Dataset di 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 Ultralytics per la segmentazione delle crepe fornisce 4.029 immagini annotate di crepe su strade e muri per addestrare modelli di segmentazione delle istanze su un'unica classe crack. Acquisito in diversi contesti stradali e strutturali, si integra direttamente con Ultralytics YOLO per applicazioni che vanno dalla sicurezza dei trasporti e la percezione per le auto a guida autonoma alla manutenzione delle infrastrutture e all'ispezione strutturale 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 usate per addestrare il modello di deep learning.
• Set di validazione: 200 immagini usate durante l'addestramento per ottimizzare gli iperparametri e prevenire l'overfitting.
• Set di test: 112 immagini tenute da parte per valutare il modello dopo l'addestramento.
• Classi: un'unica classe crack che comprende tutte le crepe annotate su strade e muri.
• Dimensione 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. Migliora anche la sicurezza stradale, consentendo ai sistemi automatizzati di rilevare le crepe nella pavimentazione per ripararle tempestivamente.

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

Puoi anche consultare e gestire il Crack Segmentation Dataset completo su Ultralytics Platform.

YAML del dataset#

Un file YAML definisce la configurazione del dataset. Include dettagli sui percorsi, sulle classi e su altre informazioni pertinenti del dataset. Per il dataset Crack Segmentation, il file crack-seg.yaml è mantenuto 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 dell'immagine di 640, usa i seguenti frammenti di codice Python o CLI. Consulta la pagina della documentazione sull'addestramento del modello per un elenco completo degli argomenti e delle configurazioni disponibili, come la regolazione degli iperparametri.

from ultralytics import YOLO

# Carica un modello
# Per una convergenza più rapida, si consiglia di usare un modello preaddestrato come yolo26n-seg.pt
model = YOLO("yolo26n-seg.pt")

# Addestra il modello sul dataset Crack Segmentation
# Assicurati che 'crack-seg.yaml' sia accessibile oppure specifica il percorso completo
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Dopo l'addestramento, il modello può essere usato per fare previsioni o essere esportato
# results = model.predict(source='path/to/your/images')

Dati di esempio e annotazioni#

Di seguito è riportato un esempio dal Crack Segmentation Dataset con le maschere di segmentazione delle istanze sovrapposte, che delineano le crepe rilevate sulle superfici stradali e murarie:

Il dataset include località, superfici e condizioni di illuminazione diverse, così i modelli addestrati su di esso acquisiscono la varietà di scene reali necessaria per generalizzare. La data augmentation può ampliare ulteriormente questa varietà: consulta la nostra guida alla segmentazione e al tracciamento delle istanze per i flussi di lavoro correlati.

Citazioni e ringraziamenti#

Se usi il dataset Crack Segmentation nelle tue 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, una risorsa preziosa per la comunità della computer vision, in particolare per i progetti relativi alla sicurezza stradale e alla valutazione delle infrastrutture. Per altri dataset, visita la raccolta di dataset Ultralytics.

Domande frequenti#