균열 세그멘테이션 데이터셋#

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 균열 세그멘테이션 데이터셋은 도로와 벽의 균열이 주석 처리된 이미지 4,029장을 제공하며, 단일 crack 클래스로 인스턴스 세그멘테이션 모델을 학습하는 데 사용됩니다. 다양한 포장도로 및 구조물 상황에서 촬영된 이 데이터셋은 Ultralytics YOLO와 직접 연동되며, 교통 안전 및 자율주행 자동차 인식부터 인프라 유지보수와 구조물 컴퓨터 비전 검사에 이르는 다양한 사용 사례를 지원합니다.

데이터셋 구조#

균열 세그멘테이션 데이터셋은 4,029장의 이미지를 다음과 같이 분할합니다:

• 학습 세트: 딥러닝 모델을 학습하는 데 사용되는 이미지 3,717장입니다.
• 검증 세트: 학습 중 하이퍼파라미터를 조정하고 과적합을 방지하는 데 사용되는 이미지 200장입니다.
• 테스트 세트: 학습 후 모델을 평가하기 위해 따로 보류한 이미지 112장입니다.
• 클래스: 도로와 벽에 주석 처리된 모든 균열을 포함하는 단일 crack 클래스입니다.
• 다운로드 크기: ~91.6 MB입니다.

응용 분야#

균열 세그멘테이션은 건물, 교량, 도로의 구조적 손상을 식별하고 평가하여 인프라 유지보수를 지원합니다. 또한 자동화 시스템이 포장도로의 균열을 감지하여 적시에 보수할 수 있도록 함으로써 도로 안전을 향상합니다.

산업 환경에서 Ultralytics YOLO26과 같은 모델을 활용한 균열 감지는 건설 현장에서 건물의 구조적 무결성을 확인하고, 제조 과정에서 비용이 많이 드는 가동 중단을 방지하며, 도로 검사를 더욱 안전하게 수행하는 데 도움이 됩니다. 균열을 자동으로 분류하면 유지보수 팀이 가장 긴급한 보수 작업의 우선순위를 정할 수 있습니다.

전체 균열 세그멘테이션 데이터셋은 Ultralytics Platform에서도 탐색하고 관리할 수 있습니다.

데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의합니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함됩니다. 균열 세그멘테이션 데이터셋의 경우 crack-seg.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml에 유지 관리됩니다.

# 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

사용법#

이미지 크기 640으로 균열 세그멘테이션 데이터셋에서 Ultralytics YOLO26n-seg 모델을 100 에포크 동안 학습하려면 다음 Python 또는 CLI 스니펫을 사용합니다. 사용 가능한 인수와 하이퍼파라미터 튜닝과 같은 구성의 전체 목록은 모델 학습 문서 페이지를 참조하십시오.

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')

샘플 데이터 및 어노테이션#

다음은 도로와 벽 표면에서 식별된 균열의 윤곽을 표시하도록 인스턴스 세그멘테이션 마스크를 오버레이한 균열 세그멘테이션 데이터셋의 예시입니다:

이 데이터셋은 다양한 위치, 표면 및 조명 조건을 포함하므로, 이를 사용해 학습한 모델은 여러 실제 장면에 일반화하는 데 필요한 환경 범위를 경험합니다. 데이터 증강을 통해 이러한 다양성을 더욱 확장할 수 있습니다. 관련 워크플로는 인스턴스 세그멘테이션 및 트래킹 가이드를 참조하십시오.

인용 및 감사의 글#

연구 또는 개발 작업에서 균열 세그멘테이션 데이터셋을 사용하는 경우 출처를 적절하게 인용하십시오:

@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 },
}

균열 세그멘테이션 데이터셋을 제공하여 컴퓨터 비전 커뮤니티, 특히 도로 안전 및 인프라 평가 관련 프로젝트에 귀중한 리소스를 제공해 주신 Roboflow 팀에 감사드립니다. 더 많은 데이터셋은 Ultralytics 데이터셋 모음에서 확인하십시오.

FAQ#