day4-group4-rc-damage-segmentation
поиск дефектов бетона на фото
2 мин чтенияобновлено
Компьютерное зрение для первичной сортировки снимков при обследовании зданий, мостов и парковок: модель находит и обводит по контуру пять типов повреждений железобетона — трещины, отслоение бетона, оголённую арматуру, коррозию арматуры и раздавливание. Она основана на лёгкой архитектуре YOLO26n-seg (3,1 млн параметров, предобучена на COCO) от библиотеки Ultralytics, дообученной командой студентов IAAC MaAI на датасете из 2119 фотографий повреждённых конструкций. В отличие от базовой YOLO26n-seg, которая вообще не знает строительных дефектов, этот файнтюн позволяет быстро отфильтровать архив осмотра, чтобы инженер в первую очередь изучил самые проблемные участки.
Ключевые особенности
- Пять классов дефектов: выделяет трещины (
crack), сколы/отслоения (spalling), оголённую (rebar_exposure) и ржавую арматуру (rebar_corrosion), а также разрушение при сжатии (crushing). - Попиксельная сегментация: на выходе для каждого дефекта модель возвращает точную маску контура, ограничивающую рамку (bounding box), класс и оценку уверенности.
- Лёгкая и быстрая архитектура: всего 3,1 млн параметров и разрешение входа 640 пикселей по длинной стороне — подходит для массовой обработки фото без тяжёлых серверов.
- Честная валидация без утечек: авторы сгруппировали дубликаты, повороты и кропы из исходного датасета так, чтобы похожие кадры не попадали одновременно в обучение и тест.
Что можно сделать
- Автоматическая сортировка фотоотчётов: прогнать сотни снимков после обследования мостов, эстакад или подземных паркингов, чтобы отранжировать кадры по серьёзности найденных повреждений.
- Прототип помощника инспектора: встроить модель в пайплайн на Python с библиотекой Ultralytics для предварительной разметки дефектов перед ручной проверкой специалистом.
Пример
from huggingface_hub import hf_hub_download
from ultralytics import YOLO
model = YOLO(hf_hub_download("iaac-maai/day4-group4-rc-damage-segmentation", "model.pt"))
result = model.predict("column.jpg", conf=0.30, imgsz=640)[0]
for cls, conf in zip(result.boxes.cls, result.boxes.conf):
print(model.names[int(cls)], round(float(conf), 2))
result.save("column_damage.jpg")Подробнее
Метрики на тесте (303 фото): mask mAP50 — 0.478, mask mAP50-95 — 0.301; при пороге conf=0.30 precision составляет 0.75, recall — 0.69.Лучше всего распознаются частые классы: трещины (AP50 0.83) и коррозия арматуры (AP50 0.78); редкие классы (отслоение, раздавливание, оголённая арматура без ржавчины) имеют AP50 0.22–0.28.
Обучение: 50 эпох (batch 16, размер 640) на ноутбуке с чипом Apple M4 заняло 90 минут; лицензия — AGPL-3.0.
Ограничения: не предназначена для самостоятельной оценки несущей способности без инженера, не измеряет ширину трещин в миллиметрах и может ложно срабатывать на тени, швы, граффити или мокрый бетон.










Комментарии