augmentation des données peut encore élargir cette diversité : consulte notre guide sur la segmentation et le suivi d'instances pour découvrir des workflows associés.

Citations et remerciements#

Si tu utilises le jeu de données Crack Segmentation dans tes travaux de recherche ou de développement, pense à citer correctement la source :

@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, 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 découvrir d'autres jeux de données, consulte la collection de jeux de données Ultralytics.

FAQ#