Conjunto de dados 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 conjunto de dados de segmentação de fissuras da Ultralytics fornece 4.029 imagens anotadas de fissuras em estradas e paredes para treinar modelos de segmentação de instâncias com uma única classe crack. Coletado em diversos cenários de pavimentação e estruturas, o conjunto de dados é diretamente compatível com Ultralytics YOLO para casos de uso que vão da segurança no transporte e da percepção de carros autônomos à manutenção de infraestrutura e à inspeção estrutural por visão computacional.

Estrutura do conjunto de dados#

O conjunto de dados de segmentação de fissuras divide suas 4.029 imagens da seguinte forma:

• Conjunto de treinamento: 3.717 imagens usadas para treinar o modelo de aprendizagem profunda.
• Conjunto de validação: 200 imagens usadas durante o treinamento para ajustar os 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 fissuras anotadas em estradas e paredes.
• Tamanho do download: ~91,6 MB.

Aplicações#

A segmentação de fissuras ajuda na manutenção de infraestruturas, identificando e avaliando danos estruturais em edifícios, pontes e estradas. Também melhora a segurança rodoviária, permitindo que sistemas automatizados detetem fissuras no pavimento para reparações oportunas.

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

Também podes consultar e gerir o conjunto de dados completo de segmentação de fissuras na Ultralytics Platform.

YAML do conjunto de dados#

Um ficheiro YAML define a configuração do conjunto de dados. Inclui detalhes sobre os caminhos, as classes e outras informações relevantes do conjunto de dados. Para o conjunto de dados de segmentação de fissuras, 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

Uso#

Para treinar o modelo Ultralytics YOLO26n-seg no conjunto de dados de segmentação de fissuras durante 100 épocas, com um tamanho de imagem de 640, usa os seguintes trechos de código Python ou CLI. Consulta a página de documentação sobre treino do modelo para ver uma lista completa dos argumentos e configurações disponíveis, como o ajuste de hiperparâmetros.

from ultralytics import YOLO

# Carregar um modelo
# Recomenda-se usar um modelo pré-treinado, como yolo26n-seg.pt, para uma convergência mais rápida
model = YOLO("yolo26n-seg.pt")

# Treina o modelo no conjunto de dados de segmentação de fissuras
# Confirma que 'crack-seg.yaml' está acessível ou indica o caminho completo
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Após o treino, o modelo pode ser usado para fazer previsões ou ser exportado
# results = model.predict(source='path/to/your/images')

Dados de exemplo e anotações#

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

O conjunto de dados abrange diferentes localizações, superfícies e condições de iluminação, para que os modelos treinados com ele vejam a variedade de cenários do mundo real necessária para generalizar. A aumento de dados pode ampliar ainda mais essa variedade — consulta o nosso guia de segmentação e rastreamento de instâncias para conhecer fluxos de trabalho relacionados.

Citações e agradecimentos#

Se usares o conjunto de dados de segmentação de fissuras no teu trabalho de investigação ou desenvolvimento, cita 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 equipa da Roboflow por disponibilizar o conjunto de dados de segmentação de fissuras, um recurso valioso para a comunidade de visão computacional, em particular para projetos relacionados com a segurança rodoviária e a avaliação de infraestruturas. Para veres mais conjuntos de dados, visita a coleção de conjuntos de dados da Ultralytics.

Perguntas frequentes#