智慧电力设备 电网绝缘子缺陷数据集，深度学习框架YOLOV8模型如何训练电网绝缘子缺陷数据集 检测识别闪络 破损 绝缘子本身检测 建立基于深度学习YOLOV8绝缘子缺陷检测系统

电网绝缘子缺陷数据集，
含两个子数据集数量为1600+1417
且支持yolo和voc格式。
已划分好训练集测试集验证集
数据集一类别：闪络 破损 绝缘子本身检测
数据集二类别：破损 绝缘子本身
map0.80以上

1

1

1

：

📊 电网绝缘子缺陷数据集总览

🔹 子数据集一：三类任务（含闪络）

🔸 子数据集二：两类任务（无闪络）

🗂️ 数据集目录结构示例

insulator_defect_dataset/ ├── dataset1_3cls/ # 子数据集一 │ ├── train/ │ │ ├── images/ # .jpg │ │ └── labels/ # .txt (YOLO) 或 Annotations/ (.xml) │ ├── val/ │ └── test/ │ └── dataset2_2cls/ # 子数据集二 ├── train/ │ ├── images/ │ └── labels/ ├── val/ └── test/

🏷️ 类别 ID 映射表

子数据集一（3类）

子数据集二（2类）

✅ 使用建议

• 模型选择：推荐 YOLOv8s 或 YOLOv8m，兼顾精度与速度
• 训练策略：
  • 开启 Mosaic、Copy-Paste 增强（提升小破损检测）
  • 设置conf=0.4,iou=0.5进行推理
• 评估指标：以mAP@0.5为主要指标，目标 ≥ 0.80

此数据集适用于绝缘子全生命周期状态监测与智能巡检系统开发。

以下是完整的YOLOv8 电网绝缘子缺陷检测系统实现代码，支持两个子数据集（3类和2类），包含：

✅ YOLOv8 训练脚本（mAP@0.5 ≥ 0.80）
✅ 多模型加载（可切换 dataset1 / dataset2）
✅ GUI 系统（Tkinter + OpenCV）
✅ 支持图片 / 视频 / 摄像头实时检测
✅ 自动识别类别并彩色标注

✅ 一、目录结构建议

insulator_detection_system/ ├── datasets/ │ ├── dataset1_3cls/ # 1600张，3类 │ └── dataset2_2cls/ # 1417张，2类 ├── models/ │ ├── yolov8s_dataset1.pt # 训练好的模型 │ └── yolov8s_dataset2.pt ├── configs/ │ ├── data1.yaml # dataset1 配置 │ └── data2.yaml # dataset2 配置 ├── train_insulator.py # 训练脚本 └── insulator_gui.py # GUI 检测系统

✅ 二、配置文件

configs/data1.yaml（3类）

train:../datasets/dataset1_3cls/train/imagesval:../datasets/dataset1_3cls/val/imagestest:../datasets/dataset1_3cls/test/imagesnc:3names:['flashover','broken','insulator']

configs/data2.yaml（2类）

train:../datasets/dataset2_2cls/train/imagesval:../datasets/dataset2_2cls/val/imagestest:../datasets/dataset2_2cls/test/imagesnc:2names:['broken','insulator']

✅ 三、训练代码：train_insulator.py

# train_insulator.py""" 电网绝缘子缺陷检测 - YOLOv8 训练脚本 支持两个子数据集： - dataset1: 3类 (flashover, broken, insulator) - dataset2: 2类 (broken, insulator) 目标 mAP@0.5 >= 0.80 """importosimporttorchfromultralyticsimportYOLOdeftrain_dataset(dataset_id:int=1):""" 训练指定子数据集 :param dataset_id: 1 或 2 """ifdataset_id==1:data_yaml="configs/data1.yaml"run_name="insulator_dataset1_3cls"epochs=150elifdataset_id==2:data_yaml="configs/data2.yaml"run_name="insulator_dataset2_2cls"epochs=120else:raiseValueError("dataset_id 必须为 1 或 2")model=YOLO("yolov8s.pt")# 使用 YOLOv8s 平衡精度与速度print(f"🚀 开始训练子数据集{dataset_id}...")results=model.train(data=data_yaml,epochs=epochs,imgsz=640,batch=16,lr0=0.001,device="cuda"iftorch.cuda.is_available()else"cpu",project="runs/insulator",name=run_name,patience=15,save_period=10,workers=4,# 数据增强（针对电力小目标优化）augment=True,mosaic=0.6,copy_paste=0.3,# 提升破损细节检测degrees=10.0,translate=0.1,scale=0.15,shear=2.0,fliplr=0.5,hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,)# 验证metrics=model.val()print(f"\n✅ 训练完成！mAP@0.5 ={metrics.box.map50:.4f}")print(f"📁 最佳模型:{results.save_dir}/weights/best.pt")if__name__=="__main__":# 训练子数据集1train_dataset(1)# 如需训练子数据集2，取消注释：# train_dataset(2)

✅ 四、GUI 检测系统：insulator_gui.py

# insulator_gui.py""" 电网绝缘子缺陷检测 GUI 系统 - 支持两个子数据集模型切换 - 图片 / 视频 / 摄像头三种模式 - 彩色标注 + 类别统计 """importtkinterastkfromtkinterimportfiledialog,messagebox,ttkfromPILimportImage,ImageTkimportcv2importnumpyasnpfromultralyticsimportYOLOimportthreadingimportosclassInsulatorDefectDetector:def__init__(self,root):self.root=root self.root.title("⚡ 电网绝缘子缺陷检测系统 - YOLOv8")self.root.geometry("1280x850")# 模型与状态self.model=Noneself.cap=Noneself.running=Falseself.dataset_type=1# 1: 3类, 2: 2类# 类别颜色（固定配色）self.colors_3cls=[(0,255,255),# flashover - Cyan(0,0,255),# broken - Red(255,0,0)# insulator - Blue]self.colors_2cls=[(0,0,255),# broken - Red(255,0,0)# insulator - Blue]self.setup_ui()defsetup_ui(self):# 顶部控制区top_frame=tk.Frame(self.root)top_frame.pack(pady=10)# 数据集选择tk.Label(top_frame,text="选择数据集类型:",font=('Arial',10)).pack(side=tk.LEFT,padx=5)self.dataset_combo=ttk.Combobox(top_frame,values=["子数据集1 (3类: 闪络/破损/本体)","子数据集2 (2类: 破损/本体)"],width=35)self.dataset_combo.current(0)self.dataset_combo.pack(side=tk.LEFT,padx=5)self.dataset_combo.bind("<<ComboboxSelected>>",self.on_dataset_change)# 模型加载按钮self.btn_load=tk.Button(top_frame,text="📂 加载模型",command=self.load_model,bg='#4CAF50',fg='white')self.btn_load.pack(side=tk.LEFT,padx=10)# 功能按钮btn_frame=tk.Frame(self.root)btn_frame.pack(pady=5)self.btn_img=tk.Button(btn_frame,text="🖼️ 打开图片",command=self.open_image,width=12)self.btn_img.pack(side=tk.LEFT,padx=5)self.btn_vid=tk.Button(btn_frame,text="🎥 打开视频",command=self.open_video,width=12)self.btn_vid.pack(side=tk.LEFT,padx=5)self.btn_cam=tk.Button(btn_frame,text="📹 启动摄像头",command=self.start_camera,width=12)self.btn_cam.pack(side=tk.LEFT,padx=5)self.btn_stop=tk.Button(btn_frame,text="⏹️ 停止",command=self.stop_all,width=12,bg='#f44336',fg='white')self.btn_stop.pack(side=tk.LEFT,padx=5)# 图像显示区self.canvas=tk.Canvas(self.root,bg='black',width=1200,height=650)self.canvas.pack(pady=10)# 信息栏self.info_label=tk.Label(self.root,text="请选择数据集类型并加载模型",font=('Arial',12),fg='blue')self.info_label.pack(pady=5)defon_dataset_change(self,event=None):selection=self.dataset_combo.current()self.dataset_type=selection+1self.model=Noneself.info_label.config(text=f"已切换到子数据集{self.dataset_type}，请重新加载对应模型")defload_model(self):model_path=filedialog.askopenfilename(title="选择 YOLOv8 模型 (.pt)",filetypes=[("PyTorch Model","*.pt")])ifnotmodel_path:returntry:self.model=YOLO(model_path)# 验证类别数是否匹配nc=len(self.model.names)expected_nc=3ifself.dataset_type==1else2ifnc!=expected_nc:messagebox.showwarning("警告",f"模型类别数 ({nc}) 与当前数据集类型 ({expected_nc}类) 不匹配！")self.model=Nonereturnself.info_label.config(text=f"✅ 已加载模型:{os.path.basename(model_path)}| 数据集: 子数据集{self.dataset_type}")exceptExceptionase:messagebox.showerror("错误",f"模型加载失败:\n{str(e)}")defopen_image(self):ifnotself.model:messagebox.showwarning("警告","请先加载模型！")returnpath=filedialog.askopenfilename(filetypes=[("Image","*.jpg *.png *.bmp")])ifpath:self.process_and_display(path)defopen_video(self):ifnotself.model:messagebox.showwarning("警告","请先加载模型！")returnpath=filedialog.askopenfilename(filetypes=[("Video","*.mp4 *.avi *.mov")])ifpath:self.cap=cv2.VideoCapture(path)self.running=Trueself.process_stream()defstart_camera(self):ifnotself.model:messagebox.showwarning("警告","请先加载模型！")returnself.cap=cv2.VideoCapture(0)ifnotself.cap.isOpened():messagebox.showerror("错误","无法打开摄像头")returnself.running=Trueself.process_stream()defstop_all(self):self.running=Falseifself.cap:self.cap.release()self.cap=Noneself.info_label.config(text="⏹️ 已停止")defprocess_and_display(self,input_data):"""处理单帧并显示"""ifisinstance(input_data,str):# 图片路径frame=cv2.imread(input_data)else:# numpy arrayframe=input_dataifframeisNone:return# 推理results=self.model(frame,conf=0.4,iou=0.5)annotated_frame=results[0].plot()# 转 Tkinter 格式rgb=cv2.cvtColor(annotated_frame,cv2.COLOR_BGR2RGB)h,w=rgb.shape[:2]scale=min(1200/w,650/h)new_w,new_h=int(w*scale),int(h*scale)resized=cv2.resize(rgb,(new_w,new_h))img=Image.fromarray(resized)photo=ImageTk.PhotoImage(image=img)self.canvas.delete("all")self.canvas.create_image(0,0,anchor=tk.NW,image=photo)self.canvas.image=photo# 更新信息boxes=results[0].boxesiflen(boxes)>0:class_counts={}forclsinboxes.cls.cpu().numpy():name=self.model.names[int(cls)]class_counts[name]=class_counts.get(name,0)+1info_text=" | ".join([f"{k}:{v}"fork,vinclass_counts.items()])self.info_label.config(text=f"✅ 检测到{len(boxes)}个目标:{info_text}")else:self.info_label.config(text="✅ 未检测到缺陷")defprocess_stream(self):"""处理视频流或摄像头"""ifnotself.runningorself.capisNone:returnret,frame=self.cap.read()ifnotret:self.stop_all()self.info_label.config(text="❌ 视频结束或摄像头断开")returnself.process_and_display(frame)ifself.running:self.root.after(30,self.process_stream)defmain():root=tk.Tk()app=InsulatorDefectDetector(root)root.mainloop()if__name__=="__main__":main()

✅ 五、使用说明

1. 安装依赖

pipinstallultralytics opencv-python pillow numpy matplotlib torch torchvision

2. 训练模型

# 训练子数据集1（3类）python train_insulator.py# 若需训练子数据集2，修改 train_insulator.py 中的调用

3. 运行 GUI 系统

python insulator_gui.py

在 GUI 中：

1. 选择“子数据集1”或“子数据集2”
2. 点击“加载模型”，选择对应的.pt文件
3. 选择输入源（图片/视频/摄像头）

✅ 六、系统特点

💡提示：若需导出为 ONNX/TensorRT 用于部署，可在训练后执行：

model=YOLO("best.pt")model.export(format="onnx")# ONNXmodel.export(format="engine")# TensorRT

此系统可直接用于电力巡检机器人、无人机智能分析平台或变电站监控系统。如需 Web 版、Android APK 或自动标注工具，欢迎继续提问！