Commencer

Jeu de données de segmentation des fissures

Open Crack Segmentation Dataset In Colab

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.



Regarder : Comment entraîner un modèle de segmentation des fissures avec Ultralytics YOLO26 | IA dans le secteur de la construction 🎉

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 l’entretien des infrastructures en détectant 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 de la chaussée pour effectuer des réparations rapidement.

Dans les environnements industriels, la détection des fissures à l’aide de modèles comme Ultralytics YOLO26 permet de vérifier l’intégrité des bâtiments en construction, d’éviter les interruptions coûteuses dans le secteur de la fabrication et de sécuriser les inspections routières. La classification automatique des fissures permet aux équipes de maintenance de donner la priorité aux 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/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 Python ou CLI suivants.

Exemple d’entraînement
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 tiré du jeu de données Crack Segmentation, avec les masques de segmentation d’instances superposés pour délimiter les fissures détectées sur les surfaces de routes et de murs :

Exemple du jeu de données de segmentation des fissures pour l'inspection des infrastructures

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 :

Citation
@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#

  • Le Crack Segmentation Dataset est un ensemble de 4 029 images annotées de fissures sur des routes et des murs, destiné à entraîner et à évaluer des modèles de segmentation d'instances avec une seule classe crack. Il est conçu pour les applications liées à la sécurité des transports et aux infrastructures, comme l'inspection structurelle et l'évaluation des chaussées, et s'utilise directement avec YOLO26 d'Ultralytics via le fichier de configuration crack-seg.yaml.

  • Le jeu de données comprend 4 029 images au total — 3 717 pour l'entraînement, 200 pour la validation et 112 pour le test — toutes annotées pour une seule classe crack. Lors de sa première utilisation, l'archive complète se télécharge automatiquement sous la forme d'un fichier .zip d'environ ~91,6 MB.

  • Charge un modèle de segmentation préentraîné (par exemple, yolo26n-seg.pt) et entraîne-le avec la configuration crack-seg.yaml, à l’aide des extraits Python ou CLI de la section Utilisation ci-dessus. Consulte le guide d’entraînement pour obtenir la liste complète des arguments disponibles.

  • La diversité des images de fissures sur les routes et les murs couvre de nombreux scénarios réels et renforce la robustesse des modèles entraînés à détecter les fissures. Une segmentation précise soutient les systèmes de sécurité routière et d’évaluation des infrastructures qui doivent détecter les dangers potentiels de manière fiable.

  • Le fichier crack-seg.yaml, qui définit les chemins d'accès du jeu de données et son unique classe crack, se trouve dans le dépôt GitHub d'Ultralytics : crack-seg.yaml.

Commentaires2

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. mzg0108GitHub

    What was the performance of Yolo 8 on this dataset? What was the mean IOU on test set?

    1. Glenn JocherUltralytics(modifié)

      Hey there!

      Thanks for reaching out with your question about performance on the Crack Segmentation dataset. 🚀 We do not publish a mean IOU (Intersection Over Union) for the test set on this dataset.

      For an example on how to train a YOLO26 model on the crack segmentation dataset, you might find this snippet useful:

      from ultralytics import YOLO
      
      # Load a pretrained model (recommended for training)
      model = YOLO('yolo26n-seg.pt')  
      
      # Train the model on the crack-seg dataset
      results = model.train(data='crack-seg.yaml', epochs=100, imgsz=640)

      If you're specifically interested in evaluating the model's performance in terms of mean IOU or any other metrics, you can use the val mode to validate your model after training (for example with split='test' if your dataset YAML defines a test set), which reports mask mAP.

      Feel free to dive into your own experiments and share your findings. The community and we are always eager to learn about different performance insights across various datasets! 🌟

      Happy detecting, and let us know if you have any more questions or if there's anything else we can help you with!

      1