Link to this sectionCrack Segmentation Dataset#

The Ultralytics Crack Segmentation Dataset provides 4,029 annotated images of cracks on roads and walls for training instance segmentation models on a single crack class. Captured across diverse pavement and structural scenarios, it pairs directly with Ultralytics YOLO for use cases ranging from transportation safety and self-driving car perception to infrastructure maintenance and structural computer vision inspection.

Link to this section데이터셋 구조#

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

• Training set: 3,717 images used for training the deep learning model.
• Validation set: 학습 중 hyperparameters를 조정하고 overfitting을 방지하기 위해 사용되는 200장의 이미지.
• Testing set: 학습 후 모델을 평가하기 위해 보류된 112장의 이미지.
• Classes: 도로 및 벽면의 모든 주석 처리된 균열을 포함하는 단일 crack 클래스.
• Download size: 약 91.6 MB.

Link to this section응용 분야#

Crack segmentation은 건물, 교량, 도로의 구조적 손상을 식별하고 평가함으로써 infrastructure maintenance를 지원합니다. 또한 자동화 시스템이 포장 도로의 균열을 감지하여 적시에 수리할 수 있도록 함으로써 road safety를 향상시킵니다.

산업 현장에서 Ultralytics YOLO26와 같은 모델을 사용한 균열 탐지는 건설 중 건물의 무결성을 확인하고, manufacturing 분야의 비용이 많이 드는 가동 중단을 방지하며, 도로 점검을 더욱 안전하게 만듭니다. 균열을 자동으로 분류하면 유지 보수 팀이 가장 긴급한 수리 작업을 우선순위에 둘 수 있습니다.

전체 Crack Segmentation Dataset은 Ultralytics Platform에서 탐색하고 관리할 수 있습니다.

Link to this section데이터셋 YAML#

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

# 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

Link to this section사용법#

To train the Ultralytics YOLO26n-seg model on the Crack Segmentation dataset for 100 epochs with an image size of 640, use the following Python or CLI snippets. Refer to the model Training documentation page for a comprehensive list of available arguments and configurations like hyperparameter tuning.

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')

Link to this section샘플 데이터 및 주석#

다음은 Crack Segmentation Dataset의 예시로, 도로 및 벽면 표면에서 식별된 균열을 외곽선으로 표시한 instance segmentation 마스크가 오버레이되어 있습니다:

이 데이터셋은 다양한 위치, 표면, 조명 조건을 포괄하므로 이를 학습한 모델은 일반화에 필요한 광범위한 실제 장면을 학습하게 됩니다. Data augmentation을 통해 이러한 다양성을 더욱 확장할 수 있습니다. 관련 워크플로는 instance segmentation and tracking guide를 참조하십시오.

Link to this section인용 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 공개하여 컴퓨터 비전 커뮤니티, 특히 도로 안전 및 인프라 평가 관련 프로젝트에 귀중한 자원을 제공해 준 Roboflow 팀에 감사드립니다. 더 많은 데이터셋을 보려면 Ultralytics Datasets collection을 방문하십시오.

Link to this sectionFAQ#

Link to this sectionCrack Segmentation Dataset이란 무엇이며 Ultralytics YOLO26에서는 어떻게 사용됩니까?#

The Crack Segmentation Dataset is a collection of 4,029 annotated images of cracks on roads and walls for training and evaluating instance segmentation models on a single crack class. It's built for transportation-safety and infrastructure applications like structural inspection and pavement assessment, and is used directly with Ultralytics YOLO26 via the crack-seg.yaml configuration file.

Link to this sectionCrack Segmentation Dataset에는 몇 개의 이미지와 클래스가 포함되어 있습니까?#

이 데이터셋은 총 4,029장의 이미지(학습용 3,717장, 검증용 200장, 테스트용 112장)로 구성되어 있으며, 모두 단일 crack 클래스에 대해 주석 처리되었습니다. 전체 아카이브는 처음 사용할 때 약 91.6 MB의 .zip 파일로 자동 다운로드됩니다.

Link to this sectionCrack Segmentation Dataset에서 Ultralytics YOLO26 모델은 어떻게 학습합니까?#

Load a pretrained segmentation model (e.g., yolo26n-seg.pt) and train it with the crack-seg.yaml configuration using the Python or CLI snippets in the Usage section above. See the Training guide for the full list of available arguments.

Link to this section자율 주행 자동차 및 인프라 프로젝트에 Crack Segmentation Dataset을 사용하는 이유는 무엇입니까?#

도로 및 벽면의 균열을 포함한 다양한 이미지는 여러 실제 시나리오를 포괄하여 균열 탐지를 위해 학습된 모델의 견고성을 향상시킵니다. 정확한 세그멘테이션은 잠재적 위험을 신뢰성 있게 식별해야 하는 road safety 및 인프라 평가 시스템을 지원합니다. 모범 사례는 위 Applications 섹션과 model training tips를 참조하십시오.

Link to this sectionCrack Segmentation용 데이터셋 구성 파일은 어디에서 찾을 수 있습니까?#

The crack-seg.yaml file, which defines the dataset paths and the single crack class, is located in the Ultralytics GitHub repository: crack-seg.yaml.