Road Damage Detection Dataset
Conjunto de datos dedicado a la detección de daños en las carreteras: baches, grietas, placas de alcantarillado. Contiene más de 4.000 imágenes con anotaciones sobre la detección de objetos, lo que resulta ideal para los sistemas de IA de mantenimiento predictivo.
4.018 archivos de imagen y anotaciones para la detección, formatos clásicos (JPG + JSON)
MIT
Descripción
Este conjunto de datos contiene 4.018 imágenes anotadas que muestran tres tipos de fallas viales comunes: baches, grietas y mira. Se proporcionan anotaciones para las tareas de detección de objetos (casillas delimitadoras), lo que facilita la formación de modelos de visión artificial en el campo de la infraestructura vial.
¿Para qué sirve este conjunto de datos?
- Modelos de formación para la detección automática de daños en carreteras
- Optimización del mantenimiento urbano con sensores integrados (vehículos, drones)
- Desarrollar herramientas de análisis para las autoridades locales o los operadores de carreteras
¿Se puede enriquecer o mejorar?
Sí, este conjunto de datos se puede enriquecer con otros defectos (deformaciones, charcos, señalización desgastada) o fusionando las imágenes con datos temporales o de GPS. Los métodos de aumento (rotación, luminosidad) también pueden reforzar la solidez del modelo.
🔎 En resumen
🧠 Recomendado para
- Proyectos de ciudades inteligentes
- Ingeniería civil
- IA integrada en vehículos
🔧 Herramientas compatibles
- Yolo V5
- Roboflow
- OpenCV
- Detector 2
- Ultralítica
💡 Consejo
Utilice la clasificación cruzada de los tipos de defectos para adaptar los umbrales de alerta según la gravedad (por ejemplo, baches = intervención rápida).
Preguntas frecuentes
¿Este conjunto de datos contiene anotaciones segmentadas o solo cuadros delimitadores?
Las anotaciones se proporcionan en forma de recuadros delimitadores, en formato COCO, sin una segmentación precisa.
¿Se puede usar para entrenar un modelo integrado en un vehículo?
Sí, su tamaño y formato lo hacen compatible con modelos en tiempo real como YoloV5 integrados en sistemas móviles.
¿El conjunto de datos contiene imágenes de diferentes condiciones meteorológicas?
No se especificó. Para obtener los mejores resultados, es recomendable realizar un aumento para simular las variaciones de iluminación.
