智慧无人机巡检-面向输电线路无人机巡检的绝缘子数据集

面向输电线路无人机巡检的绝缘子数据集，主要用于高压输电线路场景下的绝缘子检测研究。主要面向目标检测任务，核心目标是检测输电塔上的不同类型绝缘子。

数据规模：分为3 类绝缘子数据，三种类型绝缘子分别包含1720、2653、646张图像，一共5019张，总文件约 3.9 GB，。

图像类型：以无人机巡检视角下的真实输电线路图像为主，包含大疆无人机拍摄图像，覆盖不同时间、季节、天气、光照、拍摄角度、相机设备和地区环境。

类别设置：包含 3 类绝缘子类型，分别为玻璃绝缘子、瓷绝缘子和复合绝缘子；同时，部分图像中还包含异常或缺陷状态的绝缘子。

标注格式：为 YOLO 格式，具体写为 Yolov7 annotation format。
数据组织：数据按绝缘子类型划分为 3 个文件夹，每个文件夹内同时包含对应图像和标签文件。
数据特点：数据集强调真实部署环境下的多样性，既覆盖多种绝缘子材质，又覆盖复杂背景、尺度变化、视角变化和环境变化，因此比单一来源的小规模数据更适合做鲁棒性检测研究。
数据难点：主要难点包括绝缘子尺度变化明显、类内外观差异较大、拍摄条件复杂，以及部分图像存在遮挡、异常状态和环境干扰，这些因素会直接影响检测模型的泛化能力。相关使用论文也将其概括为多尺度目标和类内差异问题。
适用方向：适用于绝缘子目标检测、无人机巡检视觉分析、输电线路设备识别，以及复杂场景下的鲁棒检测模型研究。

输电线路绝缘子检测数据集信息表

一、环境依赖

pipinstallultralytics opencv-python numpy

二、数据集目录结构

insulator/ ├── type1/ # 玻璃绝缘子 │ ├── images │ └── labels ├── type2/ # 瓷绝缘子 │ ├── images │ └── labels ├── type3/ # 复合绝缘子 │ ├── images │ └── labels └── data.yaml

说明：若已手动划分为train/val/test，按常规YOLO目录结构调整即可。

三、配置文件data.yaml

path:./insulator# 自行划分训练/验证集路径，示例参考train:train/imagesval:val/imagesnc:3names:0:glass_insulator# 玻璃绝缘子1:porcelain_insulator# 瓷绝缘子2:composite_insulator# 复合绝缘子

四、YOLOv26 训练代码train_insulator.py

fromultralyticsimportYOLOif__name__=="__main__":# 加载预训练权重model=YOLO("yolov26s.pt")model.train(data="./insulator/data.yaml",epochs=120,imgsz=640,batch=8,device=0,workers=0,# Windows 必须设为0lr0=0.01,patience=20,mosaic=1.0,perspective=0.002,# 适配尺度、视角多变目标degrees=15.0,# 角度增强，适配巡检多角度图像project="runs/train",name="yolov26_insulator",exist_ok=True)

五、评估与推理代码val_predict.py

fromultralyticsimportYOLO# 加载训练完成最优权重model=YOLO("runs/train/yolov26_insulator/weights/best.pt")# 模型精度评估metrics=model.val(data="./insulator/data.yaml")print(f"mAP@0.5:{metrics.box.map50:.4f}")# 单图推理model("test.jpg",save=True)# 视频/巡检视频流推理# model("inspect_video.mp4", save=True)

补充说明

1. 该数据集原始按类别分文件夹存放，使用前建议手动拆分train/val/test，保证图片与标签文件名一一对应；
2. 针对多尺度、遮挡、复杂背景，代码中已开启透视、旋转数据增强，提升模型鲁棒性；
3. 显存不足时，将batch依次改为 4 / 2；无GPU则设置device="cpu"。