paulococato/pavement-defect-classifier

🛣️ Pavement Defect Classifier / Classificador de Defeitos em Pavimentos

Um modelo de classificação de imagens para detectar defeitos em pavimentos rodoviários, treinado com fine-tuning de MobileNetV2 no dataset PaveBench.

An image classification model to detect road pavement defects, fine-tuned from MobileNetV2 on the PaveBench dataset.

Resultados / Results

Metric	Value
Accuracy	87.6%
F1 Score (weighted)	0.877
Validation Loss	0.326
Model Size	8.7 MB
Parameters	2.2M
Inference Speed	~5ms/image (CPU)

Classes (6)

ID	Label	PT-BR	Description
0	alligator_crack	Trinca Jacaré	Interconnected cracks forming a scale pattern. Indicates severe structural failure.
1	longitudinal_crack	Trinca Longitudinal	Crack parallel to the road axis. May indicate fatigue or construction joint.
2	negative	Sem Defeito	Normal pavement surface, no visible defects.
3	patch	Remendo	Previously repaired area. Indicates prior maintenance.
4	pothole	Buraco	Cavity in the pavement surface. Immediate safety risk.
5	transverse_crack	Trinca Transversal	Crack perpendicular to the road axis. Usually caused by thermal variation.

Uso / Usage

Python (Transformers Pipeline)

from transformers import pipeline

classifier = pipeline("image-classification", model="paulococato/pavement-defect-classifier")
result = classifier("path/to/pavement_image.jpg")

for pred in result:
    print(f"{pred['label']}: {pred['score']:.1%}")
# Example output:
# pothole: 92.3%
# alligator_crack: 4.1%
# patch: 2.0%

Gradio Demo

👉 Testar no Space

API (cURL)

curl -X POST \
  https://paulococato-pavement-defect-classifier.hf.space/api/predict \
  -H "Content-Type: multipart/form-data" \
  -F "data=@pavement_image.jpg"

Training Details

Parameter	Value
Base Model	google/mobilenet_v2_1.0_224
Dataset	MML-Group/PaveBench
Training Images	16,096 (filtered from 20,124)
Image Size	224×224
Batch Size	64 (effective: 16 × 4 grad accum)
Learning Rate	3e-4 (cosine schedule, 10% warmup)
Epochs	5
Optimizer	AdamW
Framework	Transformers 5.5.4, PyTorch 2.11.0

Training Progress

Epoch	Train Loss	Val Loss	Accuracy	F1
1	2.49	0.53	80.8%	0.813
2	1.81	0.46	83.6%	0.841
3	1.67	0.49	82.3%	0.825
4	1.28	0.31	89.4%	0.892
5	1.34	0.33	87.6%	0.877

Dataset Distribution

Class	Train Samples	%
negative (sem defeito)	6,613	41.1%
longitudinal_crack	3,060	19.0%
transverse_crack	2,456	15.3%
patch	2,045	12.7%
alligator_crack	1,672	10.4%
pothole	250	1.6% ⚠️

⚠️ A classe pothole tem apenas 250 amostras de treino. A precisão para esta classe pode ser menor.

Limitações / Limitations

O que este modelo FAZ ✅

• Classifica defeitos na superfície do pavimento (asfalto/concreto)
• Funciona melhor com imagens top-down (câmera apontada para o chão)
• Rápido o suficiente para uso em tempo real (~5ms/imagem em CPU)

O que este modelo NÃO FAZ ❌

• NÃO detecta sinalização (placas, faixas, balizadores)
• NÃO detecta defensas metálicas (guardrails)
• NÃO detecta drenagem, meio-fio, ou outros elementos da rodovia
• NÃO faz detecção de objetos (apenas classificação da imagem inteira)
• NÃO estima severidade quantitativa (área, profundidade)

Viés conhecido

• Treinado majoritariamente em pavimentos asiáticos (PaveBench) — pode ter desempenho diferente em pavimentos brasileiros
• Desbalanceamento: classe "pothole" sub-representada (1.6% dos dados)
• Melhor performance em imagens 512×512 com boa iluminação

Versões / Versions

Tag	Date	Description
v1.0	2025-04	MobileNetV2 inicial — 87.6% accuracy

Citação / Citation

@misc{pavement-defect-classifier,
  title={Pavement Defect Classifier},
  author={paulococato},
  year={2025},
  publisher={Hugging Face},
  url={https://huggingface.co/paulococato/pavement-defect-classifier}
}

Dataset:

@article{pavebench2025,
  title={PaveBench: A Comprehensive Benchmark for Pavement Distress Detection},
  author={MML-Group},
  year={2025},
  journal={arXiv preprint arXiv:2604.02804}
}