Link to this sectionJeu de données de segmentation de fissures#

Le Ultralytics Crack Segmentation Dataset fournit 4 029 images annotées de fissures sur des routes et des murs pour entraîner des modèles d'instance segmentation sur une seule classe crack. Capturé dans divers scénarios de chaussée et de structures, il se combine directement avec Ultralytics YOLO pour des cas d'usage allant de la sécurité des transports et la perception des self-driving car à la infrastructure maintenance et l'inspection structurelle par computer vision.

Link to this sectionStructure du jeu de données#

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

• Ensemble d'entraînement : 3 717 images utilisées pour training le modèle de deep learning.
• Ensemble de validation : 200 images utilisées pendant l'entraînement pour ajuster les hyperparameters et prévenir l'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.

Link to this sectionApplications#

La segmentation de fissures soutient 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.

Dans les environnements industriels, la détection de fissures avec des modèles comme Ultralytics YOLO26 aide à vérifier l'intégrité des bâtiments en construction, prévient les temps d'arrêt coûteux dans le 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.

Le Crack Segmentation Dataset complet peut également être parcouru et géré sur Ultralytics Platform.

Link to this sectionYAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données. Il inclut des détails sur les chemins du jeu de données, les classes et d'autres informations pertinentes. 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

Link to this sectionUtilisation#

Pour entraîner le modèle Ultralytics YOLO26n-seg sur le jeu de données de segmentation de fissures pendant 100 époques avec une taille d'image de 640, utilise les extraits Python ou CLI suivants. Référe-toi à la page de documentation sur l'Entraînement du modèle pour une liste complète des arguments et configurations disponibles comme le réglage 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')

Link to this sectionExemples de données et d'annotations#

Ci-dessous, un exemple du Crack Segmentation Dataset avec ses masques d'instance segmentation superposés, soulignant les fissures identifiées sur les surfaces routières et murales :

Le jeu de données couvre des emplacements, des surfaces et des conditions d'éclairage variés, afin que les modèles entraînés dessus voient la gamme de scènes réelles dont ils ont besoin pour généraliser. Le Data augmentation peut élargir encore davantage cette variété — consultez notre instance segmentation and tracking guide pour les flux de travail associés.

Link to this sectionCitations 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 pour avoir rendu le jeu de données Crack Segmentation disponible, fournissant une ressource précieuse pour la communauté de la computer vision, en particulier pour les projets liés à la sécurité routière et à l'évaluation des infrastructures. Pour plus de jeux de données, visitez la Ultralytics Datasets collection.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le Crack Segmentation Dataset et comment est-il utilisé dans Ultralytics YOLO26 ?#

Le Crack Segmentation Dataset est une collection de 4 029 images annotées de fissures sur des routes et des murs pour entraîner et évaluer des modèles d'instance segmentation sur une seule classe crack. Il est conçu pour les applications de sécurité des transports et d'infrastructure comme l'inspection structurelle et l'évaluation des chaussées, et est utilisé directement avec Ultralytics YOLO26 via le fichier de configuration crack-seg.yaml.

Link to this sectionCombien d'images et de classes le Crack Segmentation Dataset contient-il ?#

Le jeu de données totalise 4 029 images — 3 717 pour l'entraînement, 200 pour la validation et 112 pour le test — toutes annotées pour une seule classe crack. L'archive complète se télécharge automatiquement sous forme de .zip d'environ 91,6 Mo lors de la première utilisation.

Link to this sectionComment puis-je entraîner un modèle Ultralytics YOLO26 sur le Crack Segmentation Dataset ?#

Charge un modèle de segmentation pré-entraîné (par exemple, yolo26n-seg.pt) et entraîne-le avec la configuration crack-seg.yaml en utilisant les extraits Python ou CLI dans la section Usage ci-dessus. Consulte le Training guide pour la liste complète des arguments disponibles.

Link to this sectionPourquoi utiliser le Crack Segmentation Dataset pour des projets de self-driving car et d'infrastructure ?#

Ses images diversifiées de fissures sur les routes et les murs couvrent de nombreux scénarios réels, améliorant la robustesse des modèles entraînés pour la détection de fissures. Une segmentation précise soutient les systèmes de road safety et d'évaluation d'infrastructure qui doivent identifier les dangers potentiels de manière fiable — consulte la section Applications ci-dessus et nos model training tips pour les meilleures pratiques.

Link to this sectionOù puis-je trouver le fichier de configuration du jeu de données pour Crack Segmentation ?#

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