균열 세그멘테이션 데이터셋
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.
시청: Ultralytics YOLO26으로 균열 분할 모델을 학습하는 방법 | 건설 분야의 AI 🎉
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
crack클래스입니다. - 다운로드 크기: ~91.6 MB입니다.
응용 분야#
균열 세그멘테이션은 건물, 교량, 도로의 구조적 손상을 식별하고 평가하여 인프라 유지 관리를 지원합니다. 또한 자동화 시스템이 포장도로의 균열을 감지해 적시에 보수할 수 있도록 하여 도로 안전을 강화합니다.
산업 환경에서는 Ultralytics YOLO26과 같은 모델을 활용한 균열 감지가 건설 현장의 건물 무결성을 확인하고, 제조 과정에서 비용이 많이 드는 가동 중단을 방지하며, 도로 점검을 더 안전하게 수행하도록 돕습니다. 균열을 자동으로 분류하면 유지 관리팀이 긴급한 보수 작업을 우선적으로 처리할 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.zip사용법#
다음 Python 또는 CLI 코드 조각을 사용하면 이미지 크기 640으로 Crack Segmentation 데이터셋에서 100 에포크 동안 Ultralytics YOLO26n-seg 모델을 학습할 수 있습니다.
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 균열을 강조하도록 인스턴스 세그멘테이션 마스크를 겹쳐 표시한 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#
Crack Segmentation Dataset은 도로와 벽면의 균열을 담은 주석 처리된 이미지 4,029개로 구성되어 있으며, 단일
crack클래스에 대한 인스턴스 세그멘테이션 모델을 학습하고 평가하는 데 사용됩니다. 구조 점검 및 포장도로 평가와 같은 교통 안전 및 인프라 분야의 애플리케이션에 맞게 제작되었으며,crack-seg.yaml구성 파일을 통해 Ultralytics YOLO26에서 바로 사용할 수 있습니다.데이터셋은 총 4,029개 이미지로 구성되어 있습니다. 학습용 3,717개, 검증용 200개, 테스트용 112개이며, 모두 단일
crack클래스로 주석 처리되어 있습니다. 처음 사용할 때 전체 아카이브가 약 91.6MB의.zip파일로 자동 다운로드됩니다.도로와 벽면의 균열을 담은 다양한 이미지는 여러 실제 시나리오를 포괄하여 균열 감지용으로 학습된 모델의 견고성을 높입니다. 정확한 세그멘테이션은 잠재적 위험을 신뢰성 있게 식별해야 하는 도로 안전 및 인프라 평가 시스템을 지원합니다.
데이터셋 경로와 단일
crack클래스를 정의하는crack-seg.yaml파일은 Ultralytics GitHub 저장소의 crack-seg.yaml에 있습니다.
댓글2
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
mzg0108
What was the performance of Yolo 8 on this dataset? What was the mean IOU on test set?
Glenn JocherUltralytics(수정됨)Hey there!
Thanks for reaching out with your question about performance on the Crack Segmentation dataset. 🚀 We do not publish a mean IOU (Intersection Over Union) for the test set on this dataset.
For an example on how to train a YOLO26 model on the crack segmentation dataset, you might find this snippet useful:
from ultralytics import YOLO # Load a pretrained model (recommended for training) model = YOLO('yolo26n-seg.pt') # Train the model on the crack-seg dataset results = model.train(data='crack-seg.yaml', epochs=100, imgsz=640)If you're specifically interested in evaluating the model's performance in terms of mean IOU or any other metrics, you can use the
valmode to validate your model after training (for example withsplit='test'if your dataset YAML defines a test set), which reports mask mAP.Feel free to dive into your own experiments and share your findings. The community and we are always eager to learn about different performance insights across various datasets! 🌟
Happy detecting, and let us know if you have any more questions or if there's anything else we can help you with!
1



