Crack Segmentation Dataset#

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

Ultralytics Crack Segmentation Dataset은 단일 crack 클래스에서 instance segmentation 모델을 학습시키기 위한 도로 및 벽면 균열의 주석이 달린 이미지 4,029장을 제공합니다. 다양한 포장 및 구조적 시나리오에서 캡처되었으며, 교통 안전 및 self-driving car 인식부터 infrastructure maintenance 및 구조적 computer vision 검사에 이르는 유스케이스를 위해 Ultralytics YOLO와 직접 연동됩니다.

데이터셋 구조#

Crack Segmentation Dataset은 총 4,029장의 이미지를 다음과 같이 분할합니다:

• Training set: deep learning 모델 training에 사용되는 3,717장의 이미지.
• Validation set: 학습 중 hyperparameters를 튜닝하고 overfitting을 방지하는 데 사용되는 200개의 이미지.
• Testing set: 학습 후 모델을 평가하기 위해 보류된 112장의 이미지.
• Classes: 도로와 벽면의 모든 주석이 달린 균열을 다루는 단일 crack 클래스.
• Download size: 약 91.6 MB.

응용 분야#

균열 분할은 건물, 교량, 도로의 구조적 손상을 식별하고 평가하여 infrastructure maintenance를 지원합니다. 또한 자동화 시스템이 적시에 수리를 위해 포장 균열을 감지할 수 있도록 하여 road safety를 향상합니다.

산업 환경에서 Ultralytics YOLO26과 같은 모델을 사용한 균열 감지는 건설 시 건물의 무결성을 검증하고, manufacturing에서의 비용이 많이 드는 가동 중단을 방지하며, 도로 검사를 더욱 안전하게 만듭니다. 균열을 자동으로 분류함으로써 유지 관리 팀은 가장 시급한 수리의 우선순위를 정할 수 있습니다.

전체 Crack Segmentation Dataset은 Ultralytics Platform에서도 탐색하고 관리할 수 있습니다.

데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의합니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보에 대한 세부 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#

이미지 크기를 640으로 설정하고 100 epochs 동안 Crack Segmentation 데이터셋에서 Ultralytics YOLO26n-seg 모델을 학습시키려면 다음 Python 또는 CLI 스니펫을 사용하십시오. 사용 가능한 인자 및 hyperparameter tuning과 같은 설정의 전체 목록은 모델 Training 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 주석#

다음은 instance segmentation 마스크가 오버레이되어 도로 및 벽면 표면에서 식별된 균열의 외곽선을 보여주는 Crack Segmentation Dataset의 예시입니다:

이 데이터셋은 다양한 위치, 표면 및 조명 조건을 아우르므로, 이를 통해 학습된 모델은 일반화하는 데 필요한 다양한 실제 장면을 접하게 됩니다. Data augmentation을 통해 이러한 다양성을 더욱 넓힐 수 있습니다. 관련 워크플로는 instance segmentation and tracking guide를 참조하십시오.

인용 및 감사의 글#

연구 또는 개발 작업에 Crack Segmentation 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 },
}

Crack Segmentation 데이터셋을 제공하여 computer vision 커뮤니티, 특히 도로 안전 및 인프라 평가와 관련된 프로젝트에 소중한 리소스를 제공한 Roboflow 팀에 감사드립니다. 더 많은 데이터셋을 보려면 Ultralytics Datasets collection을 방문하십시오.

FAQ#