Link to this sectionÇatlak Segmentasyonu Veri Seti#

The Ultralytics Crack Segmentation Dataset provides 4,029 annotated images of cracks on roads and walls for training instance segmentation models on a single crack class. Captured across diverse pavement and structural scenarios, it pairs directly with Ultralytics YOLO for use cases ranging from transportation safety and self-driving car perception to infrastructure maintenance and structural computer vision inspection.

Link to this sectionVeri Kümesi Yapısı#

Çatlak Segmentasyon Veri Seti, 4.029 görüntüsünü şu şekilde böler:

• Training set: 3,717 images used for training the deep learning model.
• Doğrulama seti: Eğitim sırasında hyperparameters ayarını yapmak ve overfitting durumunu önlemek için kullanılan 200 görüntü.
• Test seti: Eğitimden sonra modeli değerlendirmek için ayrılan 112 görüntü.
• Sınıflar: Yollar ve duvarlardaki her açıklamalı çatlağı kapsayan tek bir crack sınıfı.
• İndirme boyutu: ~91.6 MB.

Link to this sectionUygulamalar#

Çatlak segmentasyonu, binalardaki, köprülerdeki ve yollardaki yapısal hasarları tanımlayıp değerlendirerek infrastructure maintenance çalışmalarını destekler. Ayrıca, otomatik sistemlerin zamanında onarım için kaldırım çatlaklarını tespit etmesini sağlayarak road safety konusunu geliştirir.

Endüstriyel ortamlarda, Ultralytics YOLO26 gibi modellerle çatlak tespiti, inşaatta bina bütünlüğünü doğrulamaya yardımcı olur, manufacturing alanında maliyetli duruş sürelerini önler ve yol denetimlerini daha güvenli hale getirir. Çatlakları otomatik olarak sınıflandırmak, bakım ekiplerinin en acil onarımlara öncelik vermesini sağlar.

Eksiksiz Çatlak Segmentasyon Veri Seti, Ultralytics Platform üzerinden de görüntülenebilir ve yönetilebilir.

Link to this sectionVeri Kümesi YAML#

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

# 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

Link to this sectionKullanım#

To train the Ultralytics YOLO26n-seg model on the Crack Segmentation dataset for 100 epochs with an image size of 640, use the following Python or CLI snippets. Refer to the model Training documentation page for a comprehensive list of available arguments and configurations like hyperparameter tuning.

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')

Link to this sectionÖrnek Veriler ve Etiketler#

Aşağıda, yol ve duvar yüzeylerindeki tanımlanmış çatlakları ana hatlarıyla belirten ve instance segmentation maskeleri bindirilmiş Çatlak Segmentasyon Veri Seti'nden bir örnek bulunmaktadır:

Veri seti çeşitli konumları, yüzeyleri ve aydınlatma koşullarını kapsar; böylece bu veri seti üzerinde eğitilen modeller, genelleme yapmaları gereken gerçek dünya sahnelerinin yelpazesini görürler. Data augmentation bu çeşitliliği daha da genişletebilir — ilgili iş akışları için instance segmentation and tracking guide rehberimize bak.

Link to this sectionAlıntılar ve Teşekkür#

Çatlak Segmentasyonu veri setini 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 Segmentasyon veri setini erişilebilir kılarak bilgisayarlı görü topluluğu için, özellikle yol güvenliği ve altyapı değerlendirmesi ile ilgili projelerde değerli bir kaynak sağlayan Roboflow ekibine teşekkür ederiz. Daha fazla veri seti için Ultralytics Datasets collection koleksiyonunu ziyaret et.

Link to this sectionSSS#

Link to this sectionÇatlak Segmentasyon Veri Seti nedir ve Ultralytics YOLO26 içerisinde nasıl kullanılır?#

The Crack Segmentation Dataset is a collection of 4,029 annotated images of cracks on roads and walls for training and evaluating instance segmentation models on a single crack class. It's built for transportation-safety and infrastructure applications like structural inspection and pavement assessment, and is used directly with Ultralytics YOLO26 via the crack-seg.yaml configuration file.

Link to this sectionÇatlak Segmentasyon Veri Seti kaç görüntü ve sınıf içerir?#

Veri seti toplamda 4.029 görüntüden oluşur; 3.717'si eğitim, 200'ü doğrulama ve 112'si test içindir ve hepsi tek bir crack sınıfı için açıklanmıştır. Tam arşiv, ilk kullanımda otomatik olarak ~91.6 MB boyutunda bir .zip dosyası olarak indirilir.

Link to this sectionÇatlak Segmentasyon Veri Seti üzerinde nasıl Ultralytics YOLO26 modeli eğitirim?#

Load a pretrained segmentation model (e.g., yolo26n-seg.pt) and train it with the crack-seg.yaml configuration using the Python or CLI snippets in the Usage section above. See the Training guide for the full list of available arguments.

Link to this sectionOtonom araç ve altyapı projeleri için neden Çatlak Segmentasyon Veri Seti kullanılmalı?#

Yollar ve duvarlardaki çeşitli çatlak görüntüleri, çatlak tespiti için eğitilen modellerin sağlamlığını artıran birçok gerçek dünya senaryosunu kapsar. Doğru segmentasyon, potansiyel tehlikeleri güvenilir bir şekilde tanımlaması gereken road safety ve altyapı değerlendirme sistemlerini destekler; en iyi uygulamalar için yukarıdaki Applications bölümüne ve model training tips rehberimize bak.

Link to this sectionÇatlak Segmentasyon için veri seti yapılandırma dosyasını nerede bulabilirim?#

The crack-seg.yaml file, which defines the dataset paths and the single crack class, is located in the Ultralytics GitHub repository: crack-seg.yaml.