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#

要使用 640 的图像尺寸训练 Ultralytics YOLO26n-seg 模型进行 100 个轮次的训练，请使用以下 Python 或 CLI 代码片段。请参阅模型训练文档页面，获取可用参数和配置（如超参数调优）的完整列表。

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。