Датасет для сегментации трещин
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.
Смотри: Как обучить модель сегментации трещин с помощью Ultralytics YOLO26 | ИИ в строительстве 🎉
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 промышленности обнаружение трещин с помощью таких моделей, как Ultralytics YOLO26, помогает проверять целостность зданий при строительстве, предотвращает дорогостоящие простои в производстве и делает осмотр дорог безопаснее. Автоматическая классификация трещин позволяет ремонтным бригадам в первую очередь устранять наиболее 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.zipИспользование#
Чтобы обучить модель Ultralytics YOLO26n-seg на датасете Crack Segmentation в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода на Python или в CLI.
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 приведен пример из набора данных Crack Segmentation с наложенными масками сегментации экземпляров, обозначающими обнаруженные трещины на дорожных и стеновых поверхностях:

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#
Crack Segmentation Dataset — это набор из 4 029 размеченных изображений трещин на дорогах и стенах для обучения и оценки моделей сегментации экземпляров с одним классом
crack. Набор предназначен для задач безопасности транспорта и инфраструктуры, например обследования конструкций и оценки дорожного покрытия, и напрямую используется с Ultralytics YOLO26 через файл конфигурацииcrack-seg.yaml.Всего в наборе данных 4 029 изображений: 3 717 для обучения, 200 для валидации и 112 для тестирования. Все изображения размечены одним классом
crack. При первом использовании весь архив автоматически загружается в виде файла.zipразмером около ~91,6 МБ.Загрузи предварительно обученную модель сегментации (например,
yolo26n-seg.pt) и обучи ее с конфигурациейcrack-seg.yaml, используя примеры для Python или CLI из раздела Использование выше. Полный список доступных аргументов см. в руководстве по обучению.Разнообразные изображения трещин на дорогах и стенах охватывают множество сценариев реального мира и повышают устойчивость моделей, обученных для обнаружения трещин. Точная сегментация помогает создавать системы безопасности дорожного движения и оценки состояния инфраструктуры, которые должны надежно выявлять потенциальные опасности.
Файл
crack-seg.yaml, в котором заданы пути к данным и единственный классcrack, находится в репозитории Ultralytics на GitHub: crack-seg.yaml.
Комментарии2
Задай вопрос, поделись результатами или помоги кому-нибудь.
mzg0108
What was the performance of Yolo 8 on this dataset? What was the mean IOU on test set?
Glenn JocherUltralytics(изменено)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
valmode to validate your model after training (for example withsplit='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



