Bộ dữ liệu phân đoạn vết nứt
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.
Xem: Cách huấn luyện model phân đoạn vết nứt bằng Ultralytics YOLO26 | AI trong xây dựng 🎉
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 ở các tòa nhà, cầu và đường sá. Phương pháp này cũng nâng cao an toàn giao thông đường bộ nhờ cho phép hệ thống tự động phát hiện vết nứt 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 chặn 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 đội bảo trì ưu tiên các hạng mục sửa chữa cấp thiết 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.zipCách sử dụng#
Để huấn luyện model Ultralytics YOLO26n-seg trên Crack Segmentation dataset trong 100 epoch với kích thước ảnh 640, hãy dùng các đoạn code Python hoặc CLI sau.
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 dataset phân đoạn vết nứt, với các mask phân đoạn đối tượng phủ lên ảnh để phác họa những vết nứt được 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#
Crack Segmentation Dataset là tập hợp 4.029 ảnh có gán nhãn về vết nứt trên đường và tường, dùng để huấn luyện và đánh giá các model phân đoạn đối tượng trên một class
crack. Dataset được xây dựng cho các ứng dụng về an toàn giao thông và cơ sở hạ tầng như kiểm tra kết cấu và đánh giá mặt đường, đồng thời có thể sử dụng trực tiếp với YOLO26 của Ultralytics thông qua tệp cấu hìnhcrack-seg.yaml.Dataset có tổng cộng 4.029 ảnh — 3.717 ảnh huấn luyện, 200 ảnh xác thực và 112 ảnh kiểm tra — tất cả đều được gán nhãn cho một class
crack. Toàn bộ gói lưu trữ sẽ tự động được tải xuống dưới dạng.zipcó dung lượng ~91.6 MB trong lần sử dụng đầu tiên.Tải model segmentation pretrained (ví dụ:
yolo26n-seg.pt) và huấn luyện model bằng cấu hìnhcrack-seg.yamlthông qua các đoạn mã Python hoặc CLI trong phần Cách sử dụng ở trên. Xem hướng dẫn Huấn luyện để biết danh sách đầy đủ các đối số hiện có.Các ảnh đa dạng về vết nứt trên đường sá và tường bao quát nhiều tình huống thực tế, cải thiện độ bền vững của model được huấn luyện để phát hiện vết nứt. Phân đoạn chính xác hỗ trợ các hệ thống an toàn đường bộ và đánh giá cơ sở hạ tầng cần xác định mối nguy tiềm ẩn một cách đáng tin cậy.
Tệp
crack-seg.yaml, xác định đường dẫn dataset và classcrackduy nhất, nằm trong repository GitHub của Ultralytics: crack-seg.yaml.
Bình luận2
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
mzg0108
What was the performance of Yolo 8 on this dataset? What was the mean IOU on test set?
Glenn JocherUltralytics(đã chỉnh sửa)Hey there!
Thanks for reaching out with your question about performance on the Crack Segmentation dataset. 🚀 We do not publish a mean IOU (Intersection Over Union) for the test set on this dataset.
For an example on how to train a YOLO26 model on the crack segmentation dataset, you might find this snippet useful:
from ultralytics import YOLO # Load a pretrained model (recommended for training) model = YOLO('yolo26n-seg.pt') # Train the model on the crack-seg dataset results = model.train(data='crack-seg.yaml', epochs=100, imgsz=640)If you're specifically interested in evaluating the model's performance in terms of mean IOU or any other metrics, you can use the
valmode to validate your model after training (for example withsplit='test'if your dataset YAML defines a test set), which reports mask mAP.Feel free to dive into your own experiments and share your findings. The community and we are always eager to learn about different performance insights across various datasets! 🌟
Happy detecting, and let us know if you have any more questions or if there's anything else we can help you with!
1



