Downloads · 30 days
0
ArufaDesuwa/Yolo-Pothole-Detection
Yolo-Pothole-Detection is a machine learning model from ArufaDesuwa. Use it for the machine learning task on the model card, and read the license before you ship it in a product.
[](https://opensource.org/licenses/MIT) [](https://huggingface.co/DityaEn/Yolo-Pothole-Detection)
Downloads · 30 days
0
Access
Public
Updated Jan 4, 2026
Repo size
47 MB
Likes
1
Public
Click a slice to open those files.
.pt57.5 MB · 86%
From the Hugging Face model README
Model deteksi objek untuk mendeteksi lubang (pothole) dan kerusakan jalan menggunakan YOLO11.
Model ini merupakan fine-tuned version dari Ultralytics YOLO11 yang dilatih khusus untuk mendeteksi:
Model ini dapat digunakan untuk sistem monitoring kondisi jalan, aplikasi perawatan infrastruktur, atau sistem peringatan dini untuk pengendara.
Model ini dilatih menggunakan Pothole Object Detection Dataset dari Roboflow Universe yang terdiri dari:
python >= 3.8
pip >= 21.0
pip install ultralytics
pip install torch torchvision
pip install opencv-python
pip install huggingface-hub
from huggingface_hub import hf_hub_download
from ultralytics import YOLO
# Download model
model_path = hf_hub_download(
repo_id="DityaEn/Yolo-Pothole-Detection",
filename="best.pt" # atau nama file model yang sesuai
)
# Load model
model = YOLO(model_path)
# Prediksi pada single image
results = model("path/to/image.jpg")
# Tampilkan hasil
for result in results:
result.show() # Tampilkan gambar dengan bounding boxes
# Atau simpan hasil
results[0].save("output.jpg")
# Prediksi pada video
results = model("path/to/video.mp4")
# Process setiap frame
for result in results:
result.show()
# Gunakan webcam (0 untuk default camera)
results = model(source=0, show=True)
# Prediksi multiple images
results = model(["image1.jpg", "image2.jpg", "image3.jpg"])
for i, result in enumerate(results):
result.save(f"output_{i}.jpg")
# Mendapatkan deteksi details
results = model("road_image.jpg")
for result in results:
boxes = result.boxes # Bounding boxes
for box in boxes:
class_id = int(box.cls[0])
confidence = float(box.conf[0])
bbox = box.xyxy[0].tolist() # [x1, y1, x2, y2]
print(f"Class: {model.names[class_id]}")
print(f"Confidence: {confidence:.2f}")
print(f"Bounding Box: {bbox}")
Kontribusi sangat diterima! Jika Anda ingin berkontribusi:
git checkout -b feature/AmazingFeature)git commit -m 'Add some AmazingFeature')git push origin feature/AmazingFeature)Project ini dilisensikan di bawah MIT License - lihat file LICENSE untuk detail.
DityaEn
Jika Anda memiliki pertanyaan atau masalah:
⭐ Jika project ini bermanfaat, berikan star di Hugging Face!