深度学习框架 YOLOV8模型如何训练 智慧电力设备配网绝缘导线烧伤检测图像数据集建立深度学习绝缘输电线导线烧伤检测框架

电力设备 电力设备配网绝缘导线烧伤检测图像数据集

属性	详情
数据集名称	配网绝缘导线烧伤检测数据集（Distribution Insulated Conductor Burn Detection Dataset）
总图像数量	1,500+ 张
图像内容	户外配电线路中绝缘导线的局部特写，包含不同程度的烧伤、熔融、碳化、鼓包等缺陷
拍摄环境	多光照条件（晴天/阴天/逆光）、多角度（地面手持、无人机航拍）、多季节背景
标注格式	PASCAL VOC（.xml），可一键转换为 YOLO（.txt）格式
任务类型	目标检测（定位烧伤区域）或图像分类（按损伤等级）
类别数量	1 类（默认）或可扩展为多级损伤分类
典型类别标签	burn_damage（烧伤缺陷） （部分数据集可能细分为：mild_burn, severe_burn, melted, carbonized 等）
标注质量	边界框精准覆盖烧伤区域，由电力运维专家审核
适用模型	YOLOv5/v8/v10、Faster R-CNN、SSD 等目标检测框架
应用场景	电网智能巡检、无人机自动诊断、配网设备健康评估、预防性维护预警

1


：

✅ VOC → YOLO 格式转换脚本
✅ YOLOv8 训练代码（支持单类/多类）
✅ 模型验证与推理示例
✅ 部署建议

---

一、数据目录结构（原始 VOC）

insulation_burn_dataset/
├── JPEGImages/          # 所有图像 (.jpg)
└── Annotations/         # 对应标注 (.xml)

假设类别为单类：burn_damage（若为多类，请确保 XML 中 <name> 字段一致）

---

二、VOC 转 YOLO 格式脚本（voc2yolo.py）

# voc2yolo.py
import os
import xml.etree.ElementTree as ET
from tqdm import tqdm
# 配置
CLASS_NAMES = ['burn_damage']  # 单类；若多类，请按顺序列出，如 ['mild', 'severe']
DATASET_PATH = 'insulation_burn_dataset'
OUTPUT_PATH = 'insulation_burn_yolo'
os.makedirs(f'{OUTPUT_PATH}/images/train', exist_ok=True)
os.makedirs(f'{OUTPUT_PATH}/labels/train', exist_ok=True)
# 获取所有 XML 文件
xml_files = [f for f in os.listdir(f'{DATASET_PATH}/Annotations') if f.endswith('.xml')]
def convert_bbox(size, box):
dw = 1.0 / size[0]
dh = 1.0 / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
w = box[1] - box[0]
h = box[3] - box[2]
return (x * dw, y * dh, w * dw, h * dh)
for xml_file in tqdm(xml_files, desc="转换 VOC → YOLO"):
tree = ET.parse(f'{DATASET_PATH}/Annotations/{xml_file}')
root = tree.getroot()
image_name = root.find('filename').text
img_path = f'{DATASET_PATH}/JPEGImages/{image_name}'
# 复制图像到新目录
import shutil
shutil.copy(img_path, f'{OUTPUT_PATH}/images/train/{image_name}')
# 获取图像尺寸
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
# 写入 YOLO 标签文件
label_file = open(f'{OUTPUT_PATH}/labels/train/{xml_file.replace(".xml", ".txt")}', 'w')
for obj in root.iter('object'):
cls_name = obj.find('name').text
if cls_name not in CLASS_NAMES:
continue
cls_id = CLASS_NAMES.index(cls_name)
xmlbox = obj.find('bndbox')
b = (
float(xmlbox.find('xmin').text),
float(xmlbox.find('xmax').text),
float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text)
)
bb = convert_bbox((w, h), b)
label_file.write(f"{cls_id} {' '.join([str(a) for a in bb])}\n")
label_file.close()
print("✅ VOC → YOLO 转换完成！")

✅ 运行后生成：

insulation_burn_yolo/
├── images/train/
└── labels/train/

---

三、划分训练/验证集（可选）

由于数据量较小（1500+），建议手动划分或使用以下脚本：

# split_train_val.py
import os
import random
import shutil
IMG_DIR = 'insulation_burn_yolo/images/train'
LBL_DIR = 'insulation_burn_yolo/labels/train'
OUT_DIR = 'insulation_burn_yolo'
os.makedirs(f'{OUT_DIR}/images/val', exist_ok=True)
os.makedirs(f'{OUT_DIR}/labels/val', exist_ok=True)
files = [f for f in os.listdir(IMG_DIR) if f.endswith('.jpg')]
random.seed(42)
random.shuffle(files)
val_files = files[:300]  # 约 20% 作为验证集
for f in val_files:
# 移动图像
shutil.move(f'{IMG_DIR}/{f}', f'{OUT_DIR}/images/val/{f}')
# 移动标签
lbl = f.replace('.jpg', '.txt')
shutil.move(f'{LBL_DIR}/{lbl}', f'{OUT_DIR}/labels/val/{lbl}')
print(f"✅ 划分完成：训练集 {len(files)-300} 张，验证集 300 张")

---

四、配置文件 burn_defect.yaml

path: ./insulation_burn_yolo
train: images/train
val: images/val
nc: 1
names: ['burn_damage']

若为多类（如 3 类），则：

nc: 3
names: ['mild_burn', 'severe_burn', 'melted']

---

五、YOLOv8 训练代码（train_burn.py）

# train_burn.py
from ultralytics import YOLO
# 1. 加载预训练模型（推荐 yolov8s）
model = YOLO('yolov8s.pt')
# 2. 开始训练
results = model.train(
data='burn_defect.yaml',
epochs=150,
imgsz=640,               # 导线烧伤区域通常较小，640 足够
batch=16,                # 根据 GPU 显存调整（16GB 可设 32）
name='burn_defect_yolov8s',
device=0,
workers=8,
patience=30,
save=True,
exist_ok=True,
# 数据增强（提升小缺陷识别）
hsv_h=0.015,
hsv_s=0.7,
hsv_v=0.6,
degrees=10.0,
translate=0.1,
scale=0.5,
shear=2.0,
perspective=0.001,
fliplr=0.5,
mosaic=1.0,              # 合成多图提升小目标召回
mixup=0.1,
copy_paste=0.3           # 对稀有烧伤样本增强
)
print("✅ 训练完成！最佳模型路径：", results.save_dir / 'weights' / 'best.pt')

---

六、模型验证与推理

1. 验证性能

from ultralytics import YOLO
model = YOLO('runs/detect/burn_defect_yolov8s/weights/best.pt')
metrics = model.val(data='burn_defect.yaml')
print(f"mAP@0.5: {metrics.box.map50:.4f}")

2. 单图推理

results = model('test_wire.jpg', conf=0.25)
annotated = results[0].plot()
cv2.imwrite('burn_result.jpg', annotated)

3. 视频流检测（无人机巡检）

cap = cv2.VideoCapture('drone_inspection.mp4')
while cap.isOpened():
ret, frame = cap.read()
if not ret: break
results = model(frame, conf=0.2)
annotated = results[0].plot()
cv2.imshow('Burn Detection', annotated)
if cv2.waitKey(1) == ord('q'): break
cap.release()
cv2.destroyAllWindows()

---