电力巡检设备状态检测数据集：缺陷检测与分类

注：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。

YOLOv8 训练方案

以下是电力巡检设备状态检测数据集的完整、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）。

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。

数据准备（YOLO 格式）

请确保数据按以下结构组织：

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]

类别配置文件（power_data.yaml）

创建 power_data.yaml 文件：

train: ./PowerInspectionDataset/images/train
val: ./PowerInspectionDataset/images/val
test: ./PowerInspectionDataset/images/test
nc: 49
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。

训练脚本（train_power.py）

# train_power.py
from ultralytics import YOLO
import os

def main():
    # 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()

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

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

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.py
import 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"
]

def convert_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 not in 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}")
        with open(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。

训练建议