Detector de objetos baseado na arquitetura YOLO11s (Ultralytics) treinado para identificar cinco categorias de defeitos em pavimentos urbanos a partir de imagens de superfície rodoviária. Otimizado para inferência eficiente em CPU/GPU de baixo custo, com exportações prontas para ONNX, OpenVINO, TorchScript e TensorRT.

Sumário Executivo

Item	Valor
Arquitetura	YOLO11s
Parâmetros	9.4M
GFLOPs	21.3
Resolução de treino	512x512
Resolução de inferência	512x512 (ou 640 via `.pt`)
Classes	5
Dataset de teste	1.317 imagens / 2.868 instâncias
mAP@0.5	0.594
mAP@0.5:0.95	0.293
Precision	0.642
Recall	0.550
GPU de treino	Tesla T4 (Google Colab)
Épocas	30

Classes

ID	Classe	Descrição
0	buraco	Degradamento profundo do pavimento (buraco / pothole)
1	trinca_longitudinal	Trinca no sentido da via
2	trinca_transversal	Trinca perpendicular à via
3	trinca_malha	Trinca em malha / couro de jacaré (alligator cracking)
4	tampa_bueiro	Tampa de bueiro / grelha de drenagem

Métricas por Classe (conjunto de teste)

Classe	Precision	Recall	mAP@0.5	mAP@0.5:0.95
all	0.642	0.550	0.594	0.293
buraco	0.560	0.427	0.471	0.201
trinca_longitudinal	0.611	0.468	0.505	0.231
trinca_transversal	0.525	0.395	0.426	0.160
trinca_malha	0.675	0.628	0.680	0.362
tampa_bueiro	0.840	0.829	0.887	0.511

Matriz de Confusão (normalizada)

Curva Precision-Recall

Amostras de Predição (validação)

Como Usar

Python (Ultralytics)

python

from ultralytics import YOLO

# Carrega direto do Hugging Face
model = YOLO("hf://Kodjaoglanian/pavimentos-yolo11s/weights/best.pt")

results = model("imagem.jpg", conf=0.25, imgsz=512)
for r in results:
    for box in r.boxes:
        cls_id = int(box.cls[0])
        conf = float(box.conf[0])
        x1, y1, x2, y2 = box.xyxy[0].tolist()
        print(f"{model.names[cls_id]}: {conf:.2f} {[round(v) for v in [x1,y1,x2,y2]]}")

ONNX Runtime (CPU, sem PyTorch)

python

import onnxruntime as ort
import cv2, numpy as np

session = ort.InferenceSession("best.onnx")
img = cv2.imread("imagem.jpg")
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img = cv2.resize(img, (512, 512))
img = (img.astype(np.float32) / 255.0)[None].transpose(0, 3, 1, 2)
out = session.run(None, {session.get_inputs()[0].name: img})

CLI (Ultralytics)

yolo predict model=hf://Kodjaoglanian/pavimentos-yolo11s/weights/best.pt source=./imagens/ imgsz=512

Detecção em vídeo (performance em tempo real)

Incluímos o script detectar_video.py para inferência em vídeo/arquivo com exportação de dataset YOLO (images/ + labels/):

bash

huggingface-cli download Kodjaoglanian/pavimentos-yolo11s exports/best.torchscript --local-dir ./modelo
python detectar_video.py --model ./modelo/best.torchscript --video rua.mp4 --imgsz 416

Formatos Disponíveis

Formato	Tamanho	Caminho no repo
PyTorch	19 MB	`weights/best.pt`
TorchScript	37 MB	`exports/best.torchscript`
ONNX	37 MB	`exports/best.onnx`
OpenVINO	37 MB	`exports/best_openvino_model/`
TensorRT	41 MB	`exports/best.engine`

Detalhes do Treino

Dataset

Imagens de pavimentos brasileiros consolidadas a partir de múltiplas fontes (Roboflow), unificadas em um único dataset com mapeamento de classes consistente. As 4 classes originais com anotações insuficientes (remendo, afundamento, desgaste, poça de água) foram removidas por adicionarem ruído ao treino.

Split	Imagens	Instâncias
Treino	~10.500	~23.000
Validação	~1.300	~2.900
Teste	1.317	2.868

Hiperparâmetros

Parâmetro	Valor
Modelo base	yolo11s.pt (pré-treinado COCO)
Épocas	30
Tamanho de imagem	512
Batch	auto (determinado pela memória)
Otimizador	auto (SGD c/ momentum)
LR inicial	0.01
LR final	0.01 (coseno)
Patience (early stop)	15
Dropout	0.1
Mosaic	1.0 (fecha na época 15)
Mixup	0.15
Copy-paste	0.1
HSV (H/S/V)	0.015 / 0.7 / 0.4
Flip horizontal	0.5
Auto-augment	randaugment
Erasing	0.4

Hardware

GPU: NVIDIA Tesla T4 (15 GB VRAM) — Google Colab
Treino completo: ~30 épocas em ~2h48min (~336s/época)
Pós-processamento: validação + exportação + upload automáticos

Aumento de Dados

Toda a augmentação é feita online na GPU durante o treino (Ultralytics nativo): mosaic, mixup, copy-paste, HSV jitter, flip horizontal, escala/translação, randaugment e erasing. Sem augmentação offline (Albumentations) para manter o pipeline enxuto.

Estrutura do Repositório

weights/
  best.pt                Pesos PyTorch (melhor época)
  last.pt                Pesos da última época
exports/
  best.onnx              ONNX (opset 12, entrada fixa 512x512)
  best.torchscript       TorchScript (entrada dinâmica)
  best_openvino_model/   OpenVINO IR (.xml/.bin/.yaml)
  best.engine            TensorRT (gerado na T4)
runs/
  results.csv            Métricas por época
  results.png            Gráfico de treino
  confusion_matrix*.png  Matriz de confusão
  BoxPR_curve.png        Curva Precision-Recall
  BoxF1_curve.png        Curva F1
  val_batch*_pred.jpg    Predições na validação
  train_batch*.jpg       Lotes de treino (com augmentação)
  labels.jpg             Distribuição de labels
  args.yaml              Configuração completa do treino

Treino — Evolução das Métricas

Época	mAP50	mAP50-95	Precision	Recall
1	0.269	0.112	0.313	0.317
5	0.388	0.170	0.431	0.395
10	0.467	0.213	0.487	0.478
15	0.532	0.251	0.555	0.516
20	0.579	0.279	0.595	0.563
25	0.601	0.287	0.633	0.559
30 (final)	0.601	0.287	0.638	0.565

Comparação com modelo yolo11l (H100)

Modelo irmão treinado em H100 com dataset expandido (RDD2022 + Brasil) e arquitetura yolo11l:

Métrica	yolo11l (H100)	yolo11s (este)
Parâmetros	25.3M	9.4M
GFLOPs	86.6	21.3
mAP50	0.637	0.594
mAP50-95	0.325	0.293
Imagens teste	2465	1317

O yolo11s é 2.7x menor e 4x mais leve — ideal para inferência em CPU local e tempo real, a custa de ~4% de mAP50.

Licença

A arquitetura YOLO11 é licenciada sob AGPL-3.0 pela Ultralytics. O dataset RDD2022 possui seus próprios termos. Para uso comercial, consulte a licença em docs.ultralytics.com/license.

Citação

bibtex

@software{pavimentos_yolo11s,
  author  = {Bruno Kodjaoglanian Cardoso Tulux},
  title   = {PavimentOS-YOLO11s — Pavement Defect Detection},
  year    = {2025},
  url     = {https://huggingface.co/Kodjaoglanian/pavimentos-yolo11s}
}

Kodjaoglanian/pavimentos-yolo11s

PavimentOS-YOLO11s — Detector de Defeitos em Pavimentos