Bộ dữ liệu phân đoạn vết nứt#

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

Bộ dữ liệu phân đoạn vết nứt Ultralytics cung cấp 4.029 hình ảnh được gắn nhãn về các vết nứt trên đường và tường để huấn luyện các model instance segmentation trên một lớp crack duy nhất. Được thu thập trong nhiều bối cảnh mặt đường và công trình khác nhau, bộ dữ liệu này kết hợp trực tiếp với Ultralytics YOLO cho các trường hợp sử dụng từ nhận thức trong xe tự lái và an toàn giao thông đến bảo trì hạ tầng và kiểm tra công trình bằng computer vision.

Cấu trúc bộ dữ liệu#

Bộ dữ liệu phân đoạn vết nứt được chia 4.029 hình ảnh như sau:

• Tập huấn luyện: 3.717 hình ảnh được sử dụng để huấn luyện model deep learning.
• Tập validation: 200 hình ảnh được sử dụng trong quá trình huấn luyện để tinh chỉnh hyperparameter và ngăn overfitting.
• Tập kiểm thử: 112 hình ảnh được giữ lại để đánh giá model sau khi huấn luyện.
• Các lớp: một lớp crack duy nhất bao phủ mọi vết nứt được gắn nhãn trên đường và tường.
• Dung lượng tải xuống: ~91.6 MB.

Ứng dụng#

Phân đoạn vết nứt hỗ trợ bảo trì hạ tầng bằng cách xác định và đánh giá hư hỏng kết cấu trong các tòa nhà, cầu và đường. Công nghệ này cũng tăng cường an toàn đường bộ bằng cách cho phép các hệ thống tự động phát hiện vết nứt trên mặt đường để sửa chữa kịp thời.

Trong môi trường công nghiệp, việc phát hiện vết nứt bằng các model như Ultralytics YOLO26 giúp xác minh tính toàn vẹn của công trình trong xây dựng, ngăn ngừa thời gian ngừng hoạt động tốn kém trong sản xuất và giúp việc kiểm tra đường sá an toàn hơn. Tự động phân loại vết nứt cho phép các đội ngũ bảo trì ưu tiên những hạng mục sửa chữa cấp thiết nhất.

Bạn cũng có thể duyệt và quản lý toàn bộ Bộ dữ liệu phân đoạn vết nứt trên Ultralytics Platform.

YAML của bộ dữ liệu#

Một tệp YAML định nghĩa cấu hình của bộ dữ liệu. Tệp này bao gồm thông tin chi tiết về đường dẫn, các lớp và những thông tin liên quan khác của bộ dữ liệu. Đối với bộ dữ liệu phân đoạn vết nứt, tệp crack-seg.yaml được duy trì tại 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

Cách sử dụng#

Để huấn luyện model Ultralytics YOLO26n-seg trên bộ dữ liệu phân đoạn vết nứt trong 100 epoch với kích thước hình ảnh là 640, hãy sử dụng các đoạn mã Python hoặc CLI sau. Tham khảo trang tài liệu Huấn luyện model để xem danh sách đầy đủ các tham số và cấu hình khả dụng, chẳng hạn như tinh chỉnh hyperparameter.

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')

Dữ liệu mẫu và Annotation#

Dưới đây là một ví dụ từ Bộ dữ liệu phân đoạn vết nứt với các mask instance segmentation được phủ lên, phác họa những vết nứt được xác định trên bề mặt đường và tường:

Bộ dữ liệu bao quát nhiều địa điểm, bề mặt và điều kiện chiếu sáng khác nhau, giúp các model được huấn luyện trên đó tiếp cận phạm vi cảnh thực tế cần thiết để khái quát hóa. Tăng cường dữ liệu có thể mở rộng thêm sự đa dạng này — hãy xem hướng dẫn instance segmentation và tracking của chúng tôi để biết các quy trình liên quan.

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng bộ dữ liệu phân đoạn vết nứt trong công việc nghiên cứu hoặc phát triển, vui lòng trích dẫn nguồn một cách phù hợp:

@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 },
}

Chúng tôi ghi nhận những đóng góp của đội ngũ Roboflow trong việc cung cấp bộ dữ liệu phân đoạn vết nứt, mang đến một tài nguyên giá trị cho cộng đồng computer vision, đặc biệt là các dự án liên quan đến an toàn đường bộ và đánh giá hạ tầng. Để xem thêm các bộ dữ liệu, hãy truy cập bộ sưu tập Datasets của Ultralytics.

FAQ#