裂缝分割数据集#

4,028

Crack-Seg

ultralytics

publicSegment

Crack-Seg is an Ultralytics instance-segmentation dataset for road and wall damage. Single-class polygons delineate cracks across concrete, asphalt, masonry, varied illumination, and textured backgrounds for infrastructure inspection and surface-condition monitoring.

31 class171.3 MBSep 2, 2026

crack

instance-segmentationcracksinfrastructure+1

Ultralytics 裂缝分割数据集提供了 4,029 张经过标注的道路和墙面裂缝图像，可用于训练实例分割模型，且仅包含一个 crack 类别。这些图像采集自多种路面和结构场景，可直接搭配 Ultralytics YOLO 使用，适用于从交通安全和自动驾驶汽车感知到基础设施维护及结构计算机视觉检测等多种场景。

数据集结构#

裂缝分割数据集的 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：留出 112 张图像，用于训练后评估模型。
• 类别：单个 crack 类别，涵盖道路和墙面上所有经过标注的裂缝。
• 下载大小：~91.6 MB。

应用场景#

裂缝分割通过识别和评估建筑物、桥梁和道路的结构损坏，支持基础设施维护。它还能通过让自动化系统检测路面裂缝以便及时维修，提升道路安全。

在工业环境中，使用 Ultralytics YOLO26 等模型检测裂缝，有助于验证建筑物在施工中的完整性，避免制造业出现代价高昂的停机，并提升道路检查的安全性。自动对裂缝分类，让维护团队能够优先处理最紧急的维修任务。

你也可以在 Ultralytics Platform 上浏览和管理完整的裂缝分割数据集。

数据集 YAML#

YAML 文件用于定义数据集配置，其中包含数据集路径、类别及其他相关信息。裂缝分割数据集的 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#

若要在裂缝分割数据集上训练 Ultralytics YOLO26n-seg 模型 100 个 轮次，图像尺寸为 640，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，请参阅模型训练文档页面。

from ultralytics import YOLO

# 加载模型
# 建议使用 yolo26n-seg.pt 这类预训练模型，以加快收敛速度
model = YOLO("yolo26n-seg.pt")

# 在裂缝分割数据集上训练模型
# 确保可以访问 'crack-seg.yaml'，或提供完整路径
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# 训练完成后，可使用该模型进行预测或导出
# results = model.predict(source='path/to/your/images')

示例数据和标注#

下面是裂缝分割数据集的一个示例，其中叠加了实例分割掩码，标出了道路和墙面上识别出的裂缝：

该数据集涵盖多种地点、表面和光照条件，因此使用它训练的模型能够接触到各种真实场景，进而提升泛化能力。数据增强可以进一步拓展场景多样性——相关工作流程请参阅我们的实例分割与跟踪指南。

引用与致谢#

如果你在研究或开发工作中使用裂缝分割数据集，请按要求引用来源：

@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宝贵资源，尤其适用于道路安全和基础设施评估相关项目。更多数据集请访问 Ultralytics 数据集合集。

常见问题#