电网操作人员/防护用品识别检测数据集 yolo数据集共1800张 6类 防护用具识别数据集/操作人员识别数据集yolov5-v11通用

电网操作人员/防护用品识别检测数据集 yolo数据集共1800张 6类 防护用具识别数据集/操作人员识别数据集yolov5-v11通用

电网操作人员/防护用品识别检测数据集 yolo数据集共1800张 6类 防护用具识别数据集/操作人员识别数据集yolov5-v11通用

电网操作人员、防护用品识别检测数据集介绍

数据集概述

名称 ：电网操作人员、防护用品识别检测数据集
图像数量 ：1800张
标注对象：

• badge：工牌
• gLove：手套
• operatingbar：操作杆
• person：人员
• powerchecker：电力检测器
• wrongglove：错误佩戴的手套

标注数量：

• badge：561个
• gLove：1315个
• operatingbar：648个
• person：3341个
• powerchecker：547个
• wrongglove：3572个

用途：该数据集专为电网操作人员及其防护用品的识别和检测任务设计，适用于电力行业中的安全监控、操作规范检查等领域。通过使用YOLO（You Only Look Once）等目标检测模型，可以实现对电网操作人员及其防护用品的准确检测。

数据集特点

• 针对性强：专门针对电网操作人员及其防护用品进行标注，适用于特定的应用场景。
• 高质量标注：所有图像都经过专业标注，确保了标注的准确性。
• 实际应用场景：数据来源于真实的电网操作环境，具有很高的实用价值。
• 多样性 ：
  • 光照条件：包含不同光照条件下的图像，如自然光、人工照明等。
  • 背景环境：涵盖不同的背景环境，如变电站、输电线路、维修现场等。
  • 姿态和角度：包括不同姿态和角度的操作人员及防护用品，增强了模型的泛化能力。
• 数据增强：通过数据增强技术（如旋转、翻转、缩放等）增加了数据集的多样性和鲁棒性。

主要任务

• 目标检测：识别并定位图像中的工牌、手套、操作杆、人员、电力检测器以及错误佩戴的手套位置。
• 目标分类：确认检测到的目标是哪种防护用品或操作工具。
• 数量统计：统计图像中各类目标的数量，辅助安全管理决策。

数据集结构

• 图像数据：包含1800张高分辨率图像，每张图像中可能包含一个或多个目标实例。
• 标注文件 ：
  • 边界框标注：使用常见的YOLO格式进行边界框标注，每个边界框包含类别标签和坐标信息。
  • 类名 ：
    • badge：表示工牌
    • gLove：表示手套
    • operatingbar：表示操作杆
    • person：表示人员
    • powerchecker：表示电力检测器
    • wrongglove：表示错误佩戴的手套
• 元数据：可能包含每张图像的相关信息，如采集时间、地点、样本来源等。

应用领域

• 安全监控：辅助电力公司快速发现和定位操作人员及其防护用品的状态，提高安全监控效率。
• 操作规范检查：支持自动化操作规范检查系统，减少人工操作的风险和成本。
• 培训与教育：结合虚拟现实（VR）或增强现实（AR）技术，提供操作人员的安全培训和教育。
• 学术研究：支持研究人员进行目标检测算法的研究和优化，特别是在工业安全领域的应用。

获取方式

通常情况下，研究人员可以通过以下途径获取该数据集：

• 官方发布网站：访问相关研究机构或数据平台的官方网站，查找数据集下载链接。
• 学术数据库：通过学术数据库如Mendeley Data、Zenodo等搜索并下载数据集。
• 联系作者：直接联系论文作者或研究团队，请求数据集。

请注意，使用时应遵循相应的许可协议和引用要求。

关键代码示例

1. 下载数据集

假设我们已经有了数据集的下载链接，可以使用 Python 的 requests 库来下载数据集：

import requests
import os
import zipfile

# 定义下载链接和保存路径
url = 'http://example.com/path/to/power_grid_dataset.zip'  # 替换为实际的下载链接
save_path = './power_grid_dataset.zip'

# 检查是否已经下载过
if not os.path.exists(save_path):
    print("Downloading dataset...")
    response = requests.get(url, stream=True)
    with open(save_path, 'wb') as f:
        for chunk in response.iter_content(chunk_size=8192):
            if chunk:
                f.write(chunk)
    print("Download complete.")
else:
    print("Dataset already exists.")

# 解压数据集
with zipfile.ZipFile(save_path, 'r') as zip_ref:
    zip_ref.extractall('./power_grid_dataset')

2. 加载和显示图像及其标注

以下是一个加载和显示图像及其标注框的示例：

import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
import glob

def load_image_and_annotations(image_path, annotation_path):
    image = Image.open(image_path).convert("RGB")
    with open(annotation_path, 'r') as f:
        annotations = [line.strip().split() for line in f.readlines()]
    return image, annotations

def display_image_with_annotations(image, annotations):
    fig, ax = plt.subplots(1, figsize=(10, 10))
    ax.imshow(image)
    
    for annotation in annotations:
        class_id, x_center, y_center, width, height = map(float, annotation)
        x_min = (x_center - width / 2) * image.width
        y_min = (y_center - height / 2) * image.height
        x_max = (x_center + width / 2) * image.width
        y_max = (y_center + height / 2) * image.height
        
        rect = plt.Rectangle((x_min, y_min), x_max - x_min, y_max - y_min, fill=False, edgecolor='red', linewidth=2)
        ax.add_patch(rect)
        
        # 添加类别标签
        if class_id == 0:
            label = 'badge'
        elif class_id == 1:
            label = 'gLove'
        elif class_id == 2:
            label = 'operatingbar'
        elif class_id == 3:
            label = 'person'
        elif class_id == 4:
            label = 'powerchecker'
        elif class_id == 5:
            label = 'wrongglove'
        else:
            label = 'Unknown'
        
        ax.text(x_min, y_min, label, fontsize=12, color='white', bbox=dict(facecolor='red', alpha=0.5))
    
    plt.axis('off')
    plt.show()

# 示例路径
image_path = './power_grid_dataset/images/image_0001.jpg'
annotation_path = './power_grid_dataset/annotations/image_0001.txt'

image, annotations = load_image_and_annotations(image_path, annotation_path)
display_image_with_annotations(image, annotations)

3. 使用 YOLOv8 进行目标检测

以下是一个使用 YOLOv8 进行目标检测的简单示例：

1. 安装依赖库

   pip install ultralytics
   

2. 准备配置文件 在 ultralytics 目录下创建一个配置文件 power_grid.yaml，内容如下：

   train: ./power_grid_dataset/images/train
   val: ./power_grid_dataset/images/val
   nc: 6
   names: ['badge', 'gLove', 'operatingbar', 'person', 'powerchecker', 'wrongglove']
   

3. 训练模型 使用 ultralytics 库提供的命令行工具进行训练

   yolo train model=yolov8m.pt data=power_grid.yaml epochs=100 imgsz=640 batch=8
   

4. 评估模型 使用 ultralytics 库提供的命令行工具进行评估：

   yolo val model=runs/train/exp/weights/best.pt data=power_grid.yaml
   

5. 推理和可视化

   • 加载模型

     from ultralytics import YOLO
     
     # 加载预训练模型
     model = YOLO('runs/train/exp/weights/best.pt')
     

   • 单张图片推理

     def predict_and_show(image_path, model):
         results = model(image_path)
     
         # 显示结果
         for result in results:
             result.show()
     
     # 示例路径
     image_path = './power_grid_dataset/images/test/image_0001.jpg'
     predict_and_show(image_path, model)
     

   • 批量图片推理

     def predict_batch_images(image_folder, model):
         images = [os.path.join(image_folder, img) for img in os.listdir(image_folder) if img.endswith('.jpg')]
         results = model(images)
     
         # 显示结果
         for result in results:
             result.show()
     
     # 示例路径
     image_folder = './power_grid_dataset/images/test'
     predict_batch_images(image_folder, model)
     

   • 视频推理

     import cv2
     
     def predict_video(video_path, model, output_path='output.mp4'):
         cap = cv2.VideoCapture(video_path)
         width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
         height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
         fps = int(cap.get(cv2.CAP_PROP_FPS))
     
         fourcc = cv2.VideoWriter_fourcc(*'mp4v')
         out = cv2.VideoWriter(output_path, fourcc, fps, (width, height))
     
         while cap.isOpened():
             ret, frame = cap.read()
             if not ret:
                 break
     
             results = model(frame)
             annotated_frame = results[0].plot()
     
             out.write(annotated_frame)
             cv2.imshow('Frame', annotated_frame)
     
             if cv2.waitKey(1) & 0xFF == ord('q'):
                 break
     
         cap.release()
         out.release()
         cv2.destroyAllWindows()
     
     # 示例路径
     video_path = './test_video.mp4'
     predict_video(video_path, model)
     

通过上述步骤，您将拥有一个完整的基于YOLOv8的电网操作人员及其防护用品检测系统，包括数据集准备、模型训练、评估和推理。希望这些代码能帮助您更好地理解和使用该模型！