Link to this section裂缝分割数据集#

裂缝分割数据集是一项丰富的资源，专为从事交通和公共安全研究的人员设计。它也有助于开发 自动驾驶汽车 模型或探索各种 计算机视觉 应用。该数据集是 Ultralytics 数据集中心 可用资源的一部分。

该数据集包含 4029 张从不同道路和墙壁场景中拍摄的静态图像，是裂缝分割任务的宝贵资产。无论你是在研究交通基础设施，还是旨在提高自动驾驶系统的 准确性，该数据集都为你提供了丰富的图像资源，用于训练 深度学习 模型。

Link to this section数据集结构#

裂缝分割数据集分为三个子集：

• 训练集：3717 张带相应标注的图像。
• 测试集：200 张带相应标注的图像。
• 验证集：112 张带相应标注的图像。

Link to this section应用#

裂缝分割在 基础设施维护 中有着实际的应用，有助于识别和评估建筑物、桥梁和道路的结构性损伤。它还在增强 道路安全 方面发挥着关键作用，使自动化系统能够检测路面裂缝以进行及时维修。

在工业环境中，使用 Ultralytics YOLO26 等深度学习模型的裂缝检测有助于确保建筑施工的完整性，防止 制造业 中昂贵的停机时间，并使道路检查更安全、更有效。自动识别和分类裂缝使维护团队能够有效地优先处理维修工作，从而有助于获得更好的 模型评估见解。

Link to this section数据集 YAML#

YAML（Yet Another Markup Language）文件定义了数据集配置。它包含有关数据集路径、类别和其他相关信息的详细信息。对于裂缝分割数据集，crack-seg.yaml 文件托管在 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') 112 images
test: images/test # test images (relative to 'path') 200 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 section用法#

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 section示例数据与标注#

裂缝分割数据集包含从各种角度拍摄的各种图像，展示了道路和墙壁上的不同类型的裂缝。以下是一些示例：

• 此图像展示了 实例分割，其特点是带有勾勒出已识别裂缝的蒙版的 边界框 标注。该数据集包括来自不同地点和环境的图像，使其成为开发用于此任务的稳健模型的综合资源。数据增强 等技术可以进一步增强数据集的多样性。在我们的 指南 中了解更多关于实例分割和跟踪的信息。

• 该示例突显了裂缝分割数据集的多样性，强调了高质量数据对于训练有效的计算机视觉模型的重要性。

Link to this section引用与致谢#

如果你在研究或开发工作中使用了裂缝分割数据集，请适当地引用来源：

@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 },
}

我们感谢 Roboflow 团队提供裂缝分割数据集，为计算机视觉社区提供了一份宝贵的资源，特别是对于与道路安全和基础设施评估相关的项目。

Link to this section常见问题解答#

Link to this section什么是裂缝分割数据集？#

裂缝分割数据集是一个包含 4029 张静态图像的合集，专为交通和公共安全研究而设计。它适用于诸如 自动驾驶汽车 模型开发和 基础设施维护 等任务。它包括用于裂缝检测和 分割 任务的训练集、测试集和验证集。

Link to this section如何使用 Ultralytics YOLO26 通过裂缝分割数据集训练模型？#

要在此数据集上训练 Ultralytics YOLO26 模型，请使用提供的 Python 或 CLI 示例。详细说明和参数可在模型 训练 页面上找到。你可以使用 Ultralytics Platform 等工具管理你的训练过程。

from ultralytics import YOLO

# Load a pretrained model (recommended)
model = YOLO("yolo26n-seg.pt")

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

Link to this section为什么自动驾驶汽车项目要使用裂缝分割数据集？#

该数据集对于自动驾驶汽车项目非常有价值，因为它拥有多样的道路和墙壁图像，涵盖了各种现实场景。这种多样性提高了为裂缝检测而训练的模型的稳健性，这对于道路安全和基础设施评估至关重要。详细的标注有助于 开发模型，从而能够准确识别潜在的道路危险。

Link to this sectionUltralytics YOLO 为裂缝分割提供了哪些功能？#

Ultralytics YOLO 提供实时 目标检测、分割和分类功能，非常适合裂缝分割任务。它能高效处理大型数据集和复杂场景。该框架包括用于 训练、预测 和 导出 模型的全面模式。YOLO 的 无锚点检测 方法可以改善对裂缝等不规则形状的性能，并且可以使用标准的 指标 来衡量性能。

Link to this section如何引用裂缝分割数据集？#

如果在你的工作中使用此数据集，请使用上面提供的 BibTeX 条目进行引用，以给予创建者适当的肯定。