Link to this sectionConjunto de dados de segmentação de rachaduras#

O Ultralytics Crack Segmentation Dataset fornece 4.029 imagens anotadas de rachaduras em estradas e paredes para o treinamento de modelos de instance segmentation em uma única classe crack. Capturado em diversos cenários de pavimentação e estruturais, ele combina diretamente com o Ultralytics YOLO para casos de uso que variam desde segurança no transporte e percepção de self-driving car até infrastructure maintenance e inspeção estrutural de computer vision.

Link to this sectionEstrutura do Dataset#

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

• Conjunto de treinamento: 3.717 imagens usadas para o training do modelo de deep learning.
• Conjunto de validação: 200 imagens usadas durante o treinamento para ajustar hyperparameters e prevenir overfitting.
• Conjunto de teste: 112 imagens reservadas para avaliar o modelo após o treinamento.
• Classes: uma única classe crack cobrindo cada rachadura anotada em estradas e paredes.
• Tamanho do download: ~91,6 MB.

Link to this sectionAplicações#

A segmentação de rachaduras apoia a infrastructure maintenance identificando e avaliando danos estruturais em edifícios, pontes e estradas. Também aprimora a road safety permitindo que sistemas automatizados detectem rachaduras no pavimento para reparos oportunos.

Em ambientes industriais, a detecção de rachaduras com modelos como o Ultralytics YOLO26 ajuda a verificar a integridade de edifícios na construção, evita tempo de inatividade dispendioso na manufacturing e torna as inspeções de estradas mais seguras. Classificar automaticamente as rachaduras permite que as equipes de manutenção priorizem os reparos mais urgentes.

O Crack Segmentation Dataset completo também pode ser navegado e gerenciado na Ultralytics Platform.

Link to this sectionYAML do Dataset#

Um arquivo YAML define a configuração do dataset. Ele inclui detalhes sobre os caminhos do dataset, classes e outras informações relevantes. Para o dataset Crack Segmentation, 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

Link to this sectionUso#

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

Link to this sectionDados de Amostra e Anotações#

Abaixo está um exemplo do Crack Segmentation Dataset com suas máscaras de instance segmentation sobrepostas, delineando rachaduras identificadas em superfícies de estradas e paredes:

O conjunto de dados abrange locais, superfícies e condições de iluminação variados, portanto, os modelos treinados nele veem a gama de cenas do mundo real necessárias para generalizar. O Data augmentation pode ampliar ainda mais essa variedade — veja nosso instance segmentation and tracking guide para fluxos de trabalho relacionados.

Link to this sectionCitações 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 da Roboflow por disponibilizar o conjunto de dados Crack Segmentation, fornecendo um recurso valioso para a comunidade de computer vision, particularmente para projetos relacionados à segurança viária e avaliação de infraestrutura. Para mais conjuntos de dados, visite a Ultralytics Datasets collection.

Link to this sectionFAQ#

Link to this sectionO que é o Crack Segmentation Dataset e como ele é usado no Ultralytics YOLO26?#

O Crack Segmentation Dataset é uma coleção de 4.029 imagens anotadas de rachaduras em estradas e paredes para treinar e avaliar modelos de instance segmentation em uma única classe crack. Ele é criado para aplicações de segurança no transporte e infraestrutura, como inspeção estrutural e avaliação de pavimentos, e é usado diretamente com o Ultralytics YOLO26 por meio do arquivo de configuração crack-seg.yaml.

Link to this sectionQuantas imagens e classes o Crack Segmentation Dataset contém?#

O conjunto de dados totaliza 4.029 imagens — 3.717 para treinamento, 200 para validação e 112 para teste — todas anotadas para uma única classe crack. O arquivo completo é baixado automaticamente como um .zip de ~91,6 MB no primeiro uso.

Link to this sectionComo treino um modelo Ultralytics YOLO26 no Crack Segmentation Dataset?#

Carregue um modelo de segmentação pré-treinado (por exemplo, yolo26n-seg.pt) e treine-o com a configuração crack-seg.yaml usando os snippets de Python ou CLI na seção Usage acima. Veja o Training guide para a lista completa de argumentos disponíveis.

Link to this sectionPor que usar o Crack Segmentation Dataset para projetos de carros autônomos e infraestrutura?#

Suas diversas imagens de rachaduras em estradas e paredes cobrem muitos cenários do mundo real, melhorando a robustez de modelos treinados para detecção de rachaduras. A segmentação precisa apoia a road safety e sistemas de avaliação de infraestrutura que devem identificar perigos potenciais de forma confiável — veja a seção Applications acima e nossas model training tips para as melhores práticas.

Link to this sectionOnde posso encontrar o arquivo de configuração do conjunto de dados para Crack Segmentation?#

O arquivo crack-seg.yaml, que define os caminhos do conjunto de dados e a única classe crack, está localizado no repositório GitHub da Ultralytics: crack-seg.yaml.