Датасет для сегментации трещин#

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

Датасет Ultralytics для сегментации трещин содержит 4 029 размеченных изображений трещин на дорогах и стенах для обучения моделей сегментации экземпляров с одним классом crack. Изображения охватывают разнообразные сценарии, связанные с дорожным покрытием и конструкциями, и напрямую подходят для работы с Ultralytics YOLO в задачах от безопасности на транспорте и восприятия окружения беспилотным автомобилем до обслуживания инфраструктуры и инспекции конструкций с помощью компьютерного зрения.

Структура набора данных#

4 029 изображений датасета для сегментации трещин разделены следующим образом:

• Обучающая выборка: 3 717 изображений для обучения модели глубокого обучения.
• Валидационная выборка: 200 изображений, используемых во время обучения для настройки гиперпараметров и предотвращения переобучения.
• Тестовая выборка: 112 отложенных изображений для оценки модели после обучения.
• Классы: один класс crack, включающий все размеченные трещины на дорогах и стенах.
• Размер загрузки: ~91,6 МБ.

Применение#

Сегментация трещин помогает обслуживать инфраструктуру, выявляя и оценивая структурные повреждения зданий, мостов и дорог. Она также повышает безопасность дорожного движения, позволяя автоматизированным системам обнаруживать трещины в дорожном покрытии для своевременного ремонта.

В промышленных условиях обнаружение трещин с помощью моделей, таких как Ultralytics YOLO26, помогает проверять целостность зданий при строительстве, предотвращать дорогостоящие простои в производстве и делать осмотр дорог безопаснее. Автоматическая классификация трещин позволяет ремонтным бригадам в первую очередь устранять самые срочные повреждения.

Полный набор данных Crack Segmentation Dataset также можно просматривать и обрабатывать на Ultralytics Platform.

Файл YAML набора данных#

Файл YAML задаёт конфигурацию набора данных. В нём указаны пути к данным, классы и другая важная информация. Для набора данных Crack Segmentation файл crack-seg.yaml находится по адресу 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

Использование#

Чтобы обучить модель Ultralytics YOLO26n-seg на наборе данных Crack Segmentation в течение 100 эпох с размером изображения 640, используй приведённые ниже фрагменты кода на Python или CLI. Полный список доступных аргументов и настроек, включая настройку гиперпараметров, смотри на странице документации модели Обучение.

from ultralytics import YOLO

# Загрузить модель
# Для более быстрой сходимости рекомендуется использовать предварительно обученную модель, например yolo26n-seg.pt
model = YOLO("yolo26n-seg.pt")

# Обучение модели на наборе данных Crack Segmentation
# Убедись, что 'crack-seg.yaml' доступен, или укажи полный путь
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# После обучения модель можно использовать для предсказаний или экспортировать
# results = model.predict(source='path/to/your/images')

Примеры данных и аннотаций#

Ниже приведён пример из набора данных Crack Segmentation Dataset с наложенными масками сегментации экземпляров, которые очерчивают обнаруженные трещины на поверхностях дорог и стен:

Набор данных охватывает различные места, поверхности и условия освещения, поэтому обученные на нём модели видят широкий спектр реальных сцен, на которые им нужно обобщать. Аугментация данных может ещё больше разнообразить данные — смотри наше руководство по сегментации и трекингу экземпляров, чтобы узнать о связанных рабочих процессах.

Цитирование и благодарности#

Если ты используешь набор данных Crack Segmentation в исследованиях или разработке, укажи источник в соответствии с правилами цитирования:

@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 },
}

Мы благодарим команду Roboflow за то, что предоставила набор данных Crack Segmentation и ценный ресурс для сообщества компьютерного зрения, особенно для проектов, связанных с безопасностью дорожного движения и оценкой инфраструктуры. Больше наборов данных смотри в коллекции наборов данных Ultralytics.

Часто задаваемые вопросы#