无人机电力设备智能巡检检测数据集 - 缺陷检测与分类 电力巡检设备状态检测数据集 铁塔顶部 - 电缆头部异物 - 爬电距离装置头部 - 开关头部 - 陶瓷绝缘子污秽 - 导线端头部

无人机电力巡检设备状态检测数据集，6056张，yolo，voc，coco标注方式、

图像尺寸:800*800
类别数量:49类
训练集图像数量:5292; 验证集图像数量:560； 测试集图像数量:204
类别名称: 每一类图像数 ，每一类标注数
csat_tt - 铁塔顶部：244, 254

ddan_tt_vatla - 电缆头部异物：173, 175

krang_tt - 爬电距离装置头部：142, 216

kdo_tt - 开关头部：44, 60

cdien_gom_ban - 陶瓷绝缘子污秽：58, 61

csv_dz_tt - 导线端头部：193, 230

dcl_tt - 地线头部：163, 270

ddan_tt_tua - 电缆头部扭曲：104, 104

mnoi_tt - 接地装置头部：136, 161

cdien_gom_tt_vo - 陶瓷绝缘子头部破损：99, 100

ddan_tt_mon - 电缆头部腐蚀：153, 154

lbs_tt - 负荷断路开关头部：160, 185

kdre_tt - 断路器头部：131, 180

cdien_ttinh_tt_nut - (参考定义) 复合绝缘子头部裂缝：15, 15

xa_tt - 闸刀开关头部：138, 147

dbcsu_tt - 电缆保护套头部：120, 233

ddan_tran_tt - 电缆连接头部：232, 280

rec_tt - 复合开关头部：160, 224

cdien_polyme_tt_ban - 聚合物绝缘子头部污秽：121, 129

cdien_polyme_tt_rach - 聚合物绝缘子头部裂纹：103, 103

fco_tt - 熔断器头部：278, 371

cdiengomban - 陶瓷绝缘子污秽：1, 1

cbtong_tt - 总承载体（瓷瓶）头部：187, 188

kneo_tt - 锚定装置头部：268, 418

cdien_ttinh_ct_vo - 复合绝缘子本体破损：144, 150

ddan_boc_tt - 电缆护套头部：184, 223

cdien_ttinh_tt_ban - 复合绝缘子头部污秽：71, 93

cdien_ttinh_tt_vo - 复合绝缘子头部破损：26, 26

cdien_ttinh_ct_ban - 复合绝缘子本体污秽：63, 64

cdien_gom_tt_nut - 陶瓷绝缘子头部裂缝：40, 40

cbtong_ct - 总承载体（瓷瓶）本体：59, 65

cdien_polyme_ct_ban - 聚合物绝缘子本体污秽：158, 273

cdien_polyme_ct_cong - (参考定义) 聚合物绝缘子本体弯曲：123, 168

cdien_polyme_ct_rach - 聚合物绝缘子本体裂纹：147, 282

cdien_polyme_tt_cong - (参考定义) 聚合物绝缘子头部弯曲：47, 47

csat_ct - 铁塔本体：142, 182

csv_ct - 输电线本体：70, 102

dcleo_ct - 地线本体：87, 145

dcset_ct - 支撑件本体：156, 201

ddan_ct - 电缆本体：202, 315

ddan_ct_tua - 电缆本体扭曲：153, 157

ddan_ct_vatla - 电缆本体异物：168, 170

kdo_ct - 开关本体：111, 133

leo_ct - 地线接地装置本体：83, 99

tcrung_ct - 交汇处本体：94, 175

kneo_ct - 锚定装置本体：123, 180

mnoi_ct - 接地装置本体：138, 153

vday_tt - 导线头部：69, 70

ddan_tt_amon - 电缆头部腐蚀：1, 1
image num: 6056

以下是电力巡检设备状态检测数据集的结构化表格描述：

📊 类别详情表（按类别名称排序）

✅ 注：表中“电缆本体”在原始数据中以 ddan_tt 和 ddan_ct 同时出现，但根据语义应为 ddan_ct，此处按原始数据列出。所有类别均覆盖设备部件位置（头部/本体）与缺陷类型（污秽、破损、裂纹、扭曲、异物、腐蚀等）。数据集特点：细粒度分类、多部件、多缺陷类型、工业场景复杂、小目标密集。

1

电力巡检设备状态检测数据集（6056张图像，49类，800×800） 的完整、可直接运行的 YOLOv8 训练代码与配置方案，支持 YOLO、VOC、COCO 三种标注格式中的任意一种（推荐使用 YOLO 格式训练）。

✅ 一、前提条件

1. 安装依赖

pip install ultralytics opencv-python numpy pandas tqdm 

ultralytics 是官方 YOLOv8 库，支持检测、分类、分割等任务。

✅ 二、数据准备（YOLO 格式）

假设同学你的数据已按以下结构组织：

PowerInspectionDataset/ ├── images/ │ ├── train/ # 5292 张 │ ├── val/ # 560 张 │ └── test/ # 204 张 └── labels/ ├── train/ ├── val/ └── test/ 

每张图像 xxx.jpg 对应一个 xxx.txt，内容为：

<class_id> <x_center> <y_center> <width> <height> # 归一化到 [0,1] 

✅ 三、类别中文名称 → YOLO 配置文件（power_data.yaml）

创建 power_data.yaml 文件：

# power_data.yamltrain: ./PowerInspectionDataset/images/train val: ./PowerInspectionDataset/images/val test: ./PowerInspectionDataset/images/test nc:49# 类别数量names:- 铁塔顶部 - 电缆头部异物 - 爬电距离装置头部 - 开关头部 - 陶瓷绝缘子污秽 - 导线端头部 - 地线头部 - 电缆头部扭曲 - 接地装置头部 - 陶瓷绝缘子头部破损 - 电缆头部腐蚀 - 负荷断路开关头部 - 断路器头部 - 复合绝缘子头部裂缝 - 闸刀开关头部 - 电缆保护套头部 - 电缆连接头部 - 复合开关头部 - 聚合物绝缘子头部污秽 - 聚合物绝缘子头部裂纹 - 陶瓷绝缘子污秽 - 总承载体（瓷瓶）头部 - 锚定装置头部 - 复合绝缘子本体破损 - 电缆护套头部 - 复合绝缘子头部污秽 - 复合绝缘子头部破损 - 复合绝缘子本体污秽 - 陶瓷绝缘子头部裂缝 - 总承载体（瓷瓶）本体 - 聚合物绝缘子本体污秽 - 聚合物绝缘子本体弯曲 - 聚合物绝缘子本体裂纹 - 聚合物绝缘子头部弯曲 - 铁塔本体 - 输电线本体 - 地线本体 - 支撑件本体 - 电缆本体 - 电缆本体扭曲 - 电缆本体异物 - 开关本体 - 地线接地装置本体 - 交汇处本体 - 锚定装置本体 - 接地装置本体 - 导线头部 - 电缆头部腐蚀 - 熔断器头部 

⚠️ 注意：YOLOv8 默认支持中文类别名（保存模型和推理时会正常显示），但部分可视化工具可能需 UTF-8 编码支持。

✅ 四、训练脚本（train_power.py）

# train_power.pyfrom ultralytics import YOLO import os defmain():# 创建输出目录 os.makedirs("runs/power_inspection", exist_ok=True)# 加载预训练模型（建议使用 yolov8s 或 yolov8m） model = YOLO('yolov8s.pt')# 可替换为 'yolov8m.pt' / 'yolov8l.pt'# 开始训练 results = model.train( data='power_data.yaml',# 数据配置文件 epochs=150,# 建议 100~200（根据收敛情况调整） imgsz=800,# 图像尺寸（与数据一致） batch=16,# 根据 GPU 显存调整（32GB 可用 32） name='yolov8s_power_800', project='runs/power_inspection', device=0,# GPU ID，多卡可用 [0,1] workers=8, cache=False,# 若内存充足可设为 True 加速 optimizer='AdamW', lr0=0.01,# 初始学习率 lrf=0.01,# 最终学习率 = lr0 * lrf momentum=0.937, weight_decay=0.0005, warmup_epochs=3, patience=30,# 早停：验证损失不再下降则停止 save=True, save_period=10,# 每10个epoch保存一次 verbose=True, plots=True,# 生成训练曲线图)print(f"✅ 训练完成！最佳模型路径：{results.save_dir}/weights/best.pt")if __name__ =='__main__': main()

✅ 五、命令行快速训练（可选）

你也可以直接使用命令行（无需写 Python 脚本）：

yolo detect train \data=power_data.yaml \model=yolov8s.pt \epochs=150\imgsz=800\batch=16\name=yolov8s_power_800 \project=runs/power_inspection \device=0\optimizer=AdamW \lr0=0.01\patience=30

✅ 六、验证与测试

验证模型性能：

from ultralytics import YOLO model = YOLO('runs/power_inspection/yolov8s_power_800/weights/best.pt') metrics = model.val(data='power_data.yaml')print(metrics.box.map)# [email protected]:0.95

对单张图像推理：

results = model('test_image.jpg') results[0].show()# 显示带中文标签的结果

✅ 七、如果原始标注是 VOC 或 COCO？

▶ 若是 VOC 格式（XML）：

使用以下脚本转换为 YOLO 格式（需提前安装 xmltodict）：

# voc2yolo.pyimport os import xml.etree.ElementTree as ET from pathlib import Path class_names =["铁塔顶部","电缆头部异物","爬电距离装置头部","开关头部","陶瓷绝缘子污秽","导线端头部","地线头部","电缆头部扭曲","接地装置头部","陶瓷绝缘子头部破损","电缆头部腐蚀","负荷断路开关头部","断路器头部","复合绝缘子头部裂缝","闸刀开关头部","电缆保护套头部","电缆连接头部","复合开关头部","聚合物绝缘子头部污秽","聚合物绝缘子头部裂纹","陶瓷绝缘子污秽","总承载体（瓷瓶）头部","锚定装置头部","复合绝缘子本体破损","电缆护套头部","复合绝缘子头部污秽","复合绝缘子头部破损","复合绝缘子本体污秽","陶瓷绝缘子头部裂缝","总承载体（瓷瓶）本体","聚合物绝缘子本体污秽","聚合物绝缘子本体弯曲","聚合物绝缘子本体裂纹","聚合物绝缘子头部弯曲","铁塔本体","输电线本体","地线本体","支撑件本体","电缆本体","电缆本体扭曲","电缆本体异物","开关本体","地线接地装置本体","交汇处本体","锚定装置本体","接地装置本体","导线头部","电缆头部腐蚀","熔断器头部"]defconvert_voc_to_yolo(voc_dir, yolo_dir, image_dir): os.makedirs(yolo_dir, exist_ok=True)for xml_file in Path(voc_dir).glob("*.xml"): tree = ET.parse(xml_file) root = tree.getroot() img_w =int(root.find('size/width').text) img_h =int(root.find('size/height').text) yolo_lines =[]for obj in root.findall('object'): cls_name = obj.find('name').text if cls_name notin class_names:continue cls_id = class_names.index(cls_name) bndbox = obj.find('bndbox') xmin =int(bndbox.find('xmin').text) ymin =int(bndbox.find('ymin').text) xmax =int(bndbox.find('xmax').text) ymax =int(bndbox.find('ymax').text) x_center =(xmin + xmax)/2/ img_w y_center =(ymin + ymax)/2/ img_h width =(xmax - xmin)/ img_w height =(ymax - ymin)/ img_h yolo_lines.append(f"{cls_id}{x_center:.6f}{y_center:.6f}{width:.6f}{height:.6f}")withopen(os.path.join(yolo_dir, xml_file.stem +'.txt'),'w')as f: f.write('\n'.join(yolo_lines))# 使用示例 convert_voc_to_yolo('annotations/voc/train','labels/train','images/train')

▶ 若是 COCO 格式：

YOLOv8 原生支持 COCO，只需在 power_data.yaml 中指定 train: path/to/coco/train.json 即可，但需确保类别顺序一致。

✅ 八、训练建议