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 균열을 어노테이션한 이미지 4,029개를 제공하며, 단일 crack 클래스를 대상으로 인스턴스 세그멘테이션 모델을 학습하는 데 사용할 수 있습니다. 다양한 포장 도로 및 구조물 상황에서 촬영된 이 데이터셋은 교통 안전과 자율주행 자동차 인식부터 인프라 유지 관리, 구조물 컴퓨터 비전 검사까지 다양한 사용 사례에서 Ultralytics YOLO와 바로 함께 사용할 수 있습니다.

데이터셋 구조#

균열 세그멘테이션 데이터셋의 이미지 4,029개는 다음과 같이 분할됩니다:

• 학습 세트: 딥러닝 모델 학습에 사용되는 이미지 3,717개입니다.
• 검증 세트: 학습 중 하이퍼파라미터를 조정하고 과적합을 방지하는 데 사용되는 이미지 200개입니다.
• 테스트 세트: 학습 후 모델 평가를 위해 별도로 보관되는 이미지 112개입니다.
• 클래스: 도로와 벽에서 어노테이션된 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 감지해 적시에 보수할 수 있도록 하여 도로 안전을 향상합니다.

산업 현장에서 Ultralytics YOLO26과 같은 모델을 사용한 균열 감지는 건설 현장의 건물 구조 안전성 검증을 돕고, 제조 분야의 비용이 많이 드는 가동 중단을 방지하며, 도로 점검의 안전성을 높입니다. 균열을 자동으로 분류하면 유지보수팀이 가장 시급한 보수 작업의 우선순위를 정할 수 있습니다.

전체 Crack Segmentation Dataset은 Ultralytics 플랫폼에서 확인하고 관리할 수도 있습니다.

데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의합니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함됩니다. Crack Segmentation 데이터셋의 경우 crack-seg.yaml 파일은 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#

Crack Segmentation 데이터셋으로 Ultralytics YOLO26n-seg 모델을 이미지 크기 640으로 100 에포크 동안 학습하려면 다음 Python 또는 CLI 코드 조각을 사용합니다. 사용 가능한 인수와 하이퍼파라미터 튜닝 같은 구성을 전체적으로 확인하려면 모델 학습 문서 페이지를 참조하세요.

from ultralytics import YOLO

# 모델 로드
# 더 빠른 수렴을 위해 yolo26n-seg.pt와 같은 사전 학습 모델을 사용하는 것이 좋습니다.
model = YOLO("yolo26n-seg.pt")

# Crack Segmentation 데이터셋으로 모델 학습
# 'crack-seg.yaml'에 액세스할 수 있는지 확인하거나 전체 경로를 지정하세요.
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# 학습 후 모델을 예측 또는 내보내기에 사용할 수 있습니다.
# results = model.predict(source='path/to/your/images')

샘플 데이터 및 어노테이션#

아래는 도로와 벽면에서 식별된 균열의 윤곽을 표시하도록 인스턴스 세그멘테이션 마스크를 오버레이한 Crack Segmentation Dataset 예시입니다:

데이터셋에는 다양한 위치, 표면 및 조명 조건이 포함되어 있으므로, 이 데이터셋으로 학습한 모델은 일반화에 필요한 다양한 실제 환경 장면을 접하게 됩니다. 데이터 증강을 사용하면 다양성을 더욱 넓힐 수 있습니다. 관련 워크플로는 인스턴스 세그멘테이션 및 추적 가이드를 참조하세요.

인용 및 감사의 글#

연구 또는 개발 작업에 Crack Segmentation 데이터셋을 사용하는 경우 출처를 적절히 인용해 주세요:

@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 },
}

Crack Segmentation 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 확인하세요.

자주 묻는 질문#