Dataset visual del campus de la Universidad de Alicante para detección de obstáculos en entornos de navegación autónoma, desarrollado como Trabajo Final de Grado (TFG) en Ingeniería Informática.

Autor: Alejandro Molines Molina
Universidad: Universidad de Alicante
Repositorio GitHub: https://github.com/AlejandroMolines/amm_dataset

Descripción

dataset_campus_ua contiene 1.282 imágenes capturadas en el campus de la Universidad de Alicante y anotadas manualmente en formato YOLO para tareas de detección de obstáculos.

El objetivo del dataset es servir como base para sistemas de percepción visual orientados a robots móviles autónomos o aplicaciones de navegación peatonal inteligente.

Las imágenes fueron capturadas utilizando un iPhone 15 durante distintas sesiones de trabajo en el campus, cubriendo diferentes condiciones de iluminación, perspectivas y zonas del entorno universitario.

Las anotaciones fueron realizadas y revisadas manualmente utilizando CVAT.

Clases

Clase	Imágenes originales	Descripción
`obstaculo_fijo`	723	Farolas, bancos, papeleras, bollardos, aparcabicicletas, señalización, esculturas y otros elementos estáticos
`obstaculo_dinamico`	246	Personas, bicicletas, carritos de mantenimiento y vehículos en movimiento
`negative`	219	Imágenes sin obstáculos relevantes, utilizadas para reducir falsos positivos

División del dataset

Split	Imágenes
Train	904
Validation	187
Test	191
Total	1.282

Estructura del dataset

dataset_campus_ua/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
├── raw/
│   ├── obstaculo_fijo/
│   ├── obstaculo_dinamico/
│   └── negative/
├── metadata/
│   ├── mapping.txt
│   └── dataset_info.xlsx
└── data.yaml

Formato de anotaciones

Las anotaciones utilizan el formato YOLO normalizado:

<class_id> <x_center> <y_center> <width> <height>

Todos los valores están normalizados en el rango [0,1] respecto al tamaño de la imagen.

ID	Clase
0	`obstaculo_fijo`
1	`obstaculo_dinamico`

Configuración YOLO (`data.yaml`)

path: ./

train: images/train
val: images/val
test: images/test

nc: 2

names:
  - obstaculo_fijo
  - obstaculo_dinamico

Resultados del modelo

El modelo final entrenado sobre este dataset corresponde a una variante YOLOv8n y obtuvo los siguientes resultados sobre el conjunto de test:

Métrica	Global	obstaculo_fijo	obstaculo_dinamico
mAP50	0.625	0.544	0.707
Precisión	0.769	0.694	0.843
Recall	0.558	0.544	0.573

El modelo muestra un mejor rendimiento en obstáculos dinámicos, especialmente en la detección de personas.

Uso rápido

from ultralytics import YOLO

# Cargar pesos base
model = YOLO("yolov8n.pt")

# Entrenamiento
model.train(
    data="data.yaml",
    epochs=100,
    imgsz=640
)

# Inferencia
results = model("imagen.jpg")
results[0].show()

Aplicación web de demostración

El proyecto incluye una aplicación web capaz de ejecutar inferencia directamente en el navegador mediante ONNX Runtime Web, sin necesidad de servidor.

La aplicación permite:

Subir imágenes del campus
Ejecutar detección en tiempo real
Visualizar bounding boxes y confianza
Ejecutar inferencia completamente en cliente

Licencia

Este dataset se distribuye bajo licencia MIT.

Libre para uso académico, educativo y de investigación.

Cita

@misc{molines2026uacampus,
  author       = {Molines Molina, Alejandro},
  title        = {UA Campus Obstacle Detection Dataset},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/Moli14/amm_dataset_ua}}
}

Downloads last month: 11

Total file size:

2.74 GB

You need to agree to share your contact information to access this dataset

UA Campus Obstacle Detection Dataset