简介面向电力巡检与无人机视觉检测等场景该数据集为电网绝缘子安全监测提供基础数据可用于绝缘子缺陷识别覆盖光盘损坏、绝缘子与污闪等目标标注采用YOLOv11格式据作者验证正确识别率达92.5%。压缩包共2000个文件其中1598个txt为YOLOv11格式标注文件401个jpg为图像文件另有1个yaml配置文件整体约80.11MB内容组织清晰可直接接入YOLOv11训练流程适合快速开展实验。目前已有1636人学习下载适合从事目标检测研究的初学者、电力线路巡检人员及算法工程师参考。使用时可省去图像收集与人工标注的重复劳动直接进行模型训练、调参与效果对比结合92.5%的基准正确率也能辅助判断自身模型的改进方向是一个可用于实际项目验证的绝缘子缺陷数据集。1. 绝缘子缺陷识别数据集2一张标注图背后的三类目标与真实门槛输电线路巡检里最磨人的场景不是“这图里有没有绝缘子”而是“这串绝缘子上有没有伞盘破损、有没有污闪”。绝缘子缺陷识别数据集2公开了1598张带yolov11格式标注的图片声称92.5%的正确识别率可识别光盘损坏指绝缘子伞盘/盘片破损、绝缘子、污闪三类目标。这个数据集的价值在于它把“缺陷检测”拉到了可训练、可复现的层面而不是停留在图像分类的粗粒度判断上。但也要先泼一盆冷水92.5%这个数字在公开数据集上表现好不代表换一批无人机拍摄距离、光照角度不同的新图还能稳住。这篇文章就从数据体检、标注格式核查、yolov11训练参数、三类缺陷的判别逻辑一直写到验证与迭代的闭环。适合正在做电力巡检目标检测的算法工程师、外包数据团队以及拿公开数据集练手但想少走弯路的学生。新手能按步骤跑通流程熟手可以重点看第5章的踩坑记录和第6章的阈值调整思路。2. 拿到1598张图先做数据体检清洗、类别重命名与格式核查2.1 先查图片完整性和分辨率分布很多做目标检测的人拿到数据集第一件事就是配环境、跑训练结果训练到一半遇到“EOFError: Compressed file ended before the end-of-stream marker was reached”或者“Unable to read image file”。这通常是数据包里混进了损坏图片或者图片后缀名与真实编码格式不一致。训练中途报错很折腾因为要重新切数据集、重跑数据加载。我一般会在训练前写一个脚本把所有图片扫一遍。第一步确认每张图能正常读出来第二步统计分辨率分布第三步看有没有EXIF旋转问题。无人机巡检图经常携带EXIF方向信息有些看图软件会自动旋转但PIL和OpenCV读出来的像素矩阵是没旋转的这会导致标注框和实际目标位置对不上。import os from PIL import Image def check_images(img_dir): bad_images [] size_counter {} for root, dirs, files in os.walk(img_dir): for f in files: if f.endswith((.jpg, .jpeg, .png, .bmp)): fp os.path.join(root, f) try: im Image.open(fp) im.load() size_counter[im.size] size_counter.get(im.size, 0) 1 except Exception as e: bad_images.append((fp, str(e))) return bad_images, size_counter bad, sizes check_images(datasets/insulator/images/train) print(损坏图片:, bad) print(分辨率分布:, sizes)这个脚本的逻辑很简单用PIL打开并加载每个文件的像素数据打不开就说明图片损坏打不开的原因可能是文件截断、格式伪装或路径里有特殊字符。分辨率分布用字典统计能直接看出数据是否存在多分辨率混用。yolov11训练时会把所有图resize到imgsz指定大小但如果数据里同时存在1920x1080和600x400这种跨度过大的图小图在大图缩放时信息损失严重模型对远处绝缘子的尺度稳定性会很差。发现这种情况后优先把所有小图筛掉或单独分一个子集而不是指望模型自适应。2.2 类别重命名光盘损坏、绝缘子、污闪的标签规范化标题里的“光盘损坏”在绝缘子领域里一般指的是伞盘或盘片破损——绝缘子串上的盘片出现缺口、断裂或掉角。因为文件名和标签的正则性直接影响后面的数据划分和训练脚本我拿到数据集后的第二件事就是统一类别命名全部用英文小写加下划线避免中文路径和空格带来的一系列问题。常见做法是定义三个category id0代表insulator绝缘子、1代表disc_damage光盘损坏/伞盘破损、2代表pollution_flashover污闪。标注文件里存的不是类别名而是类别id所以必须保证txt第一列的取值和data.yaml里的names顺序完全一致。cd datasets/insulator # 先看现有标注文件的类别id分布 grep -o ^[0-9] labels/train/*.txt | sort | uniq -c这一步的意义在于检查所有txt标注文件里出现的类别id是否都在0、1、2范围内。有些数据集标注时额外加了第四类或者用类别名而不是id训练时会直接报“class id out of range”。先看一眼分布能提前排除一半的训练翻车问题。如果某个类别的框数远少于其他类别也在这里能看出来后面第5章会讲类别不平衡的处理。2.3 检查yolov11格式标注的五个常见错误yolov11的标注格式和yolov8/yolov5一脉相承每一行是“class_id x_center y_center width height”其中x_center、y_center、width、height都是相对图片宽高的归一化数值取值应在0到1之间。拿到数据集后不能直接信“已经标注好了”这句话必须扫一遍。特别是从第三方采购的数据集标注质量参差不齐有的框偏移半个身位有的宽高比例离谱。import os def check_labels(labels_dir, img_dir): issues [] for txt in os.listdir(labels_dir): base os.path.splitext(txt)[0] img_path os.path.join(img_dir, base .jpg) if not os.path.exists(img_path): issues.append((txt, missing image)) continue with open(os.path.join(labels_dir, txt)) as f: for line in f: parts line.strip().split() if len(parts) ! 5: issues.append((txt, bad line length)) continue cls, cx, cy, w, h parts[0], float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4]) if not (0 cx 1 and 0 cy 1): issues.append((txt, center out of range)) if w 0 or h 0 or w 1 or h 1: issues.append((txt, invalid box size)) return issues issues check_labels(datasets/insulator/labels/train, datasets/insulator/images/train) print(issues[:20])这段代码做了三件事检查标注txt和图片文件是否一一对应、每行是否正好5个字段、框中心坐标和宽高是否合法。最容易出问题的是“center out of range”和“width/height大于1”这类标注要么是转换脚本没做归一化要么是把像素坐标误当成归一化坐标。遇到这种问题能联系标注方就联系标注方联系不上就写脚本强制截断但截断前要人工抽查几张图因为框超出边界往往意味着标注框本身框错了位置而不是单纯数值越界。另外注意图片文件名后缀可能是.png而不是.jpg脚本里检查图片存在性时最好同时支持常见后缀。3. 用yolov11跑通训练流程环境、命令与关键参数3.1 数据集目录结构与data.yaml配置yolov11训练要求的数据集目录结构和方法与yolov8一致标签和图片分开存放每张图片的标注写在与图片同名的txt文件里。常见做法是把数据整理成images和labels两个大目录各自再分train和val子目录。注意images里放图片、labels里放同名txt两个目录的层级必须完全一致否则训练时找不到标签文件。datasets/insulator/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml是训练时的数据集描述文件内容通常是这样path: datasets/insulator train: images/train val: images/val names: 0: insulator 1: disc_damage 2: pollution_flashover这里path写的是相对当前工作目录的路径train和val写的是相对path的图片目录路径。names里的类别顺序必须和标注文件里的class_id一一对应。最容易踩的坑是data.yaml里写了绝对路径换一台机器训练就找不到数据集或者names顺序写错导致训练出来的模型推理时把绝缘子识别成了污闪。另一个坑是train和val的划分比例。1598张图不算多建议按8:2划分并且划分方式要按场景分组具体原因在第5章的5.4节展开。3.2 训练命令与三个必调参数yolov11通过ultralytics这个Python包来训练安装后直接执行yolo命令即可。我一般会先确认依赖和GPU可用再开始训练python -c import ultralytics; print(ultralytics.__version__) python -m pip install ultralytics安装ultralytics之后直接用detect任务训练目标检测模型。选模型时按数据量决定1598张图不算多建议用yolo11n或yolo11s而不是一上来就yolo11x。模型越大越容易在少量数据上过拟合训练速度和显存占用也更紧张。拿小模型跑通基线再根据验证集指标决定要不要升级模型尺寸这个顺序比直接堆大模型靠谱。yolo detect train \ modelyolo11n.pt \ datadatasets/insulator/data.yaml \ epochs200 \ imgsz640 \ batch16 \ workers4 \ projectruns \ nameinsulator_v1参数说明modelyolo11n.pt加载预训练权重做迁移学习。用yolo11n的COCO预训练权重比随机初始化收敛快得多而且对绝缘子这类纹理特征明显的目标预训练提供的底层特征足够用。epochs2001598张图、三类目标200个epoch通常够。如果loss还在持续下降可以加到300但要配合验证集指标观察过拟合。imgsz640默认值。绝缘子的伞盘破损和污闪在小目标里都算得上“小”如果训练中发现验证集recall偏低可以把imgsz提到768代价是显存占用增加、单epoch时间变长。batch16按显存大小调整。以RTX 3060 12G为例imgsz640时batch16比较稳显存不够就降到8或4注意batch过小时BN层的统计量会抖动loss曲线会比大batch更毛躁。训练过程中主要看loss曲线、验证集mAP曲线和PR曲线。yolov11每个epoch结束时会在runs/detect/insulator_v1/目录下生成weights/best.pt和last.pt。best.pt是按验证集指标挑出来的最优权重后续推理和部署都用它不要用last.pt因为last.pt是最后一个epoch的状态通常是过拟合后的结果。3.3 “92.5%正确识别率”到底怎么验证标题里的92.5%正确识别率是一个容易被误读的数字。用yolov11跑目标检测常用指标是mAP50IoU阈值为0.5时的平均精度、mAP50-95多个IoU阈值下的平均精度和每个类别的precision/recall。“正确识别率”在不同项目里可能指accuracy、也可能指recall甚至可能只是某一类别的识别率。复现时不能只看别人报的92.5%要自己跑一遍评估。yolov11自带验证命令yolo detect val \ datadatasets/insulator/data.yaml \ modelruns/detect/insulator_v1/weights/best.pt \ projectruns \ nameinsulator_val验证结束后会在输出目录生成混淆矩阵confusion_matrix.png、PR曲线PR_curve.png以及每类的AP值。对绝缘子缺陷识别来说我更建议关注每个类别各自的recall尤其是disc_damage和pollution_flashover两个类别。绝缘子本身是大目标、特征明显recall很容易做到90%以上伞盘破损和污闪才是决定模型现场可用性的瓶颈。如果只想复现“92.5%”这个数字那大概率是看整体的best mAP或者某个类别的accuracy但这不代表三类缺陷都识别得足够好。4. 三类缺陷的判别逻辑怎么标注、怎么让yolov11认得更准4.1 绝缘子、光盘损坏、污闪的视觉特征与标注边界模型能不能学出来很大程度上取决于标注框怎么画。先看三类目标在图片里的基本形态。绝缘子输电线路上的绝缘子通常是一串由多个盘片组成。在无人机巡检图中绝缘子串从远处看是长条形盘片之间有规律的间距。标注时常见有两种策略把整串绝缘子画成一个框或者把每个盘片单独画框。数据集2的标注方式从标题里看不出细节但从yolov11训练的一般经验看整串标注更适合“检测绝缘子是否存在”而逐盘片标注更适合“检测伞盘损坏”。如果后续规划里既要做绝缘子定位、又要做缺陷分类逐盘片标注能把缺陷定位到具体位置代价是标注工作量大幅增加。光盘损坏即伞盘/盘片破损表现为绝缘子某个盘片边缘缺损、缺角、碎裂或整片掉落。这类缺陷有两个特点尺寸小、形态不规则。标注时框要尽量紧贴破损区域不要包含旁边的背景。注意盘片阴影很容易被误标成破损阴影边缘是渐变的破损缺口通常有锐利的轮廓变化标注时多对比同一串绝缘子的其他完好盘片。污闪绝缘子表面污秽积聚后在潮湿环境下产生的闪络痕迹。视觉上表现为表面灰黑痕迹、电弧烧灼点。污闪和盘片边缘的阴影在灰度图像上很像区别在于污闪通常沿绝缘子表面纵向分布而阴影的方向由光照角度决定。如果在标注时区分不了宁可删掉模糊样本也不要硬标因为错误标注会把两个类别特征混在一起训练出来的模型在线路上会频繁误报。4.2 小目标优化yolov11处理伞盘破损和污闪的三个技巧yolov11对绝缘子这种尺度跨度极大的场景小目标优化是绕不开的话题。航拍图中绝缘子串可能只占几百个像素而伞盘破损可能只占几十个像素。默认的640分辨率下很多小缺陷在特征图上的尺寸只有几个像素。第一个技巧是直接提高推理分辨率。训练和推理都用768或896代价是速度下降但对静态巡检图完全值得。yolo命令里加imgsz768即可。如果显存允许把训练分辨率从640提到768通常能明显改善小目标漏检。第二个技巧是滑窗切图。把1920x1080的原图切成四个960x960或六个640x640块分别推理再合并结果。切图后的漏检率通常明显下降但要注意目标横跨切图边界产生的重复框和截断框。合并时用NMS把重叠框滤掉切图前在图片四周加重叠区域可以缓解边缘目标被腰斩的问题。第三个技巧是数据增强配置。yolov11在yaml里可以控制增强参数针对小目标场景我会关闭重度旋转因为超过30度的旋转会让盘片缺损形态失去训练意义保留轻微翻转、随机亮度和随机缩放。# augment.yaml, 训练时通过 cfgaugment.yaml 传入 fliplr: 0.5 flipud: 0.0 hsv_h: 0.015 hsv_s: 0.5 hsv_v: 0.5 degrees: 10.0 scale: 0.3 mosaic: 0.8 mixup: 0.1参数说明fliplr0.5水平翻转对绝缘子识别没有副作用左右对称的缺陷特征仍能保持。flipud0.0垂直翻转关掉。无人机巡视角下绝缘子有明确的重力方向垂直翻转会生成现实中不存在的样本。degrees10.0轻微旋转。设置成10度以内能增强泛化超过30度会把盘片破损的轮廓学歪。mosaic0.8把四张图拼到一起增加每个batch的多样性。对提高小目标的鲁棒性有明显帮助但拼接处会产生虚假的边界特征。mixup0.1混合两张图增强鲁棒性但对小目标缺陷可能会稀释特征比例不要设太高。这些参数不是越大越好。实际调参时我一般先用默认增强跑一版用验证集PR曲线看每类AP再针对性调节。比如发现pollution_flashover的precision低、误检多就降低mixup和scale发现小目标漏检多就优先提高imgsz而不是靠增强硬撑。5. 训练与推理中容易踩的5个坑现象、原因与解决5.1 类别不平衡导致污闪几乎学不出来现象训练loss正常下降但验证结果里pollution_flashover的recall极低PR曲线几乎贴地。统计标注文件后发现pollution_flashover的框数只有insulator的十分之一。原因1598张图里三类目标的框数量分布严重不均。绝缘子每个样本都有伞盘破损可能只有部分样本有污闪样本更少。模型在大batch训练时对稀缺类别贡献的梯度极小所以整体指标看起来不错但污闪几乎没学会。解决先统计每类框数确认差距。差距在5倍以内可以靠增加epoch和调整置信度阈值解决超过10倍建议做类别过采样或复制稀有类样本。另一种有效做法是把稀有类样本在mosaic增强里的出现概率提高让模型每个epoch都看到足够多的污闪框。经验值epochs调到300观察pollution_flashover的recall是否随训练进程缓慢上升。5.2 标注类别id错位导致推理结果全乱现象训练没有报错但推理时所有绝缘子都被标成disc_damage所有污闪都被标成insulator。原因数据集里的labels txt的class_id顺序是按标注方自定义的类别表生成的而data.yaml里names的顺序和它不一致。类别名对不上但训练本身按id去匹配所以loss照样下降、mAP看着也还行。解决训练前写一个脚本把labels里每个txt的第一列类别id和对应图片人工抽检一遍确认0、1、2分别对应哪个类别。最稳妥的办法是把每类抽样后用OpenCV画框导出图片看一眼类别标错的及时重标。这个坑在第三方数据集上出现频率很高标注方的类别顺序和公开数据集的常见顺序经常不一样。5.3 推理时小目标漏检但验证集指标偏高现象验证集mAP50在90%以上但把模型放到一张新的巡检原图上运行时远处的伞盘破损和大面积污闪都没框出来。原因训练时yolov11会对图片做letterbox等比缩放。原图里的绝缘子串如果本身只占很小区域缩放后小缺陷可能只有几个像素。验证集里的图大多和训练集同源、目标尺度分布一致所以指标自然好看换到不同拍摄距离的新图就露馅了。解决把推理时的imgsz调到和训练一致甚至更高使用滑窗切图也可以在推理阶段打开TTA但TTA会让单张推理时间翻几倍不适合实时处理。另一个长效解法是收集更多近景小目标样本把模型对这类尺度的敏感性拉起来。说到底模型没见过的尺度靠推理技巧只能补一部分补不了全部。5.4 数据划分不当导致验证集虚高现象训练时mAP曲线一路走高验证集指标比预期还高但放到全新巡检视频里立刻打回原形。原因数据划分时直接random split。同一个无人机架次、同一个杆塔连续拍摄的几十帧图片被同时分进训练集和验证集模型实际上“记住了”场景而不是学懂了缺陷。解决划分前先按拍摄时间、杆塔ID或文件名前缀分组每组整体划分保证同一场景的图片不会同时出现在训练集和验证集里。无人机巡检图文件名通常包含线路编号和塔号解析出来按塔分即可。import os, random from collections import defaultdict from shutil import move def group_split(img_dir, train_dir, val_dir, group_keytower): groups defaultdict(list) for f in os.listdir(img_dir): # 假设文件名格式为 line123_tower45_frame01.jpg parts f.split(_) group parts[1] if group_key tower else parts[0] groups[group].append(f) all_groups list(groups.keys()) random.shuffle(all_groups) split int(len(all_groups) * 0.8) for g in all_groups[:split]: for f in groups[g]: move(os.path.join(img_dir, f), train_dir) for g in all_groups[split:]: for f in groups[g]: move(os.path.join(img_dir, f), val_dir)这个脚本按文件名第二段塔号分组把同一塔的所有帧放进同一侧。使用前先确认数据集的命名规则如果文件名不含塔号就用拍摄时间戳按时间窗口划分。rsplit和split都不难难的是在划分前意识到random split的隐患。5.5 yolov11保存推理结果时坐标错位现象yolo detect predict保存到runs/detect/predict的图片上检测框位置明显偏离目标或者画框画在错误位置但打印出的置信度很高。原因最常见的是predict时传入的推理图分辨率或通道数和训练不一致或者直接用OpenCV读图后resize到另一个尺寸再喂给模型保存时没有把归一化坐标换算回原图坐标系。yolov11的predict默认会做letterbox和坐标回映射一般不会出问题出问题的基本是自写推理脚本。解决用yolov11自带predict命令推理或者自己写脚本时确保传原图给model不要自己resize。result model([img])[0] # img是未resize的原图 for box in result.boxes: x1, y1, x2, y2 box.xyxy[0].tolist() conf float(box.conf[0]) cls int(box.cls[0]) # xyxy已经是原图坐标系但前提是推理时传了原始尺寸的img print(cls, conf, int(x1), int(y1), int(x2), int(y2))这段代码的关键点是把原图直接传给model不要自己提前resize。模型内部会做letterbox和坐标映射返回的xyxy坐标是相对于传入图尺寸的。如果传进去的img已经是resize过的返回的xyxy对应的也是resize后的尺寸画回原图之前必须乘回缩放比例。另外要注意result.boxes里的框坐标是绝对值不是归一化的画框时直接用即可。6. 验证模型是否真正可用混淆矩阵、置信度阈值与后续迭代6.1 用混淆矩阵看三类缺陷的区分边界yolo detect val跑完后打开混淆矩阵图。理想状态是三个类别所在的格子都是深色对角线。实际项目中大概率会看到insulator和disc_damage之间有轻度混淆模型把完好的绝缘子盘片框出来标成damage或者把破损盘片标成insulator。这种混淆反映的是标注边界和模型特征的共同问题。出现混淆时优先检查标注框有没有把破损位置标得过大、把完好盘片卷进框里。标注框边界干净了混淆自然会下降。6.2 调整置信度阈值控制误检推理阶段默认conf_thres0.25、iou_thres0.7。在电力巡检场景里把disc_damage和pollution_flashover的漏检代价比误检高得多误检顶多多看一张图漏检可能让缺陷线路继续带病运行。我一般会先看各类别的PR曲线选一个precision和recall的平衡点再在推理命令里指定conf_thres。yolo detect predict \ modelruns/detect/insulator_v1/weights/best.pt \ sourcetest_images \ conf_thres0.35 \ iou_thres0.5 \ saveTrue参数说明conf_thres0.35相比默认的0.25提高一点能把大部分“疑似污闪”的低置信误检过滤掉。如果现场测试中漏检仍然不能接受就反向下调到0.2。iou_thres0.5NMS的IoU阈值调低让靠得近的多个小缺陷框尽量保留下来。绝缘子串多个盘片破损时相邻框容易被NMS合并吞掉调低后能保留更多小框。6.3 新场景加入后的数据集迭代闭环92.5%的识别率只代表这个数据集上的表现不是终态。我现在的习惯是每个批次的新巡检图回来先让模型跑一遍把漏检和误检的截图存下来按“难例”归入对应类别每两周增量训练一次。增量训练时保留原数据集全部图片在data.yaml的train目录下追加新图即可不建议只拿新样本微调会忘掉旧场景。yolov11对增量数据没有特殊机制但要注意重新划分train/val时仍然按杆塔分组别把同一场景切到两侧。持续迭代几轮后新的模型指标会逐步贴近真实线路条件。我拿到任何数据集第一件事永远是翻它的标注文件而不是直接开训练这个习惯已经救了我很多次了希望帮到你。本文还有配套的精品资源点击获取