Çatlak Segmentasyonu Veri Kümesi#

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

Ultralytics Çatlak Segmentasyonu Veri Kümesi, tek bir crack sınıfında örnek segmentasyonu modellerini eğitmek için yol ve duvarlardaki çatlakları gösteren, açıklama eklenmiş 4.029 görüntü sunar. Çeşitli yol yüzeyi ve yapısal senaryolarda çekilen bu görüntüler, ulaşım güvenliği ve otonom araç algılamasından altyapı bakımına ve yapısal bilgisayarlı görü incelemesine kadar uzanan kullanım senaryoları için Ultralytics YOLO ile doğrudan kullanılabilir.

Veri Kümesi Yapısı#

Çatlak Segmentasyonu Veri Kümesi, 4.029 görüntüsünü şu şekilde ayırır:

• Eğitim kümesi: Derin öğrenme modelini eğitmek için kullanılan 3.717 görüntü.
• Doğrulama kümesi: Hiperparametreleri ayarlamak ve aşırı öğrenmeyi önlemek için eğitim sırasında kullanılan 200 görüntü.
• Test kümesi: Eğitim sonrasında modeli değerlendirmek için ayrılmış 112 görüntü.
• Sınıflar: Yollarda ve duvarlarda açıklama eklenmiş tüm çatlakları kapsayan tek bir crack sınıfı.
• İndirme boyutu: ~91,6 MB.

Uygulamalar#

Çatlak segmentasyonu, binalardaki, köprülerdeki ve yollardaki yapısal hasarı belirleyip değerlendirerek altyapı bakımını destekler. Ayrıca, otomatik sistemlerin zamanında onarım için yol yüzeyindeki çatlakları tespit etmesini sağlayarak yol güvenliğini artırır.

Endüstriyel ortamlarda, Ultralytics YOLO26 gibi modellerle çatlak tespiti; inşaatta bina bütünlüğünün doğrulanmasına yardımcı olur, üretimde maliyetli iş kesintilerini önler ve yol denetimlerini daha güvenli hâle getirir. Çatlakların otomatik olarak sınıflandırılması, bakım ekiplerinin en acil onarımlara öncelik vermesini sağlar.

Çatlak Segmentasyonu Veri Kümesi'nin tamamına Ultralytics Platform üzerinden de göz atabilir ve bu veri kümesini yönetebilirsin.

Veri Kümesi YAML Dosyası#

Bir YAML dosyası, veri kümesi yapılandırmasını tanımlar. Bu dosya; veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında ayrıntılar içerir. Çatlak Segmentasyonu veri kümesi için crack-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml konumunda tutulur.

# 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

Kullanım#

Ultralytics YOLO26n-seg modelini Çatlak Segmentasyonu veri kümesinde, 640 görüntü boyutuyla 100 epoch boyunca eğitmek için aşağıdaki Python veya CLI kod parçacıklarını kullan. Kullanılabilir bağımsız değişkenlerin ve hiperparametre ayarlama gibi yapılandırmaların kapsamlı listesi için modelin Eğitim dokümantasyon sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
# Daha hızlı yakınsama için yolo26n-seg.pt gibi önceden eğitilmiş bir model kullanılması önerilir
model = YOLO("yolo26n-seg.pt")

# Modeli Çatlak Segmentasyonu veri kümesinde eğit
# 'crack-seg.yaml' dosyasına erişilebildiğinden emin ol veya tam yolu belirt
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Eğitimden sonra model tahmin için kullanılabilir veya dışa aktarılabilir
# results = model.predict(source='path/to/your/images')

Örnek Veriler ve Açıklamalar#

Aşağıda, yol ve duvar yüzeylerindeki tespit edilen çatlakların sınırlarını gösteren örnek segmentasyon maskelerinin üzerine bindirildiği Çatlak Segmentasyonu Veri Kümesi'nden bir örnek yer alıyor:

Veri kümesi çeşitli konumları, yüzeyleri ve aydınlatma koşullarını kapsar; böylece bu veri kümesiyle eğitilen modeller, genelleme yapmaları gereken gerçek dünya sahnelerinin çeşitliliğini görür. Veri artırma bu çeşitliliği daha da genişletebilir — ilgili iş akışları için örnek segmentasyonu ve takip kılavuzumuza göz at.

Atıflar ve Teşekkürler#

Çatlak Segmentasyonu veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen kaynağı uygun şekilde belirt:

@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 },
}

Çatlak Segmentasyonu veri kümesini kullanıma sunarak bilgisayarlı görü topluluğuna, özellikle yol güvenliği ve altyapı değerlendirmesiyle ilgili projelere değerli bir kaynak sağlayan Roboflow ekibine teşekkür ederiz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret et.

Sık Sorulan Sorular#