裂缝分割数据集#

Ultralytics 裂缝分割数据集提供了 4,029 张道路和墙壁裂缝的标注图像，用于在单个 crack 类别上训练实例分割模型。它在各种路面和结构场景中采集，可直接与 Ultralytics YOLO 配合使用，适用于交通安全、自动驾驶汽车感知、基础设施维护以及结构计算机视觉检查等用例。

数据集结构#

Crack Segmentation Dataset 将其 4,029 张图像划分如下：

• 训练集：3,717 张图像，用于训练深度学习模型。
• 验证集：200 张图像，在训练期间用于调整超参数并防止过拟合。
• 测试集：112 张图像，保留用于训练后评估模型。
• 类别：单个 crack 类别，涵盖道路和墙壁上的所有标注裂缝。
• 下载大小：约 91.6 MB。

应用#

裂缝分割通过识别和评估建筑物、桥梁和道路中的结构损伤来支持基础设施维护。它还通过让自动化系统检测路面裂缝以便及时维修，从而增强道路安全。

在工业环境中，使用像 Ultralytics YOLO26 这样的模型进行裂缝检测有助于验证建筑施工中的结构完整性，防止制造过程中代价高昂的停机，并使道路检查更加安全。自动分类裂缝使维护团队能够优先处理最紧急的维修。

完整的裂缝分割数据集也可以在 Ultralytics Platform 上进行浏览和管理。

数据集 YAML#

一个 YAML 文件定义了数据集配置。它包括有关数据集路径、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') 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

用法#

要在裂缝分割数据集上以图像大小 640 训练 Ultralytics YOLO26n-seg 模型 100 个轮次，请使用以下 Python 或 CLI 代码片段。有关可用参数和配置（如超参数调优）的完整列表，请参考模型训练文档页面。

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')

示例数据与标注#

以下是裂缝分割数据集的一个示例，其中叠加了实例分割掩码，勾勒出了道路和墙壁表面上识别出的裂缝：

该数据集跨越了不同的位置、表面和光照条件，因此在其上训练的模型能够适应泛化所需的各种真实世界场景。数据增强可以进一步拓宽这种多样性——相关工作流请参阅我们的实例分割和跟踪指南。

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个宝贵的资源，特别是对于与道路安全和基础设施评估相关的项目。有关更多数据集，请访问 Ultralytics Datasets 集合。

常见问题解答#