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 sınıfı üzerinde örnek segmentasyonu modellerini eğitmek için yollardaki ve duvarlardaki çatlaklara ait 4.029 açıklamalı görüntü sunar. Farklı yol kaplaması ve yapısal senaryolarda toplanan bu veri kümesi, ulaşım güvenliği ve otonom araç algısından altyapı bakımı ve yapısal bilgisayarlı görü denetimine kadar çeşitli kullanım alanlarında Ultralytics YOLO ile doğrudan birlikte 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: Eğitimden sonra modeli değerlendirmek üzere ayrılan 112 görüntü.
• Sınıflar: Yollardaki ve duvarlardaki açıklanmış tüm çatlakları kapsayan tek bir crack sınıfı.
• İndirme boyutu: ~91.6 MB.

Uygulamalar#

Çatlak segmentasyonu, binalarda, köprülerde ve yollarda yapısal hasarı belirleyip değerlendirerek altyapı bakımını destekler. Ayrıca otomatik sistemlerin zamanında onarım yapılabilmesi 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 duruşları önler ve yol denetimlerini daha güvenli hâle getirir. Çatlakların otomatik olarak sınıflandırılması, bakım ekiplerinin en acil onarımlara öncelik vermesini sağlar.

Çatlak Segmentasyonu Veri Kümesinin tamamı Ultralytics Platform üzerinde de görüntülenebilir ve yönetilebilir.

Veri Kümesi YAML'i#

Bir YAML dosyası veri kümesi yapılandırmasını tanımlar. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri 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 adresinde 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 kümesi üzerinde 100 epoch boyunca ve 640 görüntü boyutuyla eğitmek için aşağıdaki Python veya CLI parçacıklarını kullan. Kullanılabilir bağımsız değişkenlerin ve hiperparametre ayarlama gibi yapılandırmaların kapsamlı listesi için model Eğitim belgeleri sayfasına bak.

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')

Örnek Veriler ve Açıklamalar#

Aşağıda, tanımlanan çatlakları yol ve duvar yüzeyleri üzerinde gösteren örnek segmentasyon maskeleriyle birlikte Çatlak Segmentasyonu Veri Kümesinden bir örnek verilmiştir:

Veri kümesi farklı konumları, yüzeyleri ve aydınlatma koşullarını kapsar; bu nedenle veri kümesi üzerinde eğitilen modeller, genelleme yapabilmeleri için ihtiyaç duydukları gerçek dünya sahnelerinin çeşitliliğini görür. Veri artırma bu çeşitliliği daha da genişletebilir — ilgili iş akışları için örnek segmentasyon ve izleme kılavuzumuza bak.

Atıflar ve Teşekkürler#

Çatlak Segmentasyonu veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan 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 projeler için değerli bir kaynak sağlayan Roboflow ekibine teşekkür ederiz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret et.

SSS#