训练电气设备类数据集，包括配电站、绝缘子及缺陷数据集，发电站变电站数据集及红外图像，绝缘子缺陷红外图像，PCB板缺陷数据集，太阳能板缺陷检测数据集，风力发电叶片缺陷数据集以及输电线异物等，可以采用YOLOv5作为基础模型。以下是详细的步骤和代码示例，帮助你从数据准备到模型训练完成整个流程。
大规模电气数据集数据集 无人机航拍 输电线 绝缘子 配电站 PCB板 风力发电缺陷数据集 等
100类 电气设备相关数据集 电网相关应用研究数据集 输电线异物数据集 绝缘子缺陷数据集 红外与可见光数据集 变电站数据集 太阳能发电板数据集 人员作业数据集 PCB板 风力叶片数据等
该数据集主要关注输电线路航拍图像中的杆塔及金具检测任务，包含了不同类型的目标，并且提供了详细的标注信息。电气数据集类型
1.输电线路异物数据集（4500张+VOC）
2.输电线路鸟巢数据集（2000多张+VOC）
3.输电线路鸟种数据集（8000张+VOC）
4.输电线路绝缘子缺陷（4000多张+VOC）
5.配电电力部件缺陷（700多张+txt标签）
6.电力线红外与可见光图像（8000+VOC）
7.输电线路杆塔数据集（1000多张+VOC）
8.电线杆、电箱、井盖、标石（2000张+VOC）
9.电子换向器缺陷数据集（200多张+分割标签）
10.电网厂站接线图识别数据集（几十张+传统方法）
11.变电站作业人员安全行为检测数据集（2300左右+voc）
12.145G输电线路无人机巡检图像（2万多张）
13.复合绝缘子憎水性等级识别图像数据
14.电机红外图像数据集 （200多张）
15.变压器红外图像数据集（300多张）
16.PCB板缺陷数据集（2000左右+VOC）
17.电机异常声音识别数据集（Excel）
18.太阳能发电板缺陷数据集（2600多张+VOC）
19.输电线路金具及其缺陷数据集（2000张+voc）
20.变电站作业人员高空作业检测数据集（图片）
21.无人机航拍火焰数据集（29k张高清航拍影像 用于yolo）
22.光伏电池板分割数据集（4000+分割标签）
23.配网缺陷检测无人机航拍图像数据集，
（不规范绑扎，螺栓销钉缺失）数据集总共3000张左右，标注为voc格式
24.采集板、继电器、交流接触器、驱动板分类数据集（识别分类）
25.电网铝导体复合芯线X射线扫描数据集（3万多+6类缺陷）
26.太阳能电池板缺陷数据集（json+1200张左右）
27.配网绝缘子缺陷检测数据集（7000张左右+txt标签）
28.绝缘子闪络、破损等缺陷检测数据集（1000多张）
29.太阳能组件接线盒焊接数据集（7000+labme标签）
30.电流电压表文本检测数据集（494+voc）
31. 安全帽检测数据集（3000多+voc）
32. 太阳能发电量数据（excel）
33.变电站识别规范穿戴工作服数据集（3000左右图片）
34. 安全帽与反光衣检测数据集（几百张）
- 铁路旁边电气设备检测数据集（4000多+voc）
36.风力涡轮机叶片缺陷数据集（6个不同损伤程度和粗糙度+分割标签） - 绝缘子缺陷检测数据集（296+分割标签）
- 变电站设备红外图像（200张不到）
- 安全帽佩戴规范性数据集（3500+voc）
- 输电线路可见光与红外图像数据集（带分割）
- 输电线路巡检防振锤检测数据集（2231张）
- 89类家电logo检测数据集（3975+voc）
- 电力电子常用元件检测数据集（11类+440张+voc）
- 光伏板热成像缺陷数据集（227张）
- 高压线路提取数据集（714张+分割图）
- 变压器油温预测数据集（2年-7万多数据点）
- 输电线路点云图+可见光图+热力图
- 电力表（263张脱敏电表OCR图片，标注电表读数和编号）
- 变电站安全帽佩戴数据集（3248张+voc）
- 400多G无人机配网巡检图像数据集（4万张左右）
- 电网防外力破坏检测数据集（2800张+voc）
52.GIS绝缘子表面缺陷相间局部放电数据集（1200张图） - PCB板缺陷检测数据集（664张+2类+VOC）
- 区域能源规划数据（excel）
- PCB板品牌分类数据集（27个分类）
- 安全帽佩戴规范性检测数据集（3500张+VOC+头发与安全帽的关系）
- 风力涡轮机叶片 SfM 三维重建图像（531张）
- 电动机温度数据集（excel）
- 电池片焊点定位数据集（1500左右+json）
- 电网遥感目标检测数据集（1500左右+json+分割）
- 家庭用电负荷预测数据（excel）
- 2017-2019风力发电预测数据（风速、转速、发电量）
- 2019年德国四家公司风力发电数据
- 风力涡轮机表面损坏检测数据集（1万多张+yolo格式标签）
- 变电站缺陷检测数据集（不到1万+voc标签）
- 复合绝缘子憎水性等级识别数据集（4536+HC1-HC7等级+每类600左右）
- 电力系统微网故障检测数据集及代码
- 电厂远程损伤检测图像数据集（太阳能电池板大、小规格+红外热图与风力涡轮机缺陷图像）
69.风力涡轮机的无人机巡检图像（500左右+高清+无标签） - 光伏系统热成像异常检测数据集（120张+matlab代码）
- 输电杆塔与电力线航拍图像语义分割数据集（1242+json分割标签）
- 电力设备内部绝缘油泄漏检测图像数据集（300多张数据+VOC标签）
- 电力线分割提取数据集（200左右张+matlab版本分割掩码）
- 电表检测数据集（3000多张+voc+多种表型）
- 输电线路绝缘子检测数据集（556张+异物覆盖绝缘子、绝缘子、杆塔+txt标签）
- 遥感风力涡轮机检测数据集（2600多张+txt标签）
- 风电机组故障诊断数据集（excel+参考paper）
- H型配电线路目标检测数据集（5类目标+12000多张+yolo格式+表格标签）
- 输电线路树障数据集（无人机航拍图➕500多张）
- 变压器套管红外图像（可见光与红外图一一对应+共240张）
- 巡线电力安全帽数据集（295张➕voc）
- 电力安全帽检测（3437张➕voc）
- 输电线路实例分割数据集（1240多张➕json标签➕分割掩码）
- GIS局部放电缺陷检测数据集（4243+VOC标签）
- GIS局部放电缺陷检测数据集（4243张+4分类）
- 配电室状态检测数据集（200多张+coco+voc标签）
- 多晶电池组件EL图片缺陷检测（300多张+coco标签+voc标签）
- 10kV单芯电缆早期故障识别数据集(4种状态+54个特征+excel数据)
- 电力发电机局部放电相分模式图像识别数据集(900多张+3类放电)
- 33_11 KV 变电站电力负荷预测数据集(8000多数据+电压、电流功率因数、节日、温湿度等)
- 基于充电站能量差异的电动汽车路径(100个客户+21个充电站+1个车辆段)
- 输电线路巡检目标检测数据集(1400多张+voc)
- 动力电池隔膜缺陷分業教 集（6000张左右＋褶皱、起泡2类）
- 电网典型电力作业现场行为检测效据集（2400不到+VOC）
- 电网典型作业现场防高坠类违章检测（2400+VOC）
- 风力机损伤检测（3600多张+9类+json标签）
97.新能源汽车动力电池健康及寿命预测 - 29辆新能源车电池模组充放电教据
- 热复合动力电池 膜缺陷检測（60几张+VOC）
- 遥感图像下瑜电杆塔及其通道环境检測（1200张+VOC＋掩码）
- 输电线路航拍图像杆塔及金具检测（200原图左右+5类）
这个输电线路航拍图像杆塔及金具检测数据集，非常适合用于训练和评估目标检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的目标检测模型。
1. 环境搭建
首先确保安装了必要的库：
pip install torch torchvision torchaudio
git clone https://github.com/ultralytics/yolov5 # 克隆YOLOv5仓库
cd yolov5
pip install -r requirements.txt
2. 数据准备
假设你的数据集已经按照YOLO格式标注，并且分为训练集和验证集。每张图片应有对应的.txt标注文件，其格式为<class_index> <x_center> <y_center> <width> <height>，其中坐标值归一化到0-1之间。
创建数据配置文件
创建一个名为electrical_data.yaml的文件来定义数据集路径和类别信息：
train: path/to/train/images
val: path/to/valid/images
nc: 8 # 根据实际类别数量调整
names: ['substation', 'insulator', 'insulator_defect', 'power_station', 'pcb_defect', 'solar_panel_defect', 'wind_turbine_blade_defect', 'transmission_line_foreign_object']
请根据实际情况替换path/to/train/images和path/to/valid/images为你自己的路径。
3. 模型训练
使用YOLOv5的训练脚本来训练模型：
python train.py --img 640 --batch 16 --epochs 100 --data electrical_data.yaml --weights yolov5s.pt
--img: 输入图像尺寸（例如640）。--batch: 批次大小（例如16）。--epochs: 训练周期数（例如100）。--data: 数据配置文件路径（即electrical_data.yaml）。--weights: 预训练权重路径（可以使用YOLOv5的预训练模型作为起点，如yolov5s.pt）。
4. 使用训练好的权重进行推理
单张图片推理
可以使用以下命令对单张图片进行预测：
python detect.py --source path/to/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.25
批量推理
如果想要对一个目录中的所有图像进行批量推理，只需指定目录路径作为--source参数的值：
python detect.py --source path/to/images_folder --weights runs/train/exp/weights/best.pt --conf 0.25
5. 性能评估
在部署前，建议对模型进行全面的性能评估，包括但不限于mAP、召回率、精确率等指标。这可以通过运行val.py脚本完成：
python val.py --data electrical_data.yaml --weights runs/train/exp/weights/best.pt --img 640
6. 集成到应用程序中
为了将这个系统集成到更大的应用程序中，你可以直接调用YOLOv5的Python API来执行推理。这里是一个简单的示例代码片段，演示如何加载模型并对图像进行推理：
import torch
# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt') # 或者直接使用路径加载
# 图像路径
img_path = 'path/to/image.jpg'
# 推理
results = model(img_path)
# 显示结果
results.print() # 控制台输出
results.show() # 显示标注后的图像
results.save() # 保存标注后的图像到'runs/detect/exp'目录下
7. 进一步优化与部署
- 性能优化：根据实际需要调整输入尺寸、批次大小、以及后处理参数（如NMS阈值）等以达到更好的性能或准确率。
- 部署：可以选择将模型转换为ONNX格式或其他轻量级格式以便于在不同的平台上部署。YOLOv5支持导出为多种格式，方便部署到移动端或服务器端。
# 导出为ONNX格式
python export.py --weights runs/train/exp/weights/best.pt --include onnx
通过上述步骤，你可以构建一个基于深度学习YOLOv5的大规模电气设备缺陷检测系统。请根据具体的应用场景进一步定制开发，比如用户界面设计、系统集成等。希望这些信息对你有所帮助！
3万+
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
