变电站红外检测数据集 1180张 变电站红外 标注voc yolo 13类

变电站红外检测数据集 1180张 变电站红外 标注voc yolo 13类

变电站红外检测数据集

名称

变电站红外检测数据集 (Substation Infrared Detection Dataset)

规模
  • 图像数量:1185张图像。
  • 类别:13种设备类型。
  • 标注个数:2813个标注。
数据划分
  • 训练集 (Train):通常占总数据的80%左右,约948张图像。
  • 验证集 (Validation):通常占总数据的20%左右,约237张图像。
类别和数量
  • disconnector3:31张图像,31个标注。
  • transformer:88张图像,89个标注。
  • bushing:130张图像,253个标注。
  • heat-sink:49张图像,49个标注。
  • conservator:56张图像,56个标注。
  • clamp:163张图像,307个标注。
  • insulator:257张图像,789个标注。
  • busbar:33张图像,33个标注。
  • arrester:112张图像,242个标注。
  • disconnector:206张图像,216个标注。
  • current-transformer:210张图像,437个标注。
  • breaker:149张图像,159个标注。
  • disconnector2:98张图像,152个标注。
数据特点
  • 高质量与高分辨率:所有图像均为高分辨率,适合进行详细的目标检测任务。
  • 多样性和复杂性:图像覆盖了多种变电站设备类型,增加了模型的泛化能力。
  • 详尽标注:每个图像都附有准确的边界框标注信息,确保了训练数据的质量。
应用领域
  • 电力设施维护:帮助电力公司实时监控变电站设备状态,预防故障发生。
  • 能源效率提升:通过热成像识别潜在的热量损失,提高能源利用效率。
  • 科研应用:为电力系统工程和热能科学的研究提供数据支持。
1. 安装依赖库

首先,确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库,然后运行以下命令进行安装:

复制代码
pip install -r requirements.txt

requirements.txt 文件内容示例:

复制代码
torch==1.10.0
torchvision==0.11.1
pandas==1.3.4
cv2
albumentations==1.1.0
2. 创建数据集

定义一个自定义的数据集类,并创建数据加载器。

复制代码
import os
import pandas as pd
import cv2
from torch.utils.data import Dataset, DataLoader
from torchvision.transforms import Compose, ToTensor, Normalize, Resize
from albumentations import HorizontalFlip, RandomBrightnessContrast, ShiftScaleRotate, BboxFromMasks, BBoxFormatPASCAL
from albumentations.pytorch import ToTensorV2

# 自定义数据集类
class SubstationInfraredDataset(Dataset):
    def __init__(self, data_root, annotations_file, transforms=None):
        self.data_root = data_root
        self.annotations = pd.read_csv(annotations_file)
        self.transforms = transforms

    def __len__(self):
        return len(self.annotations)

    def __getitem__(self, idx):
        img_path = os.path.join(self.data_root, self.annotations.iloc[idx, 0])
        image = cv2.imread(img_path)
        bboxes = self.annotations.iloc[idx, 1:].values.reshape(-1, 4)  # bounding box coordinates
        labels = self.annotations.columns[1:]

        if self.transforms:
            augmented = self.transforms(image=image, bboxes=bboxes)
            image = augmented['image']
            bboxes = augmented['bboxes']

        return image, bboxes, labels

# 图像预处理
def get_transforms():
    """构建预处理函数"""
    _transform = [
        Resize(height=416, width=416, interpolation=cv2.INTER_LINEAR),
        HorizontalFlip(p=0.5),
        RandomBrightnessContrast(p=0.2),
        ShiftScaleRotate(p=0.5, shift_limit=0.0625, scale_limit=0.2, rotate_limit=15),
        Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
        ToTensorV2(),
        BboxFromMasks(format=BBoxFormatPASCAL)
    ]
    return Compose(_transform)

# 创建数据加载器
train_dataset = SubstationInfraredDataset(
    data_root='path_to_your_data_directory',
    annotations_file='path_to_your_annotations.csv',
    transforms=get_transforms()
)
val_dataset = SubstationInfraredDataset(
    data_root='path_to_your_data_directory',
    annotations_file='path_to_your_annotations.csv',
    transforms=get_transforms()
)

train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=4)
3. 训练YOLOv5模型

使用YOLOv5进行训练。

复制代码
!git clone https://github.com/ultralytics/yolov5  # 下载YOLOv5代码仓库
cd yolov5

# 使用YOLOv5训练模型
python train.py --weights yolov5s.pt --data path_to_your_data.yaml --name substation_infrared_detection --img 416 --batch 16 --epochs 100 --device 0
  • 数据配置文件 :创建一个名为data.yaml的数据配置文件,其中包含训练和验证数据集的信息。

    train: path_to_your_train_images
    val: path_to_your_val_images
    nc: 13 # 类别数量
    names: [disconnector3, transformer, bushing, heat-sink, conservator, clamp, insulator, busbar, arrester, disconnector, current-transformer, breaker, disconnector2]

4. 调整模型
  • 超参数调整:根据实际情况调整模型的超参数,例如学习率、批大小等。
  • 数据增强:增加数据增强策略,如旋转、缩放
相关推荐
zew104099458810 小时前
基于深度学习的手势识别系统设计
人工智能·深度学习·算法·数据集·pyqt·yolov5·训练模型
幽络源小助理1 天前
杂草YOLO系列数据集4000张
yolo·数据集
数据堂官方账号12 天前
数据驱动进化:AI Agent如何重构手机交互范式?
人工智能·智能手机·重构·数据集·ai大模型·ai agent
前网易架构师-高司机12 天前
停车场停车位数据集,标注停车位上是否有车,平均正确识别率99.5%,支持yolov5-11, coco json,darknet,xml格式标注
yolo·数据集·停车场·车位·停车
@HNUSTer18 天前
基于 GEE 的城市热岛效应分析——可视化地表温度 LST 与归一化植被指数 NDVI 的关联
云计算·数据集·遥感大数据·gee·云平台
@HNUSTer19 天前
基于 GEE 利用 Sentinel-2 数据反演叶绿素与冠层水分含量
云计算·数据集·遥感大数据·gee·云平台
云卷云舒___________1 个月前
【保姆级视频教程(二)】YOLOv12训练数据集构建:标签格式转换-划分-YAML 配置 避坑指南 | 小白也能轻松玩转目标检测!
人工智能·yolo·目标检测·数据集·ultralytics·小白教程·yolov12
@HNUSTer2 个月前
基于 GEE 计算研究区年均地表温度数据
云计算·数据集·遥感大数据·gee·云平台
前网易架构师-高司机2 个月前
木材表面缺陷检测数据集,支持YOLO+COCO JSON+PASICAL VOC XML+DARKNET格式标注信息,平均正确识别率95.0%
yolo·数据集·木材缺陷识别·木材表面缺陷
@HNUSTer2 个月前
基于 GEE 利用插值方法填补缺失影像
云计算·数据集·遥感大数据·gee·云平台