Conjunto de dados de segmentação de rachaduras#

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

O conjunto de dados de segmentação de trincas do Ultralytics fornece 4.029 imagens anotadas de trincas em estradas e paredes para treinar modelos de segmentação de instâncias em uma única classe crack. Capturado em diversos cenários de pavimentos e estruturas, ele se associa diretamente ao Ultralytics YOLO para casos de uso que vão desde a segurança no transporte e percepção de carros autônomos até a manutenção de infraestrutura e inspeção estrutural por visão computacional.

Estrutura do Dataset#

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

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

Aplicações#

A segmentação de trincas apoia a manutenção de infraestrutura ao identificar e avaliar danos estruturais em edifícios, pontes e estradas. Ela também melhora a segurança viária ao permitir que sistemas automatizados detectem trincas no pavimento para reparos oportunos.

Em ambientes industriais, a detecção de trincas com modelos como o Ultralytics YOLO26 ajuda a verificar a integridade estrutural na construção civil, evita tempos de inatividade dispendiosos na manufatura e torna as inspeções de estradas mais seguras. A classificação automática de trincas permite que as equipes de manutenção priorizem os reparos mais urgentes.

O conjunto completo de dados de segmentação de trincas também pode ser navegado e gerenciado na Ultralytics Platform.

YAML do Dataset#

Um arquivo YAML define a configuração do conjunto de dados. Ele inclui detalhes sobre os caminhos, as classes e outras informações relevantes do conjunto de dados. Para o conjunto de dados de segmentação de trincas, o arquivo 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

Uso#

Para treinar o modelo Ultralytics YOLO26n-seg no conjunto de dados de segmentação de trincas por 100 épocas com um tamanho de imagem de 640, use os seguintes trechos em Python ou CLI. Consulte a página de documentação de Treinamento do modelo para obter uma lista abrangente de argumentos disponíveis e configurações, 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 de Amostra e Anotações#

Abaixo está um exemplo do conjunto de dados de segmentação de trincas com suas máscaras de segmentação de instâncias sobrepostas, delineando as trincas identificadas em superfícies de estradas e paredes:

O conjunto de dados abrange locais, superfícies e condições de iluminação variados, de modo que os modelos treinados nele vejam a variedade de cenas do mundo real necessárias para generalizar. A augmentação de dados pode ampliar ainda mais essa variedade — consulte nosso guia de segmentação de instâncias e rastreamento para fluxos de trabalho relacionados.

Citações e Agradecimentos#

Se você usar o conjunto de dados de segmentação de rachaduras em seu trabalho de pesquisa ou desenvolvimento, cite a fonte adequadamente:

@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 equipe do Roboflow por disponibilizar o conjunto de dados de segmentação de trincas, fornecendo um recurso valioso para a comunidade de visão computacional, particularmente para projetos relacionados à segurança viária e avaliação de infraestrutura. Para mais conjuntos de dados, visite a coleção de conjuntos de dados do Ultralytics.

FAQ#