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 сегментации трещин Ultralytics содержит 4 029 размеченных изображений трещин на дорогах и стенах для обучения моделей сегментации экземпляров на одном классе crack. Собранный в различных дорожных и строительных условиях, он напрямую интегрируется с Ultralytics YOLO и подходит для таких задач, как обеспечение безопасности транспорта и восприятие окружающей среды беспилотными автомобилями, обслуживание инфраструктуры и инспекция конструкций с помощью компьютерного зрения.

Структура датасета#

Датасет для сегментации трещин разделён следующим образом: всего 4 029 изображений:

• Обучающая выборка: 3 717 изображений, используемых 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, охватывающий все размеченные трещины на дорогах и стенах.
• Размер загрузки: ~91,6 МБ.

Применения#

Сегментация трещин помогает обслуживать инфраструктуру, выявляя и оценивая повреждения конструкций в зданиях, мостах и на дорогах. 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, предотвращает дорогостоящие простои в производстве и делает инспекцию дорог безопаснее. Автоматическая классификация трещин позволяет техническим командам отдавать приоритет наиболее срочному ремонту.

Полный датасет для сегментации трещин также можно просматривать и управлять им на Ultralytics Platform.

YAML датасета#

Файл YAML определяет конфигурацию датасета. Он содержит сведения о путях к данным, классах и другую важную информацию. Для датасета Crack Segmentation файл crack-seg.yaml поддерживается 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 датасете Crack Segmentation в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода на Python или команды CLI. Полный список доступных аргументов и конфигураций, включая настройку гиперпараметров, смотри на странице документации по обучению модели.

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')

Примеры данных и аннотаций#

Ниже приведён пример из датасета для сегментации трещин с наложенными масками сегментации экземпляров, очерчивающими обнаруженные трещины на поверхностях дорог и стен:

Датасет охватывает различные места, поверхности и условия освещения, поэтому модели, обученные на нём, видят широкий спектр реальных сцен, необходимый для обобщения. Аугментация данных может ещё больше расширить это разнообразие — связанные рабочие процессы описаны в нашем руководстве по сегментации экземпляров и трекингу.

Цитирование и благодарности#

Если ты используешь датасет Crack Segmentation в исследовательской или разработческой работе, укажи источник надлежащим образом:

@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 предоставление датасета Crack Segmentation, который стал ценным ресурсом для сообщества компьютерного зрения, особенно для проектов, связанных с безопасностью дорожного движения и оценкой инфраструктуры. Чтобы найти другие датасеты, посети коллекцию датасетов Ultralytics.

Часто задаваемые вопросы#