Começar

Conjunto de dados de segmentação de fissuras

Open Crack Segmentation Dataset In Colab

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.



Assista: Como treinar um modelo de segmentação de rachaduras usando Ultralytics YOLO26 | IA na construção 🎉

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 contribui para a manutenção de infraestruturas ao identificar e avaliar danos estruturais em edifícios, pontes e estradas. Também melhora a segurança rodoviária, permitindo que os 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 durante a construção, evita paragens dispendiosas na indústria transformadora e torna as inspeções rodoviárias mais seguras. A classificação automática de fissuras permite às equipas de manutenção dar prioridade às 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/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 Crack Segmentation durante 100 épocas, com tamanho de imagem 640, utiliza os seguintes exemplos de código Python ou CLI.

Exemplo de treino
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 Crack Segmentation com as máscaras de segmentação de instâncias sobrepostas, que delineiam as fissuras identificadas em superfícies de estradas e paredes:

Exemplo do conjunto de dados de segmentação de fissuras para inspeção de infraestruturas

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:

Citação
@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#

  • O conjunto de dados de segmentação de fissuras é uma coleção de 4.029 imagens anotadas de fissuras em estradas e paredes, destinada ao treino e à avaliação de modelos de segmentação de instâncias numa única classe crack. Foi criado para aplicações de segurança nos transportes e de infraestruturas, como a inspeção estrutural e a avaliação de pavimentos, e é utilizado diretamente com o YOLO26 da Ultralytics através do ficheiro de configuração crack-seg.yaml.

  • O conjunto de dados contém 4.029 imagens — 3.717 para treino, 200 para validação e 112 para teste — todas anotadas para uma única classe crack. O arquivo completo é descarregado automaticamente, com cerca de 91,6 MB, como .zip na primeira utilização.

  • Carrega um modelo de segmentação pré-treinado (por exemplo, yolo26n-seg.pt) e treina-o usando a configuração crack-seg.yaml com os trechos de Python ou CLI na seção Uso acima. Consulta o guia de treino para ver a lista completa de argumentos disponíveis.

  • As imagens diversificadas de fissuras em estradas e paredes abrangem muitos cenários reais, melhorando a robustez dos modelos treinados para detetar fissuras. A segmentação precisa contribui para sistemas de segurança rodoviária e avaliação de infraestruturas que têm de identificar potenciais perigos com fiabilidade.

  • O ficheiro crack-seg.yaml, que define os caminhos do conjunto de dados e a única classe crack, encontra-se no repositório GitHub da Ultralytics: crack-seg.yaml.

Comentários2

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

    1. Glenn JocherUltralytics(editado)

      Hey there!

      Thanks for reaching out with your question about performance on the Crack Segmentation dataset. 🚀 We do not publish a mean IOU (Intersection Over Union) for the test set on this dataset.

      For an example on how to train a YOLO26 model on the crack segmentation dataset, you might find this snippet useful:

      from ultralytics import YOLO
      
      # Load a pretrained model (recommended for training)
      model = YOLO('yolo26n-seg.pt')  
      
      # Train the model on the crack-seg dataset
      results = model.train(data='crack-seg.yaml', epochs=100, imgsz=640)

      If you're specifically interested in evaluating the model's performance in terms of mean IOU or any other metrics, you can use the val mode to validate your model after training (for example with split='test' if your dataset YAML defines a test set), which reports mask mAP.

      Feel free to dive into your own experiments and share your findings. The community and we are always eager to learn about different performance insights across various datasets! 🌟

      Happy detecting, and let us know if you have any more questions or if there's anything else we can help you with!

      1