Dataset de Segmentação de Fissuras#

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

O Ultralytics Conjunto de Dados de Segmentação de Fissuras fornece 4.029 imagens anotadas de fissuras em estradas e paredes para treinar modelos de segmentação de instâncias numa única classe crack. Capturado em diversos cenários de pavimentos e estruturas, este conjunto integra-se diretamente com o Ultralytics YOLO para casos de utilização que vão desde a segurança dos transportes e a perceção de veículos autónomos até à manutenção de infraestruturas e à inspeção de estruturas com visão computacional.

Estrutura do Conjunto de Dados#

O Crack Segmentation Dataset divide as suas 4.029 imagens da seguinte forma:

• Conjunto de treino: 3.717 imagens utilizadas para o treino do modelo de deep learning.
• Conjunto de validação: 200 imagens utilizadas durante o treino para ajustar os hiperparâmetros e evitar o sobreajuste.
• Conjunto de teste: 112 imagens reservadas para avaliar o modelo após o treino.
• Classes: uma única classe crack que abrange todas as fissuras anotadas em estradas e paredes.
• Tamanho do download: ~91,6 MB.

Aplicações#

A segmentação de fissuras apoia a manutenção de infraestruturas ao identificar e avaliar danos estruturais em edifícios, pontes e estradas. Também melhora a segurança rodoviária, permitindo que sistemas automatizados detetem fissuras no pavimento para que sejam reparadas atempadamente.

Em ambientes industriais, a deteção de fissuras com modelos como o Ultralytics YOLO26 ajuda a verificar a integridade de edifícios na construção, evita períodos de inatividade dispendiosos na produção e torna as inspeções rodoviárias mais seguras. A classificação automática de fissuras permite que as equipas de manutenção deem prioridade às reparações mais urgentes.

O Crack Segmentation Dataset completo também pode ser consultado e gerido na Ultralytics Platform.

YAML do Conjunto de Dados#

Um ficheiro YAML define a configuração do dataset. Inclui detalhes sobre os caminhos do dataset, as classes e outras informações relevantes. Para o Crack Segmentation dataset, o ficheiro crack-seg.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

# 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

Utilização#

Para treinar o modelo Ultralytics YOLO26n-seg no Crack Segmentation dataset durante 100 épocas, com um tamanho de imagem de 640, utiliza os seguintes snippets de Python ou CLI. Consulta a página de documentação de Treino do modelo para obter uma lista completa dos argumentos e configurações disponíveis, como o ajuste de hiperparâmetros.

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')

Dados e anotações de exemplo#

Segue-se um exemplo do Crack Segmentation Dataset com as suas máscaras de segmentação de instâncias sobrepostas, delimitando as fissuras identificadas em superfícies de estradas e paredes:

O dataset abrange locais, superfícies e condições de iluminação variados, pelo que os modelos treinados com ele veem a diversidade de cenas do mundo real necessária para generalizar entre diferentes contextos. A ampliação de dados pode aumentar ainda mais essa variedade — consulta o nosso guia de segmentação e acompanhamento de instâncias para conhecer fluxos de trabalho relacionados.

Citações e agradecimentos#

Se utilizares o Crack Segmentation dataset no teu trabalho de investigação ou desenvolvimento, cita a fonte de forma adequada:

@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 },
}

Agradecemos à equipa da Roboflow por disponibilizar o Crack Segmentation dataset, fornecendo um recurso valioso para a comunidade de visão computacional, especialmente para projetos relacionados com a segurança rodoviária e a avaliação de infraestruturas. Para obteres mais datasets, visita a coleção de datasets da Ultralytics.

Perguntas frequentes#