ひび割れセグメンテーションデータセット#

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

Ultralytics ひび割れセグメンテーションデータセットは、道路や壁のひび割れをアノテーションした4,029枚の画像を提供し、単一の crack クラスで インスタンスセグメンテーション モデルをトレーニングできます。さまざまな舗装環境や構造物の状況で撮影されたこのデータセットは、Ultralytics YOLO と直接連携し、交通安全や自動運転車の認識からインフラメンテナンス、構造物のコンピュータービジョン検査まで、幅広いユースケースに対応します。

データセットの構成#

ひび割れセグメンテーションデータセットは、4,029枚の画像を次のように分割しています。

• トレーニングセット: ディープラーニングモデルのトレーニングに使用する3,717枚の画像です。
• 検証セット: トレーニング中にハイパーパラメーターを調整し、過学習を防ぐために使用する200枚の画像です。
• テストセット: トレーニング後にモデルを評価するために取り分けた112枚の画像です。
• クラス: 道路や壁にあるアノテーション済みのすべてのひび割れを対象とする単一の crack クラスです。
• ダウンロードサイズ: ~91.6 MBです。

アプリケーション#

ひび割れセグメンテーションは、建物、橋、道路の構造的損傷を特定・評価することで、インフラメンテナンスを支援します。また、自動システムによる舗装のひび割れ検出を可能にし、タイムリーな修繕につなげることで、道路安全も向上させます。

産業分野では、Ultralytics YOLO26 のようなモデルによるひび割れ検出が、建設現場での建物の健全性確認、製造における高コストなダウンタイムの防止、道路点検の安全性向上に役立ちます。ひび割れを自動分類することで、メンテナンスチームは緊急性の高い修繕を優先できます。

ひび割れセグメンテーションデータセット全体は、Ultralytics Platformで参照・管理することもできます。

データセット YAML#

YAMLファイルでデータセットの設定を定義します。データセットのパス、クラス、その他の関連情報が含まれます。ひび割れセグメンテーションデータセットでは、crack-seg.yaml ファイルが https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml に保持されています。

# 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

使用方法#

ひび割れセグメンテーションデータセットで、画像サイズ640、100 エポックの条件で Ultralytics YOLO26n-seg モデルをトレーニングするには、次の Python または CLI のスニペットを使用します。利用可能な引数と、ハイパーパラメータチューニングなどの設定の包括的な一覧については、モデルのトレーニングドキュメントページを参照してください。

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')

サンプルデータとアノテーション#

以下は、ひび割れセグメンテーションデータセットの例で、インスタンスセグメンテーションのマスクを重ねて表示し、道路や壁の表面で特定されたひび割れの輪郭を示しています。

このデータセットには、さまざまな場所、表面、照明条件が含まれているため、これを使ってトレーニングしたモデルは、現実世界のシーン全体に汎化するために必要な多様な状況を学習できます。データ拡張によって、この多様性をさらに広げることができます。関連するワークフローについては、インスタンスセグメンテーションとトラッキングのガイドを参照してください。

引用と謝辞#

研究または開発でひび割れセグメンテーションデータセットを使用する場合は、出典を適切に引用してください。

@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 },
}

ひび割れセグメンテーションデータセットを公開し、コンピュータービジョンコミュニティ、特に道路安全やインフラ評価に関連するプロジェクトに貴重なリソースを提供してくださった Roboflow のチームに感謝します。その他のデータセットについては、Ultralyticsデータセットコレクションをご覧ください。

FAQ#