YOLO三相电能表数字与单位符号目标检测数据集

YOLO三相电能表数字与单位符号目标检测数据集

低数据量条件下的 YOLO26 检测模型训练

📊 数据集基本信息

• 目标类别： '.', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'L', 'V', 'dau -', 'dau2cham', 'kV r', 'kVr', 'kW', 'kW h'
• 中文类别：'小数点', '零', '一', '二', '三', '四', '五', '六', '七', '八', '九', '安培', '伏特', '伏特', '负号', '小数点', '千伏无功', '千伏无功', '千瓦', '千瓦时'
• 训练集：15 张
• 验证集：5 张
• 测试集：2 张
• 总计：22 张

📄 data.yaml 配置信息

该数据集提供了data.yaml文件，内容如下：

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 20
names: ['.', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'L', 'V', 'dau -', 'dau2cham', 'kV r', 'kVr', 'kW', 'kW h']

🖼️ 标注可视化

数据集下载

小郭AI日志：

https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzYzNTg4ODk4NA==\&action=getalbum\&album_id=4497813105477042181\&scene=126#wechat_redirect @image:image.dbe2d44a14.png

数据集详细介绍

该数据集名称为"YOLO三相电能表数字与单位符号目标检测数据集"，从名称可推断其主要用于识别三相电能表上的数字及单位符号。三相电能表广泛应用于工业和商业用电计量场景，其读数的准确识别对于电力系统管理、能耗分析及自动化抄表具有重要意义。本数据集适用于需要对电能表进行自动读取和识别的智能电网、远程监控系统以及自动化巡检设备等场景，尤其适合结合YOLO等目标检测算法进行模型训练和优化。

数据集包含22张图像，覆盖了三相电能表的不同型号和显示状态，类别数量为20类，涵盖数字（0-9）及常见单位符号（如kW、kWh、V、A等）。这些类别反映了电能表上常见的数值和单位组合，能够满足基础的目标检测任务需求。尽管图像数量较少，但通过合理的数据增强手段，可以有效提升模型泛化能力，尤其在特定场景下的小样本检测中具有一定的研究价值。

标注规范方面，数据集采用标准的边界框标注方式，确保每个目标对象的坐标信息精确无误。这种高精度的标注方式为后续的模型训练提供了可靠的基础，有助于提高检测模型的准确率和稳定性。考虑到实际应用场景中电能表图像可能受到光照、角度和遮挡等因素的影响，该数据集的标注质量在一定程度上能够支撑模型在复杂环境下的鲁棒性测试。

在典型应用方向上，该数据集可直接用于开发自动化电能表读数系统，辅助电力公司实现高效、准确的用电数据采集。此外，还可作为教学案例，用于目标检测算法的实验与验证。在落地建议上，建议结合多源数据进行扩展，例如增加不同光照条件、拍摄角度及电能表型号的图像，以提升模型的适应性和实用性。同时，可探索与其他传感器数据的融合，进一步提升系统的整体性能。

YOLO26 目标检测算法原理

2026 年 Ultralytics 放出 YOLO26 的时候，社区最关注的不是精度涨了几个点，而是"端到端无 NMS"这个架构变革。

端到端无 NMS 推理 ：传统 YOLO 模型在推理后需要执行非极大值抑制（NMS）来去除冗余检测框，这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一（one-to-one）检测头，直接输出每张图像最多 300 个检测结果 (N, 300, 6)，完全省去 NMS 步骤，推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。

无 DFL 回归：YOLO26 移除了分布焦点损失（Distribution Focal Loss, DFL）结构，检测头更加轻量。边界框回归不再受限于预设的离散区间，既降低了模型复杂度又保持了同等甚至更优的回归精度。

Progressive Loss 与 STAL：训练过程中通过渐进损失（Progressive Loss）将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配（STAL）策略特别提升小目标的正样本标签覆盖率，改善小物体检测性能。

MuSGD 混合优化器：创新性地将大语言模型常用的 Muon 优化器与 SGD 结合，实现更稳定高效的训练收敛。相比纯 SGD，MuSGD 在大 batch 训练时收敛更快且不易震荡。

模型尺度与 COCO 性能：YOLO26 提供 N/S/M/L/X 五种尺度：

模型	mAP50-95	CPU ONNX(ms)	T4 TensorRT(ms)	参数量
YOLO26n	40.9	38.9	1.7	2.4M
YOLO26s	48.6	87.2	2.5	9.5M
YOLO26m	53.1	220.0	4.7	20.4M
YOLO26l	55.0	286.2	6.2	24.8M
YOLO26x	57.5	525.8	11.8	55.7M

Nano 版本参数量仅 2.4M，CPU 推理速度比 YOLO11n 快 43%，适合边缘设备和小数据集；X 版本 mAP 达 57.5，适用于对准确率要求极高的场景。

双头架构设计：YOLO26 检测模型内置两个检测头------一对一（默认，无 NMS，输出 300 个检测框）和一对多（需 NMS，输出 8400 个候选框）。训练时一对多头作为辅助监督信号加速收敛，推理时默认使用一对一头实现端到端输出。

YOLO26 支持全部七大视觉任务：检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测（OBB），一个框架覆盖从 2D 检测到 3D 感知的完整需求。

YOLO 数据增强策略

数据不够多怎么办？YOLO 的数据增强 pipeline 能帮你把有限的图用出成倍的效果。

Mosaic 拼接 ：将 4 张训练图像随机缩放后拼接为一张，大幅增加场景组合的多样性。对背景复杂、目标尺寸差异大的场景特别有效。训练最后 10 轮通过 close_mosaic=10 自动关闭 Mosaic，让模型适应真实数据分布。

MixUp 混合：两张图像按一定比例（α=0.3）线性混合，标签也按同比例混合。能平滑模型决策边界，对小数据集防过拟合效果显著。

HSV 色彩空间扰动：在 HSV 通道上对图像进行随机偏移（色相 ±0.015、饱和度 ±0.7、明度 ±0.4），模拟不同光照和色彩条件下的拍摄效果，提升模型对光照变化的鲁棒性。

几何变换：随机水平翻转（fliplr=0.5）、随机缩放（scale=0.5）、随机平移（translate=0.1），帮助模型学习位置不变性特征。

Copy-Paste 增强 ：将目标实例复制到另一张图像的随机位置，增加目标实例多样性。通过 copy_paste=0.3 控制概率。

增强参数配置（data.yaml 中可选覆盖）：

hsv_h: 0.015
hsv_s: 0.7
hsv_v: 0.4
degrees: 0.0
translate: 0.1
scale: 0.5
shear: 0.0
perspective: 0.0
flipud: 0.0
fliplr: 0.5
mosaic: 1.0
mixup: 0.1
copy_paste: 0.1

小数据集实战调优技巧

面对几十上百张训练图片，别急着调大模型或加层数------小数据集的核心问题是过拟合，解决思路是让模型"学慢一点、忘慢一点"。

1. 预训练权重选择：务必使用预训练模型，不要从零开始训练。YOLO26 提供 COCO 预训练权重，骨干网络已学会通用特征。在目标数据集上只需微调（fine-tuning），通常 50-80 轮即可收敛。

2. 冻结骨干网络：训练时冻结骨干网络前 10 层，只训练 Neck 和 Head 部分：

yolo detect train data=data.yaml model=yolo26n.pt epochs=60 freeze=10

3. 降低学习率：小数据集梯度方向波动大，使用较低学习率配合余弦衰减能让模型更平稳收敛：

yolo detect train data=data.yaml model=yolo26n.pt epochs=60 lr0=0.001 cos_lr=True

4. 更强的正则化：

• weight_decay=5e-4：增大权重衰减，抑制参数过度增长
• dropout=0.2：分类头添加 Dropout，随机丢弃 20% 神经元
• label_smoothing=0.1：防止模型对训练样本过度自信

5. 验证策略：小数据集建议使用 K-Fold 交叉验证（如 5-Fold），获得更可靠的性能评估。总数据量不足 50 张时保留 1-2 折作为测试集即可。

6. 早停策略：设置较严格的早停条件（patience=20），验证指标不再改善时及时停止训练。

7. 使用轻量级模型：在 Nano 或 Small 版本上训练，参数量小（2.4M-7.6M），过拟合风险远低于 Large（24.3M）或 XLarge（41.3M）。

YOLO 系列算法演进史

了解 YOLO 的发展脉络有助于理解为什么 YOLO26 的架构是这样设计的。每个大版本都不是孤立出现的，而是对上一个版本痛点的回应。

YOLOv1 (2015)：将检测问题建模为单一回归问题，直接在输出层预测边界框和类别概率。速度极快但定位精度较差。

YOLOv2/YOLOv3 (2016-2018)：引入 anchor box 机制、特征金字塔（FPN）和多尺度训练。YOLOv3 的 Darknet-53 骨干网络成为经典架构，至今仍被广泛使用。

YOLOv5 (2020)：Ultralytics 在 PyTorch 上的实现，带来了完善的训练框架、自动锚框聚类和数据增强 pipeline，大幅降低了使用门槛。

YOLOv8 (2023)：统一了检测、分割、分类和关键点任务的框架，引入 C2f 模块和无锚框（anchor-free）检测头。

YOLOv9 (2024)：提出 GELAN（通用高效层聚合网络）和 PGI（可编程梯度信息），同等参数量下精度提升显著。

YOLOv10/YOLOv11 (2024)：YOLOv10 首次提出无 NMS 端到端检测。YOLOv11 进一步优化骨干网络和训练策略，在速度和精度之间取得新平衡。

YOLO26 (2026)：集历代之大成，核心创新包括：① 端到端无 NMS 一对一检测头 ② 无 DFL 的简化回归头 ③ Progressive Loss 渐进式监督转移 ④ STAL 小目标感知标签分配 ⑤ MuSGD 混合优化器。

关键设计演进总结：

• Anchor-based → Anchor-free（v8 起）
• C3 → C2f → C3k2（骨干模块持续优化）
• 多任务统一框架（v8 起）
• NMS 后处理 → 无 NMS 端到端（v10/v26）
• 单一损失函数 → 多任务联合损失（Box + Cls + DFL，v26 可去 DFL）

部署与应用建议

轻量级部署方案：鉴于数据集规模（22 张），推荐使用 YOLO26n + ONNX 的组合。nano 版本的参数量仅 2.4M，配合 ONNX Runtime 在普通 x86 机器上能跑到 30-40ms/帧，基本满足准实时需求。

from ultralytics import YOLO
model = YOLO("runs/detect/train/weights/best.pt")
model.export(format="onnx", imgsz=416, opset=12)

什么时候该换大模型：如果扩充数据到 500+ 张且 mAP50 始终卡在 0.7 以下，可以考虑用 yolo26s 替代 yolo26n。但在数据量到位之前换大模型大概率是负优化------参数变多了但信息量没跟上，过拟合反而更严重。

极低样本量的训练破局法：22 张图的训练集，常规做法大概率会翻车。以下是实战中积累的几个非常规手段。

先用标准的 yolo26n.pt 预训练权重加载，然后立刻冻住骨干（freeze=12）。这意味着 BACKBONE 完全不更新参数，只在 NECK 和 HEAD 上微调，有效可训参数量从 2.4M 降到约 700K，过拟合风险骤降。

输入分辨率降档是关键操作。别用默认的 640------对几百张图的数据集还行，几十张的规模下 640 带来的参数更新量太大。建议 imgsz=320，每轮训练时间缩短，梯度也更稳定。

关键参数建议：lr0=0.0005（极低起点，平稳收敛）、cos_lr=True、warmup_epochs=5（延长预热，避免冷启动震荡）、weight_decay=1e-3（加倍正则化）、dropout=0.25。这几个参数配合使用，过拟合能得到显著抑制。

最后的验算步骤：训完后把 best.pt 在训练集上也跑一遍推理。如果训练集上的预测框都漂移严重，说明欠拟合；如果训练集完美但验证集稀烂，说明过拟合。根据这个判断方向再调整一两轮就能稳定下来。

补充说明 ：以上模块内容基于 YOLO26 官方文档和社区实践经验整理。不同数据集在训练过程中可能遇到个性化问题，建议在训练初期多观察 results.png 的训练曲线，根据 train/box_loss 和 val/box_loss 的走势适时调整学习率和早停策略。

如果 val/box_loss 在 20 轮后持续高于 train/box_loss 且差距扩大，说明过拟合已出现，应立即增大 weight_decay 或 dropout，甚至考虑冻结更多层。如果两条曲线几乎重合且都不怎么下降，说明学习率可能太低，试着把 lr0 翻倍试试。

模型收敛后在测试集上跑一轮完整评估，确认 mAP50 和 mAP50-95 达到预期后再考虑导出部署。如果某个类别的 AP 明显偏低（比平均低 15 个百分点以上），重点检查该类别标注样本的数量和标注质量------边界框是否贴紧目标、是否有漏标、类别标签是否写错。补标或修正后重新训练通常能获得明显改善。

另外一个小建议：训练前用 yolo checks 确认环境正常，用 model.info() 查看模型结构确认没有加载错误。这些小细节能省掉很多 debug 时间。