如何训练自己的数据集之——高压绝缘子红外检测数据集
高压绝缘子红外检测数据集YOLO格式 数据集均含有txt标签和yaml配置文件 300张 红外绝缘子 绝缘子红外数据集 红海外绝缘子数据集 yolov5-yolov10通用 绝缘子红外数据集 yolo
高压绝缘子红外检测数据集介绍
数据集概述
该数据集专为高压绝缘子的红外检测设计，包含300张红外图像，每张图像均附带有YOLO格式的.txt标签文件，并配有.yaml配置文件。以下是该数据集的详细信息：
- 数据量 ：共300张图像。
- 数据格式 ：每张图像均附有
.txt标签文件（YOLO格式）。 - 配置文件 ：包含一个
.yaml文件，用于描述数据集的配置信息。
数据集特点
- 专业性强 ：专为高压绝缘子的红外检测设计，适用于电力设备的远程监测和故障诊断。
- 数据完整性 ：每张图像均附有详细的标签信息，便于模型学习。
- 格式统一 ：所有标签统一为YOLO格式，方便直接用于模型训练。
- 配置文件 ：包含数据集的配置信息，简化了数据集使用的复杂度。
数据集内容
- 图像文件 ：包含300张JPG/PNG格式的红外图像文件。
- 标签文件 ：每张图像对应一个
.txt格式的标签文件，包含对象的边界框位置信息。 - 配置文件 ：一个
.yaml文件，描述了数据集的基本配置信息，如类别数量、类别名称、训练集路径等。
数据集结构示例
假设数据集的根目录为 hv_insulator_ir_dataset，其结构可能如下所示：
hv_insulator_ir_dataset/
├── train/
│ ├── images/
│ │ ├── image_000001.jpg
│ │ ├── image_000002.jpg
│ │ └── ...
│ ├── labels/
│ │ ├── image_000001.txt
│ │ ├── image_000002.txt
│ │ └── ...
├── valid/
│ ├── images/
│ │ ├── image_000001.jpg
│ │ ├── image_000002.jpg
│ │ └── ...
│ ├── labels/
│ │ ├── image_000001.txt
│ │ ├── image_000002.txt
│ │ └── ...
└── data.yaml # 数据集配置文件
数据集配置文件 data.yaml
创建一个 data.yaml 文件来描述您的数据集。这里假设数据集被放置在一个名为 hv_insulator_ir_dataset 的目录中，且包含 train 和 valid 子目录。
# data.yaml 文件
train: ../hv_insulator_ir_dataset/train/images/
val: ../hv_insulator_ir_dataset/valid/images/
test: null # 如果有单独的测试集路径，则填写
nc: 2 # number of classes
names: ['Normal', 'Defective'] # 类别名称
在这个例子中，我们假定有两个类别：正常（Normal）和缺陷（Defective）。
关键训练代码
安装YOLOv5
如果您还没有安装YOLOv5框架，请按照官方文档执行以下命令：
git clone https://github.com/ultralytics/yolov5.git # 克隆YOLOv5仓库
cd yolov5
pip install -r requirements.txt # 安装依赖项
使用YOLOv5训练
使用以下命令开始训练模型：
cd yolov5
python train.py --img 640 --batch 16 --epochs 100 --data ../hv_insulator_ir_dataset/data.yaml --weights yolov5s.pt --cache
自定义训练脚本
如果需要更详细的控制，可以编写一个Python脚本来执行训练过程。以下是一个简单的脚本示例：
import torch
from yolov5 import train # 使用YOLOv5的API
def train_model():
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
data_yaml = '../hv_insulator_ir_dataset/data.yaml'
# 设置训练参数
epochs = 100
batch_size = 16
img_size = 640
# 开始训练
train.train(
imgsz=img_size,
batch_size=batch_size,
epochs=epochs,
data=data_yaml,
weights='yolov5s.pt',
device=device,
cache=True
)
# 保存模型
torch.save(model.state_dict(), 'trained_model.pt')
print('Training complete.')
if __name__ == '__main__':
train_model()
使用训练好的权重文件进行测试
如果您已经有了训练好的模型权重文件，可以直接使用它来进行测试。假设权重文件名为 best.pt，可以使用以下命令：
python detect.py --weights best.pt --img 640 --conf 0.4 --source ../hv_insulator_ir_dataset/valid/images/
总结
这个示例展示了如何使用YOLOv5框架训练高压绝缘子红外检测数据集。您可以根据自己的需求调整脚本中的参数和逻辑。通过使用这个数据集和相应的训练代码，您可以有效地训练出一个能够在多种条件下检测高压绝缘子状态的模型。在实际应用中，可以根据具体需求调整模型结构和训练参数。此外，提供的训练代码可以让您快速启动训练流程，并获得良好的检测效果。
如果您希望扩展类别或者有不同的数据集划分选项（比如加入更多的训练集、验证集和测试集），可以在 data.yaml 文件中进行相应的调整，并在训练和测试过程中指定相应的路径。
使用YOLOv7训练高压绝缘子红外检测数据集
数据集概述
该数据集专为高压绝缘子的红外检测设计，包含300张红外图像，每张图像均附带有YOLO格式的.txt标签文件，并配有.yaml配置文件。以下是该数据集的详细信息：
- 数据量 ：共300张图像。
- 数据格式 ：每张图像均附有
.txt标签文件（YOLO格式）。 - 配置文件 ：包含一个
.yaml文件，用于描述数据集的配置信息。
数据集特点
- 专业性强 ：专为高压绝缘子的红外检测设计，适用于电力设备的远程监测和故障诊断。
- 数据完整性 ：每张图像均附有详细的标签信息，便于模型学习。
- 格式统一 ：所有标签统一为YOLO格式，方便直接用于模型训练。
- 配置文件 ：包含数据集的配置信息，简化了数据集使用的复杂度。
数据集内容
- 图像文件 ：包含300张JPG/PNG格式的红外图像文件。
- 标签文件 ：每张图像对应一个
.txt格式的标签文件，包含对象的边界框位置信息。 - 配置文件 ：一个
.yaml文件，描述了数据集的基本配置信息，如类别数量、类别名称、训练集路径等。
数据集结构示例
假设数据集的根目录为 hv_insulator_ir_dataset，其结构可能如下所示：
hv_insulator_ir_dataset/
├── train/
│ ├── images/
│ │ ├── image_000001.jpg
│ │ ├── image_000002.jpg
│ │ └── ...
│ ├── labels/
│ │ ├── image_000001.txt
│ │ ├── image_000002.txt
│ │ └── ...
├── valid/
│ ├── images/
│ │ ├── image_000001.jpg
│ │ ├── image_000002.jpg
│ │ └── ...
│ ├── labels/
│ │ ├── image_000001.txt
│ │ ├── image_000002.txt
│ │ └── ...
└── data.yaml # 数据集配置文件
数据集配置文件 data.yaml
创建一个 data.yaml 文件来描述您的数据集。这里假设数据集被放置在一个名为 hv_insulator_ir_dataset 的目录中，且包含 train 和 valid 子目录。
# data.yaml 文件
train: ../hv_insulator_ir_dataset/train/images/
val: ../hv_insulator_ir_dataset/valid/images/
test: null # 如果有单独的测试集路径，则填写
nc: 2 # number of classes
names: ['Normal', 'Defective'] # 类别名称
在这个例子中，我们假定有两个类别：正常（Normal）和缺陷（Defective）。
关键训练代码
安装YOLOv7
如果您还没有安装YOLOv7框架，请按照官方文档执行以下命令：
git clone https://github.com/WongKinYiu/yolov7.git # 克隆YOLOv7仓库
cd yolov7
pip install -r requirements.txt # 安装依赖项
使用YOLOv7训练
使用以下命令开始训练模型：
cd yolov7
python train.py --img 640 --batch 16 --epochs 100 --data ../hv_insulator_ir_dataset/data.yaml --weights yolov7.pt --cache
自定义训练脚本
如果需要更详细的控制，可以编写一个Python脚本来执行训练过程。以下是一个简单的脚本示例：
import torch
from yolov7.utils.datasets import LoadImagesAndLabels
from yolov7.models.yolo import Model
def train_model():
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
data_yaml = '../hv_insulator_ir_dataset/data.yaml'
# 加载数据集
train_loader = LoadImagesAndLabels(data_yaml, img_size=(640, 640), batch_size=16, augment=True)
# 加载预训练模型
model = Model('yolov7.yaml').to(device)
# 设置训练参数
epochs = 100
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9, weight_decay=0.0005)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=30, gamma=0.1)
# 开始训练
for epoch in range(epochs):
model.train()
for batch_idx, (images, targets) in enumerate(train_loader):
images = images.to(device)
targets = [t.to(device) for t in targets]
# 前向传播
output = model(images)
# 计算损失
loss = model.loss(output, targets)
# 反向传播
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 更新学习率
scheduler.step()
# 保存模型
torch.save(model.state_dict(), 'trained_model.pt')
print('Training complete.')
if __name__ == '__main__':
train_model()
使用训练好的权重文件进行测试
如果您已经有了训练好的模型权重文件，可以直接使用它来进行测试。假设权重文件名为 best.pt，可以使用以下命令：
python detect.py --weights best.pt --img 640 --conf 0.4 --source ../hv_insulator_ir_dataset/valid/images/
总结
这个示例展示了如何使用YOLOv7框架训练高压绝缘子红外检测数据集。您可以根据自己的需求调整脚本中的参数和逻辑。通过使用这个数据集和相应的训练代码，您可以有效地训练出一个能够在多种条件下检测高压绝缘子状态的模型。在实际应用中，可以根据具体需求调整模型结构和训练参数。此外，提供的训练代码可以让您快速启动训练流程，并获得良好的检测效果。
如果您希望扩展类别或者有不同的数据集划分选项（比如加入更多的训练集、验证集和测试集），可以在 data.yaml 文件中进行相应的调整，并在训练和测试过程中指定相应的路径。