day4-group7-crack-classifier
поиск трещин на бетоне по фото
2 мин чтенияобновлено
Компактный классификатор изображений для предварительной сортировки снимков бетонных поверхностей. Модель определяет, есть ли на крупном плане трещина (crack) или поверхность целая (no_crack), и выдаёт вероятность каждого класса. В основе лежит лёгкая свёрточная архитектура ResNet18 (11,2 млн параметров) от команды студентов курса AI Methods I (IAAC MaAI), дообученная методом transfer learning (заморожены базовые слои, обучен только новый финальный классификатор из 1 026 параметров). В отличие от сложных детекторов объектов, модель не рисует рамки, а максимально быстро отсеивает пустые кадры, помогая инженерам-инспекторам и управляющим объектами в первую очередь проверять проблемные фото.
Ключевые особенности
- Сверхлёгкий вес: файл весов
model.ptзанимает всего 44,8 МБ и без проблем работает даже на CPU. - Настройка порога чувствительности: стандартный порог вероятности составляет 0,5, но для снижения риска пропуска тонких трещин авторы рекомендуют понижать его до 0,3.
- Честная валидация: в карточке подробно разобраны не только тестовые метрики, но и ошибки на новых снимках из интернета, включая ложные срабатывания на провода и царапины.
- Открытая лицензия: модель распространяется под лицензией MIT, а полный пайплайн обучения выложен на GitHub.
Что можно сделать
- Автоматически сортировать большие архивы фотографий после осмотра зданий и сооружений, выделяя кадры с вероятными дефектами.
- Нарезать панорамные или широкоугольные снимки стен на мелкие тайлы (224×224 пикселя) и прогонять их через классификатор для первичного скрининга поверхности.
- Использовать как готовый бейзлайн или учебный пример пайплайна бинарной классификации на PyTorch и torchvision.
Пример
import torch
from torch import nn
from torchvision import models
from PIL import Image
from huggingface_hub import hf_hub_download
model = models.resnet18()
model.fc = nn.Linear(model.fc.in_features, 2)
model.load_state_dict(torch.load(hf_hub_download("iaac-maai/day4-group7-crack-classifier", "model.pt"), map_location="cpu"))
model.eval()
transform = models.ResNet18_Weights.DEFAULT.transforms()
probs = torch.softmax(model(transform(Image.open("wall.jpg").convert("RGB")).unsqueeze(0)), dim=1)[0]
print("CHECK" if probs[0] >= 0.5 else "ok")
Подробнее
Метрики: Accuracy, Precision и Recall на тестовой выборке (600 фото из датасета METU) — 99,7%, на 21 новом фото из сети — 86% (Recall 80%, Precision 100%).Железо и обучение: обучена на 2 800 кропах на MacBook Pro (Apple Silicon MPS) за 2,7 минуты; для инференса достаточно CPU.
Ограничения: работает только с крупными планами голого бетона (вход 224×224 px), пропускает волосяные трещины на общих планах, может путать с трещинами провода, тени и швы; не подходит для кирпича, штукатурки и оценки аварийности конструкций.










Комментарии