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 của Ultralytics cung cấp 4.029 ảnh vết nứt trên đường và tường đã được gán nhãn để huấn luyện các model phân đoạn instance trên một lớp duy nhất crack. Được thu thập trong nhiều bối cảnh mặt đường và kết cấu đa dạng, bộ dữ liệu này kết hợp trực tiếp với Ultralytics YOLO cho các ứng dụng từ an toàn giao thông và các tác vụ nhận thức cho xe tự lái đến bảo trì cơ sở hạ tầng và kiểm tra kết cấu bằng thị giác máy tính.

Cấu trúc dataset#

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

• Tập huấn luyện: 3.717 ảnh dùng để huấn luyện model học sâu.
• Tập validation: 200 ảnh dùng trong quá trình huấn luyện để tinh chỉnh siêu tham số và ngăn overfitting.
• Tập kiểm thử: 112 ảnh được giữ riêng để đánh giá model sau khi huấn luyện.
• Lớp: Một lớp duy nhất crack, bao gồm mọi vết nứt được gán nhãn trên đường và tường.
• Dung lượng tải xuống: ~91.6 MB.

Ứng dụng#

Phân đoạn vết nứt hỗ trợ bảo trì cơ sở hạ tầng bằng cách xác định và đánh giá hư hại kết cấu trong các tòa nhà, cầu và đường sá. Phương pháp này cũng tăng cường an toàn giao thông 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, 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 bảo trì ưu tiên những hạng mục sửa chữa cấp bách nhất.

Bạn cũng có thể duyệt và quản lý toàn bộ Crack Segmentation Dataset trên Ultralytics Platform.

YAML của dataset#

Tệp YAML xác định cấu hình dataset. Tệp này bao gồm thông tin chi tiết về đường dẫn, class và các thông tin liên quan khác của dataset. Đối với dataset Crack Segmentation, 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 dataset Crack Segmentation trong 100 epoch với kích thước ảnh 640, hãy sử dụng các đoạn mã Python hoặc CLI sau đây. Tham khảo trang tài liệu Huấn luyện model để xem danh sách đầy đủ các tham số và cấu hình hiện có, chẳng hạn như tinh chỉnh siêu tham số.

from ultralytics import YOLO

# Tải model
# Nên sử dụng model đã được pretrained như yolo26n-seg.pt để hội tụ nhanh hơn
model = YOLO("yolo26n-seg.pt")

# Huấn luyện model trên dataset Crack Segmentation
# Đảm bảo 'crack-seg.yaml' có thể truy cập hoặc cung cấp đường dẫn đầy đủ
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Sau khi huấn luyện, có thể dùng model để dự đoán hoặc xuất model
# results = model.predict(source='path/to/your/images')

Dữ liệu mẫu và annotation#

Dưới đây là ví dụ từ Crack Segmentation Dataset, với các mask phân đoạn đối tượng được phủ lên ảnh để phác họa các vết nứt đã xác định trên bề mặt đường và tường:

Dataset bao quát nhiều địa điểm, bề mặt và điều kiện ánh sáng khác nhau, nhờ đó model được huấn luyện trên dataset này có thể tiếp cận đầy đủ các bối cảnh thực tế cần thiết để khái quát hóa. Tăng cường dữ liệu có thể mở rộng thêm sự đa dạng đó — xem hướng dẫn phân đoạn và theo dõi đối tượng của chúng tôi để tìm hiểu các quy trình liên quan.

Trích dẫn và lời cảm ơn#

Nếu sử dụng Crack Segmentation dataset trong nghiên cứu hoặc công việc phát triển, vui lòng trích dẫn nguồn 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 đóng góp của đội ngũ Roboflow đã cung cấp Crack Segmentation dataset, một tài nguyên giá trị cho cộng đồng thị giác máy tính, đặc biệt là các dự án liên quan đến an toàn giao thông đường bộ và đánh giá cơ sở hạ tầng. Truy cập bộ sưu tập Ultralytics Datasets để xem thêm dataset.

Câu hỏi thường gặp#