Dataset per la segmentazione delle crepe#

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

Il dataset di segmentazione delle crepe di Ultralytics fornisce 4.029 immagini annotate di crepe su strade e pareti per addestrare modelli di segmentazione delle istanze su un'unica classe crack. Acquisito in diversi scenari stradali e strutturali, si integra direttamente con Ultralytics YOLO per casi d'uso che spaziano dalla sicurezza dei trasporti e dalla percezione per auto a guida autonoma alla manutenzione delle infrastrutture e all'ispezione delle strutture tramite visione artificiale.

Struttura del dataset#

Il dataset per la segmentazione delle crepe suddivide le sue 4.029 immagini come segue:

• Set di addestramento: 3.717 immagini utilizzate per addestrare il modello di deep learning.
• Set di convalida: 200 immagini utilizzate durante l'addestramento per ottimizzare gli iperparametri e prevenire l'overfitting.
• Set di test: 112 immagini riservate per valutare il modello dopo l'addestramento.
• Classi: una singola classe crack che comprende tutte le crepe annotate su strade e pareti.
• Dimensioni del download: ~91.6 MB.

Applicazioni#

La segmentazione delle crepe supporta la manutenzione delle infrastrutture identificando e valutando i danni strutturali in edifici, ponti e strade. Inoltre, migliora la sicurezza stradale consentendo ai sistemi automatizzati di rilevare le crepe nelle pavimentazioni per effettuare riparazioni tempestive.

In ambito industriale, il rilevamento delle crepe con modelli come Ultralytics YOLO26 aiuta a verificare l'integrità degli edifici nel settore edile, previene costosi tempi di inattività nella produzione e rende più sicure le ispezioni stradali. La classificazione automatica delle crepe consente ai team di manutenzione di dare priorità alle riparazioni più urgenti.

Il dataset completo per la segmentazione delle crepe può anche essere esplorato e gestito su Ultralytics Platform.

YAML del dataset#

Un file YAML definisce la configurazione del dataset. Include informazioni sui percorsi del dataset, sulle classi e su altri dati pertinenti. Per il dataset Crack Segmentation, il file crack-seg.yaml è disponibile in 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

Utilizzo#

Per addestrare il modello Ultralytics YOLO26n-seg sul dataset Crack Segmentation per 100 epoche con una dimensione delle immagini di 640, usa i seguenti frammenti di codice in Python o CLI. Consulta la pagina della documentazione sull'addestramento dei modelli per un elenco completo degli argomenti e delle configurazioni disponibili, come l'ottimizzazione degli iperparametri.

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')

Dati ed esempi di annotazioni#

Di seguito è riportato un esempio del dataset Crack Segmentation con le relative maschere di segmentazione delle istanze sovrapposte, che delineano le crepe identificate sulle superfici stradali e delle pareti:

Il dataset comprende località, superfici e condizioni di illuminazione diverse, così i modelli addestrati su di esso apprendono la varietà di scenari reali necessaria per generalizzare in contesti differenti. L'aumento dei dati può ampliare ulteriormente questa varietà: consulta la nostra guida alla segmentazione e al tracking delle istanze per i flussi di lavoro correlati.

Citazioni e ringraziamenti#

Se utilizzi il dataset Crack Segmentation per attività di ricerca o sviluppo, cita correttamente la fonte:

@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 },
}

Ringraziamo il team di Roboflow per aver reso disponibile il dataset Crack Segmentation, offrendo una risorsa preziosa alla comunità della visione artificiale, in particolare per i progetti relativi alla sicurezza stradale e alla valutazione delle infrastrutture. Per altri dataset, visita la raccolta di dataset di Ultralytics.

FAQ#