无人机电力设备智能巡检检测数据集：缺陷检测与分类

无人机电力设备智能巡检检测数据集

本文介绍了一个包含 6056 张图像的无人机电力巡检设备状态检测数据集，涵盖铁塔、绝缘子、电缆等 49 类缺陷。数据标注格式支持 YOLO、VOC 及 COCO。

数据集概述

属性类别	详细信息
数据集名称	电力巡检设备状态检测数据集（Power Inspection Defect Detection Dataset）
总图像数量	6,056 张
图像尺寸	800 × 800 像素
标注格式支持	YOLO、PASCAL VOC、COCO（三种格式均提供）
类别总数	49 类
数据划分	- 训练集：5,292 张 - 验证集：560 张 - 测试集：204 张

类别详情表

类别 ID	类别名称	中文名称	图像数	标注实例数
1	csat_tt	铁塔顶部	244	254
2	csat_ct	铁塔本体	142	182
3	cdien_gom_ban	陶瓷绝缘子污秽	58	61
4	cdien_gom_tt_nut	陶瓷绝缘子头部裂缝	40	40
5	cdien_gom_tt_vo	陶瓷绝缘子头部破损	99	100
6	cbtong_tt	总承载体（瓷瓶）头部	187	188
7	cbtong_ct	总承载体（瓷瓶）本体	59	65
8	cdien_polyme_tt_ban	聚合物绝缘子头部污秽	121	129
9	cdien_polyme_tt_rach	聚合物绝缘子头部裂纹	103	103
10	cdien_polyme_tt_cong	聚合物绝缘子头部弯曲	47	47
11	cdien_polyme_ct_ban	聚合物绝缘子本体污秽	158	273
12	cdien_polyme_ct_rach	聚合物绝缘子本体裂纹	147	282
13	cdien_polyme_ct_cong	聚合物绝缘子本体弯曲	123	168
14	cdien_ttin_h_tt_ban	复合绝缘子头部污秽	71	93
15	cdien_ttin_h_tt_vo	复合绝缘子头部破损	26	26
16	cdien_ttin_h_tt_nut	复合绝缘子头部裂缝	15	15
17	cdien_ttin_h_ct_ban	复合绝缘子本体污秽	63	64
18	cdien_ttin_h_ct_vo	复合绝缘子本体破损	144	150
19	csv_dz_tt	导线端头部	193	230
20	vday_tt	导线头部	69	70
21	csv_ct	输电线本体	70	102
22	dcl_tt	地线头部	163	270
23	dcleo_ct	地线本体	87	145
24	leo_ct	地线接地装置本体	83	99
25	mnoi_tt	接地装置头部	136	161
26	mnoi_ct	接地装置本体	138	153
27	kneo_tt	锚定装置头部	268	418
28	kneo_ct	锚定装置本体	123	180
29	dcset_ct	支撑件本体	156	201
30	ddan_tt	电缆本体	202	315
31	ddan_ct	电缆本体	202	315
32	ddan_tt_tua	电缆头部扭曲	104	104
33	ddan_ct_tua	电缆本体扭曲	153	157
34	ddan_tt_vatla	电缆头部异物	173	175
35	ddan_ct_vatla	电缆本体异物	168	170
36	ddan_tt_mon	电缆头部腐蚀	153	154
37	ddan_tran_tt	电缆连接头部	232	280
38	dbcsu_tt	电缆保护套头部	120	233
39	ddan_boc_tt	电缆护套头部	184	223
40	kdo_tt	开关头部	44	60
41	kdo_ct	开关本体	111	133
42	xa_tt	闸刀开关头部	138	147
43	lbs_tt	负荷断路开关头部	160	185
44	rec_tt	复合开关头部	160	224
45	kdre_tt	断路器头部	131	180
46	fco_tt	熔断器头部	278	371
47	tcrung_ct	交汇处本体	94	175

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）。数据集特点为细粒度分类、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）。

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）

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]

三、类别配置文件（power_data.yaml）

创建 power_data.yaml 文件：

# power_data.yaml
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
  - 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

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.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                   
    )
    ()

 __name__ == :
    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.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", "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", "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", "熔断器头部"
]

def convert_voc_to_yolo():
    os.makedirs(yolo_dir, exist_ok=)
     xml_file  Path(voc_dir).glob():
        tree = ET.parse(xml_file)
        root = tree.getroot()
        img_w = (root.find().text)
        img_h = (root.find().text)
        yolo_lines = []
         obj  root.findall():
            cls_name = obj.find().text
             cls_name   class_names:
                
            cls_id = class_names.index(cls_name)
            bndbox = obj.find()
            xmin = (bndbox.find().text)
            ymin = (bndbox.find().text)
            xmax = (bndbox.find().text)
            ymax = (bndbox.find().text)
            x_center = (xmin + xmax) /  / img_w
            y_center = (ymin + ymax) /  / img_h
            width = (xmax - xmin) / img_w
            height = (ymax - ymin) / img_h
            yolo_lines.append()
         (os.path.join(yolo_dir, xml_file.stem + ), )  f:
            f.write(.join(yolo_lines))

▶ 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

项目	建议
模型选择	小目标多 → 用 `yolov8s` 或 `yolov8m`；精度优先 → `yolov8l`
输入尺寸	800×800（与数据一致）
Batch Size	16~32（取决于 GPU 显存）
Epochs	100~200（观察验证 loss 是否收敛）
增强策略	默认已包含 Mosaic、HSV、翻转等，适合电力小目标
评估指标	关注 `[email protected]` 和各类别 AP（尤其稀有类如'电缆头部腐蚀'仅 1 例）

无人机电力设备智能巡检检测数据集：缺陷检测与分类

无人机电力设备智能巡检检测数据集

数据集概述

类别详情表

YOLOv8 训练方案

一、前提条件

1. 安装依赖

二、数据准备（YOLO 格式）

三、类别配置文件（power_data.yaml）

四、训练脚本（train_power.py）

五、命令行快速训练（可选）

六、验证与测试

验证模型性能：

对单张图像推理：

七、如果原始标注是 VOC 或 COCO？

▶ 若是 VOC 格式（XML）：

▶ 若是 COCO 格式：

八、训练建议

更多推荐文章

相关免费在线工具

无人机电力设备智能巡检检测数据集：缺陷检测与分类

无人机电力设备智能巡检检测数据集

数据集概述

类别详情表

YOLOv8 训练方案

一、前提条件

1. 安装依赖

二、数据准备（YOLO 格式）

三、类别配置文件（power_data.yaml）

四、训练脚本（train_power.py）

五、命令行快速训练（可选）

六、验证与测试

验证模型性能：

对单张图像推理：

七、如果原始标注是 VOC 或 COCO？

▶ 若是 VOC 格式（XML）：

▶ 若是 COCO 格式：

八、训练建议

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具