裂缝分割数据集

裂缝分割数据集是一项广泛的资源，专为参与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 提供的更广泛集合的一部分。

该数据集包含 4029 张从不同道路和墙壁场景中采集的静态图像，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，该数据集都为训练 深度学习 模型提供了丰富的图像资源。

数据集结构

裂缝分割数据集分为三个子集：

• 训练集：3717 张图像及相应的标注。
• 测试集：112 张图像及相应的标注。
• 验证集：200 张图像及相应的标注。

应用场景

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、桥梁和道路的结构损坏。它还在增强 道路安全 方面发挥着至关重要的作用，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，利用像 Ultralytics YOLO26 这样的深度学习模型进行裂缝检测，有助于确保施工中的建筑完整性，防止 制造业 中代价高昂的停机，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。

数据集 YAML

一个 YAML (Yet Another Markup Language) 文件定义了数据集的配置。它包含了有关数据集路径、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 文件维护在 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

使用方法

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')

示例数据和标注

裂缝分割数据集包含从不同视角拍摄的各种图像集合，展示了道路和墙壁上不同类型的裂缝。以下是一些示例：

• 此图像展示了 实例分割，特色是带有勾勒出识别裂缝掩码的 边界框 标注。该数据集包括来自不同地点和环境的图像，使其成为开发此任务稳健模型的综合资源。诸如 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。

• 该示例突出了裂缝分割数据集内的多样性，强调了高质量数据对于训练有效计算机视觉模型的重要性。

引文与致谢

如果你在研究或开发工作中使用裂缝分割数据集，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，特别是与道路安全和基础设施评估相关的项目，提供了宝贵的资源。

常见问题 (FAQ)

什么是裂缝分割数据集？

裂缝分割数据集是一个包含 4029 张静态图像的集合，专为交通和公共安全研究而设计。它适用于 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。

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。你可以使用诸如 Ultralytics 平台 之类的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)

为什么要在自动驾驶汽车项目中使用裂缝分割数据集？

该数据集对于自动驾驶汽车项目很有价值，因为它包含了道路和墙壁的多样化图像，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 开发能够准确识别潜在道路危险的模型。

Ultralytics 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，使其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。该框架包括用于模型 训练、预测 和 导出 的综合模式。YOLO 的 无锚点检测 方法可以提高对裂缝等不规则形状的性能，并且可以使用标准的 度量标准 来衡量性能。

我该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，请使用上述提供的 BibTeX 条目进行引用，以给予创作者适当的归功。