Dataset di segmentazione delle crepe#

4,028

Crack-Seg

ultralytics

publicSegment

Official Ultralytics Crack Segmentation dataset with 4,028 unique road and wall images, 4,027 labeled images, one background image, and 5,289 polygon instances for the single crack class. The 4,029-file source contains one byte-identical test-image pair with identical labels, which Platform deduplicates. Includes 3,717 train, 200 validation, and 111 test images after deduplication; sourced from the University crack dataset published through Roboflow.

1 class171.3 MBAug 21, 2026

crack

instance-segmentationcracksinfrastructure+1

Il dataset di segmentazione delle crepe di Ultralytics fornisce 4.029 immagini annotate di crepe su strade e muri per l'addestramento di modelli di instance segmentation su un'unica classe crack. Catturato attraverso diversi scenari stradali e strutturali, si abbinato direttamente a Ultralytics YOLO per casi d'uso che vanno dalla sicurezza dei trasporti e dalla percezione per self-driving car alla infrastructure maintenance e all'ispezione strutturale computer vision.

Struttura del dataset#

Il Crack Segmentation Dataset suddivide le sue 4.029 immagini come segue:

• Training set: 3.717 immagini utilizzate per training il modello di deep learning.
• Validation set: 200 immagini utilizzate durante l'addestramento per ottimizzare i hyperparameters e prevenire l'overfitting.
• Testing set: 112 immagini tenute da parte per valutare il modello dopo l'addestramento.
• Classes: un'unica classe crack che copre ogni crepa annotata su strade e muri.
• Dimensioni del download: ~91,6 MB.

Applicazioni#

La segmentazione delle crepe supporta la infrastructure maintenance identificando e valutando i danni strutturali in edifici, ponti e strade. Migliora anche la road safety consentendo ai sistemi automatizzati di rilevare le crepe nel manto stradale per interventi tempestivi.

In ambienti industriali, il rilevamento delle crepe con modelli come Ultralytics YOLO26 aiuta a verificare l'integrità degli edifici nelle costruzioni, previene costosi tempi di inattività nella manufacturing e rende più sicure le ispezioni stradali. La classificazione automatica delle crepe consente ai team di manutenzione di dare priorità agli interventi più urgenti.

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

Dataset YAML#

Un file YAML definisce la configurazione del dataset. Include dettagli sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Per il dataset di segmentazione delle crepe, il file crack-seg.yaml viene mantenuto su 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 di segmentazione delle crepe per 100 epochs con una dimensione dell'immagine di 640, usa i seguenti snippet Python o CLI. Fai riferimento alla pagina di documentazione Training del modello per un elenco completo degli argomenti disponibili e delle configurazioni come il hyperparameter tuning.

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 di esempio e annotazioni#

Di seguito è riportato un esempio tratto dal dataset di segmentazione delle crepe con le relative maschere di instance segmentation sovrapposte, che delineano le crepe identificate sulle superfici di strade e muri:

Il dataset copre diverse posizioni, superfici e condizioni di illuminazione, in modo che i modelli addestrati su di esso vedano la gamma di scenari reali necessari per generalizzare. La Data augmentation può ampliare ulteriormente questa varietà: consulta la nostra instance segmentation and tracking guide per i flussi di lavoro correlati.

Citazioni e riconoscimenti#

Se utilizzi il Dataset di segmentazione delle crepe nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare la fonte in modo appropriato:

@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 di segmentazione delle crepe, fornendo una risorsa preziosa per la comunità della computer vision, in particolare per i progetti legati alla sicurezza stradale e alla valutazione delle infrastrutture. Per altri dataset, visita la Ultralytics Datasets collection.

FAQ#