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 Ultralytics de segmentation des fissures fournit 4 029 images annotées de fissures sur des routes et des murs pour entraîner des modèles de segmentation d’instances sur une seule classe crack. Capturé dans divers contextes de chaussées et de structures, il s’utilise directement avec Ultralytics YOLO pour des cas d’usage allant de la sécurité des transports et de la perception des véhicules autonomes à la maintenance des infrastructures et à l’inspection des structures par vision par ordinateur.

Structure du jeu de données#

Le jeu de données de segmentation des fissures répartit ses 4 029 images 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 éviter le surapprentissage.
• Jeu de test : 112 images mises de côté pour évaluer le modèle après l’entraînement.
• Classes : une seule classe crack couvrant 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 des chaussées afin de réaliser les réparations à temps.

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 arrêts coûteux dans l’industrie manufacturière 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’intégralité du jeu de données de segmentation des fissures peut également être consultée et gérée sur Ultralytics Platform.

YAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données. Il contient des informations sur les chemins du jeu de données, les classes et d’autres éléments pertinents. Pour le jeu de données de segmentation des fissures, le fichier crack-seg.yaml est conservé 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 de segmentation des fissures pendant 100 époques avec une taille d’image de 640, utilise les extraits Python ou CLI suivants. Consulte la page de documentation sur l’entraînement des modèles pour obtenir la liste complète des arguments et configurations disponibles, comme l’ajustement des hyperparamètres.

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')

Données et annotations d'exemple#

Voici un exemple issu du jeu de données de segmentation des fissures, avec ses masques de [segmentation d’instances](https://ultralytics-translation-0.invalid superposés, délimitant les fissures identifiées sur des surfaces routières et murales :

Le jeu de données couvre des lieux, des surfaces et des conditions d’éclairage variés. Les modèles entraînés avec celui-ci sont ainsi exposés à l’éventail de scènes réelles sur lesquelles ils doivent se généraliser. L’augmentation des données peut encore élargir cette diversité — consulte notre guide sur la segmentation et le suivi d’instances pour découvrir les workflows associés.

Citations et remerciements#

Si tu utilises le jeu de données de segmentation des fissures dans tes travaux de recherche ou de développement, cite 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 de segmentation des fissures, une ressource précieuse pour la communauté de la vision par ordinateur, notamment 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#