电力设备类——如何使用YOLOv8模型对配网缺陷检数据集进行训练、评估和可视化 这个配网销钉缺失检测图像数据集 配网缺陷检测图像数据集 配网缺陷

配网缺陷检测图像数据集，螺栓销钉缺失
1.配网销钉缺失检测图像数据集（1200多张，voc，销钉缺失）
2.配网缺陷检测图像数据集（3000多张，voc，销钉缺失与绑扎不规范缺陷
）
针对配网缺陷检测图像数据集，特别是螺栓销钉缺失和绑扎不规范缺陷的检测，我们可以使用YOLOv8模型进行训练和评估。你提到的数据集包含两种类型的图像数据：

1. 配网销钉缺失检测图像数据集：大约1200张图像，VOC格式标注。
2. 配网缺陷检测图像数据集：大约3000张图像，VOC格式标注，包含销钉缺失和绑扎不规范缺陷。
   

1. 环境准备

首先，确保你已经安装了必要的库和工具。你可以使用以下命令安装所需的库：

pip install torch torchvision
pip install numpy
pip install pandas
pip install matplotlib
pip install opencv-python
pip install pyyaml
pip install ultralytics

2. 数据集准备

假设你的数据集目录结构如下：

power_grid_defects_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── power_grid_defects.yaml

每个图像文件和对应的标签文件都以相同的文件名命名，例如 0001.jpg 和 0001.xml（对于VOC格式）。

3. VOC到YOLO格式转换

由于YOLOv8模型直接支持YOLO格式的标注，我们需要将VOC格式的标注转换为YOLO格式。可以使用以下Python脚本来完成这个转换：

import xml.etree.ElementTree as ET
import osdef convert_voc_to_yolo(voc_dir, yolo_dir, class_names):if not os.path.exists(yolo_dir):os.makedirs(yolo_dir)for filename in os.listdir(voc_dir):if not filename.endswith('.xml'):continuexml_path = os.path.join(voc_dir, filename)yolo_path = os.path.join(yolo_dir, filename.replace('.xml', '.txt'))tree = ET.parse(xml_path)root = tree.getroot()image_width = int(root.find('size/width').text)image_height = int(root.find('size/height').text)with open(yolo_path, 'w') as f:for obj in root.findall('object'):class_name = obj.find('name').textif class_name not in class_names:continueclass_id = class_names.index(class_name)bbox = obj.find('bndbox')xmin = int(bbox.find('xmin').text)ymin = int(bbox.find('ymin').text)xmax = int(bbox.find('xmax').text)ymax = int(bbox.find('ymax').text)# Convert to YOLO format (center_x, center_y, width, height) and normalizecenter_x = (xmin + xmax) / 2.0 / image_widthcenter_y = (ymin + ymax) / 2.0 / image_heightwidth = (xmax - xmin) / image_widthheight = (ymax - ymin) / image_heightf.write(f"{class_id} {center_x:.6f} {center_y:.6f} {width:.6f} {height:.6f}\n")# 定义类别名称
class_names = ['Missing Pin', 'Improper Binding']# 转换训练集、验证集和测试集
convert_voc_to_yolo('power_grid_defects_dataset/labels/train', 'power_grid_defects_dataset/labels_yolo/train', class_names)
convert_voc_to_yolo('power_grid_defects_dataset/labels/val', 'power_grid_defects_dataset/labels_yolo/val', class_names)
convert_voc_to_yolo('power_grid_defects_dataset/labels/test', 'power_grid_defects_dataset/labels_yolo/test', class_names)

4. 创建数据集配置文件

创建一个 power_grid_defects.yaml 文件，内容如下：

train: ../power_grid_defects_dataset/images/train
val: ../power_grid_defects_dataset/images/val
test: ../power_grid_defects_dataset/images/testnc: 2
names: ['Missing Pin', 'Improper Binding']

5. 安装YOLOv8

克隆YOLOv8仓库并安装依赖项：

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .

6. 训练模型

使用YOLOv8的训练脚本进行训练。确保你已经在 power_grid_defects.yaml 中指定了正确的路径。

yolo task=detect mode=train model=yolov8n.yaml data=power_grid_defects.yaml epochs=100 imgsz=640 batch=16

• epochs=100：设置训练轮数。
• imgsz=640：设置输入图像大小。
• batch=16：设置批量大小。根据你的GPU内存大小调整这个值。

7. 评估模型

训练完成后，可以使用YOLOv8的评估脚本来评估模型在验证集上的性能。

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=power_grid_defects.yaml

8. 测试模型

为了评估模型在测试集上的性能，可以使用以下命令：

yolo task=detect mode=test model=runs/detect/train/weights/best.pt data=power_grid_defects.yaml

9. 可视化预测结果

使用以下Python代码来可视化模型的预测结果。

import torch
import cv2
import numpy as np
import matplotlib.pyplot as plt# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/detect/train/weights/best.pt')# 读取图像
image_path = 'power_grid_defects_dataset/images/test/0001.jpg'
image = cv2.imread(image_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# 进行预测
results = model(image)# 绘制预测结果
results.print()
results.show()

10. 模型优化

为了进一步优化模型，可以尝试以下方法：

• 调整超参数：使用不同的学习率、批量大小、权重衰减等。
• 使用预训练模型：使用预训练的YOLOv8模型作为初始化权重。
• 增加数据量：通过数据增强或收集更多数据来增加训练集的多样性。
• 模型融合：使用多个模型进行集成学习，提高预测的准确性。
• 更复杂的网络结构：尝试使用更大的YOLOv8模型，如 yolov8s, yolov8m, yolov8l, yolov8x。
• 数据增强：使用数据增强技术，如旋转、缩放、翻转等，以增加模型的鲁棒性。
• 类别平衡：如果某些类别的样本数量不平衡，可以使用类别平衡技术，如过采样或欠采样。

11. 数据增强

使用 albumentations 库进行数据增强，以提高模型的泛化能力。

import albumentations as A
from albumentations.pytorch import ToTensorV2transform = A.Compose([A.Resize(640, 640),  # 根据需要调整尺寸A.Rotate(limit=35, p=1.0),A.HorizontalFlip(p=0.5),A.VerticalFlip(p=0.5),A.Normalize(mean=[0.0, 0.0, 0.0],std=[1.0, 1.0, 1.0],max_pixel_value=255.0,),ToTensorV2(),
])

12. 自定义数据加载器

创建自定义的数据加载器来读取图像和标签。

import os
import cv2
import numpy as np
from torch.utils.data import Dataset, DataLoaderclass PowerGridDefectDataset(Dataset):def __init__(self, image_dir, label_dir, transform=None):self.image_dir = image_dirself.label_dir = label_dirself.transform = transformself.images = os.listdir(image_dir)def __len__(self):return len(self.images)def __getitem__(self, idx):img_path = os.path.join(self.image_dir, self.images[idx])label_path = os.path.join(self.label_dir, self.images[idx].replace('.jpg', '.txt'))image = cv2.imread(img_path)image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)with open(label_path, 'r') as f:labels = [list(map(float, line.strip().split())) for line in f.readlines()]if self.transform is not None:transformed = self.transform(image=image, bboxes=labels)image = transformed['image']labels = transformed['bboxes']return image, labels

13. 训练代码

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.tensorboard import SummaryWriter# 超参数
batch_size = 16
num_epochs = 50
learning_rate = 0.001# 数据加载器
train_dataset = PowerGridDefectDataset(train_image_dir, train_label_dir, transform=transform)
val_dataset = PowerGridDefectDataset(val_image_dir, val_label_dir, transform=transform)train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False, num_workers=4)# 模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov8n.yaml')
model.to(device)# 损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)# TensorBoard
writer = SummaryWriter('runs/power_grid_defects_detection')# 训练循环
for epoch in range(num_epochs):model.train()running_loss = 0.0for i, (images, labels) in enumerate(train_loader):images = images.to(device)labels = labels.to(device)optimizer.zero_grad()outputs = model(images)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()avg_train_loss = running_loss / len(train_loader)writer.add_scalar('Training Loss', avg_train_loss, epoch)# 验证model.eval()with torch.no_grad():running_val_loss = 0.0for images, labels in val_loader:images = images.to(device)labels = labels.to(device)outputs = model(images)loss = criterion(outputs, labels)running_val_loss += loss.item()avg_val_loss = running_val_loss / len(val_loader)writer.add_scalar('Validation Loss', avg_val_loss, epoch)print(f'Epoch [{epoch+1}/{num_epochs}], Train Loss: {avg_train_loss:.4f}, Val Loss: {avg_val_loss:.4f}')# 保存模型
torch.save(model.state_dict(), 'yolov8_power_grid_defects.pth')

14. 总结

通过以上步骤，你可以成功地使用YOLOv8模型对配网缺陷检测的数据集进行训练、评估和可视化。如果你有任何问题或需要进一步的帮助，请随时告诉我。希望这些信息对你有帮助！

15. 额外建议

• 多尺度训练：由于数据集中的图像可能具有不同的分辨率和视角，可以考虑使用多尺度训练来提高模型的鲁棒性。
• 迁移学习：如果数据集中的某些类别与现有公开数据集中的类别相似，可以考虑使用这些公开数据集进行预训练，然后再在你的数据集上进行微调。
• 模型压缩：如果最终模型需要部署到资源受限的设备上，可以考虑使用模型压缩技术，如剪枝、量化等，来减小模型的大小和计算需求。