简介这份资源面向光伏运维、工业质检与AI算法学习者提供光伏板缺陷检测的完整数据集与配套模型覆盖裂纹、脏污、热斑、遮挡、破损等常见缺陷类型可直接对接YOLO等主流检测框架用于无人机巡检图像分析与智能缺陷识别。压缩包为7z格式共2000个文件其中1626个txt标注文件、359张jpg与7张png图像、3个yaml配置、2个py脚本、2个pt权重及1个csv训练记录整体约43.16MB兼顾训练、验证与部署需求。已有64人学习下载。读者可借助标注图像与预训练权重快速复现检测流程通过脚本与配置文件理解数据组织方式并结合训练日志与预测可视化结果排查问题适合作为算法验证、课程设计或工业质检落地的参考素材。1. 光伏板缺陷数据集与检测模型从原始图片到可复现的 YOLO 训练链路光伏板表面缺陷检测这件事真正卡住大多数团队的往往不是模型结构而是数据。红外或 EL 图像里热斑、隐裂、断栅、脏污这几类缺陷的形态差异极大有的只占几十个像素有的边界模糊到肉眼都要反复确认。你拿到一份标注好的光伏板缺陷数据集再配上一套能直接跑的 YOLO 检测代码省掉的其实是前期最耗时的标注对齐和格式转换环节。这份资源面向的是做工业质检、新能源运维、边缘部署的从业者也适合想拿真实缺陷数据练手目标检测的学生和算法工程师。它解决的核心问题是让你在几小时内跑通一条从图片到检测框的完整链路而不是花两周去猜标注文件该怎么转。下面按数据理解、环境搭建、训练调参、踩坑排查、进阶验证的顺序拆开讲。2. 拆开数据集目录结构、标注格式与类别分布怎么读2.1 先看清目录长什么样再决定怎么切分拿到压缩包后别急着解压到桌面先建一个独立工作目录把数据、代码、权重、日志分开。常见做法是长这样pv-defect/ ├── datasets/ │ ├── images/ │ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── models/ ├── runs/ └── train.pyimages和labels必须严格同名对应比如images/train/001.jpg对应labels/train/001.txt。YOLO 系列读数据时是按文件名去匹配标签的少一个.txt或者多一个空格都会让这张图被当成负样本训练时 loss 会莫名其妙地抖。我一般会先跑一段脚本核对配对情况import os img_dir datasets/images/train lbl_dir datasets/labels/train imgs {os.path.splitext(f)[0] for f in os.listdir(img_dir)} lbls {os.path.splitext(f)[0] for f in os.listdir(lbl_dir)} print(图片数:, len(imgs)) print(标签数:, len(lbls)) print(有图无标签:, imgs - lbls) print(有标签无图:, lbls - imgs)这段脚本做的是集合差运算imgs - lbls就是那些没有对应标签的图片。如果这个集合不为空要么补标要么把这些图移出训练集。参数上只需要改img_dir和lbl_dir两个路径其他不用动。很多人跳过这一步结果训练到一半发现 mAP 上不去回头查半天才发现是几十张图没标签。2.2 标注格式YOLO txt 的五个数字到底怎么算YOLO 格式每行是class_id x_center y_center width height后四个都是归一化到 0 到 1 之间的浮点数。如果你手里的原始标注是 VOC 的 XML 或者 LabelMe 的 JSON就得转。转换的核心公式是# 假设原图宽 w1920高 h1080 # VOC 的 bbox 是 xmin, ymin, xmax, ymax x_center (xmin xmax) / 2.0 / w y_center (ymin ymax) / 2.0 / h width (xmax - xmin) / w height (ymax - ymin) / h这里最容易翻车的是xmax和xmin写反或者忘了除以图像宽高。归一化后的值一旦超过 1YOLO 在加载时会直接报越界警告有的版本甚至静默截断导致框位置整体偏移。转换完建议抽查几张用 OpenCV 把框画回原图看一眼import cv2 img cv2.imread(datasets/images/train/001.jpg) h, w img.shape[:2] with open(datasets/labels/train/001.txt) as f: for line in f: cid, xc, yc, bw, bh map(float, line.split()) x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(check_001.jpg, img)xc - bw/2是还原左上角 x 坐标乘回w得到像素值。画出来如果框和缺陷对不上说明转换环节有问题别往下走。2.3 类别分布与长尾问题别让某一类缺陷主导梯度光伏板缺陷里热斑和脏污通常样本多隐裂和断栅往往少。如果直接开训模型会偏向多数类。先统计一下每类数量from collections import Counter import os cnt Counter() for f in os.listdir(datasets/labels/train): with open(os.path.join(datasets/labels/train, f)) as fp: for line in fp: cnt[int(line.split()[0])] 1 print(cnt)假设输出是{0: 3200, 1: 2800, 2: 400, 3: 150}那类别 2 和 3 就是长尾。常见做法有两种一是用 YOLO 自带的cls_pw类别权重在 data.yaml 里按频率倒数设置二是对少数类做离线增强复制并加随机旋转、亮度扰动。我一般会先把少数类增强到多数类的三分之一左右再开训比单纯调权重稳。3. 环境搭建与训练启动从 data.yaml 到第一个 best.pt3.1 依赖装什么版本显卡怎么确认这套检测代码基于 YOLO 系列Python 环境建议 3.8 到 3.10。装依赖时最容易出问题的是 PyTorch 和 CUDA 的匹配。先确认显卡驱动nvidia-smi看右上角 CUDA Version比如 12.1那就去 PyTorch 官网找对应命令。别直接pip install torch那样装的是 CPU 版训练时你会发现 GPU 利用率一直是 0。装完验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))is_available()返回 True 才算对。如果 False先查驱动再查 PyTorch 版本别急着改代码。3.2 data.yaml 的五个字段一个都不能错YOLO 训练靠 data.yaml 找数据和类别名。典型内容path: /home/user/pv-defect/datasets train: images/train val: images/val test: images/test nc: 4 names: [hotspot, crack, grid, dirty]path是根目录train和val是相对路径。nc必须等于names的长度写错会直接报索引越界。names的顺序要和标注里的class_id一一对应0 对应 hotspot1 对应 crack以此类推。如果顺序错了模型能训但推理时类别名全乱这种错误很隐蔽建议训完先拿一张图验证类别。3.3 启动训练命令行参数怎么设最简启动方式yolo detect train \ datadatasets/data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ projectruns/pv \ nameexp1model可以用预训练权重光伏缺陷和通用目标差异大但底层纹理特征仍能复用比从头训收敛快。imgsz640是常见起点如果缺陷特别小可以提到 1024但显存要够。batch16在 8G 显存上跑 640 尺寸一般没问题爆显存就降到 8。device0指定第一块卡多卡用0,1。训练日志里重点看box_loss和mAP50前者不降说明学习率或数据有问题后者不涨说明类别或标注有问题。3.4 训练完先别高兴验证集上跑一遍训练结束会在runs/pv/exp1/weights/下生成best.pt和last.pt。用 best 在验证集上评估yolo detect val \ modelruns/pv/exp1/weights/best.pt \ datadatasets/data.yaml \ imgsz640 \ batch16输出里会给出每类的 Precision、Recall、mAP50、mAP50-95。如果某一类 mAP 明显低回去看那一类的标注量和标注质量。我见过有人隐裂类 mAP 只有 0.1最后发现是标注时把隐裂和断栅混在一起了类别定义不清模型再强也学不出来。4. 避坑与排查训练不收敛、显存爆、框偏移的常见原因4.1 现象loss 一直不降mAP 停在 0.01 附近原因通常有三个学习率太大、标注格式错、图片和标签没对上。先查标注用 2.1 的配对脚本确认没有孤儿图片。再查学习率YOLO 默认 lr00.01如果数据量小可以降到 0.001。最后看 data.yaml 的nc和names是否一致。解决顺序是先配对再降 lr再核对类别数。4.2 现象训练中途报 CUDA out of memory原因就是 batch 或 imgsz 太大。解决把batch从 16 降到 8 或 4或者把imgsz从 640 降到 512。还有一个隐藏原因是workers设太高数据加载线程占内存设成 4 或 8 就行。如果还爆用yolo detect train ... ampFalse关掉混合精度显存会省一点但速度慢。4.3 现象推理时框整体偏移或框到背景上原因多半是标注归一化时用错了图像尺寸。比如原图是 1920x1080但你按 640x640 去归一化框就会偏。解决回到 2.2 的转换脚本确认w和h来自原图不是 resize 后的图。另外检查有没有在转换时做了 letterbox 但没还原坐标。4.4 现象验证集 mAP 高但实际图片检测效果差原因是验证集和实际场景分布不一致。比如验证集都是白天红外图实际是夜间可见光图。解决把实际场景的图加进训练集哪怕只标几十张也能明显改善。另一个原因是过拟合看训练 loss 和验证 loss 的差距差距大就加数据增强或早停。4.5 现象某类缺陷完全检不出先看这一类在训练集里有多少样本。少于 100 个基本很难学。解决要么补标要么用 2.3 的增强方法复制扩充。还有一种可能是这一类缺陷在图像里太小640 尺寸下只剩几个像素模型根本看不到。解决提高imgsz到 1024 或 1280或者用切片推理把大图切成小块再检测。5. 进阶验证与部署前检查用混淆矩阵和单图推理确认模型真的能用训练指标好看不代表模型能用我一般会做两件事看混淆矩阵和跑单图推理。混淆矩阵在runs/pv/exp1/下会生成confusion_matrix.png重点看对角线以外的数字。如果 hotspot 大量被预测成 dirty说明这两类在特征上太像要么合并类别要么加更多区分性样本。单图推理用yolo detect predict \ modelruns/pv/exp1/weights/best.pt \ sourcedatasets/images/test \ imgsz640 \ conf0.25 \ saveTrueconf0.25是置信度阈值低于这个值的框不显示。实际部署时这个值要按场景调宁可误报不可漏报就降到 0.1宁可漏报不可误报就提到 0.5。跑完去runs/detect/predict/下看结果图重点看小缺陷有没有框住、密集区域有没有漏检。还有一个容易被忽略的检查模型输入尺寸和部署端是否一致。训练用 640部署时如果 resize 到 416精度会掉。常见做法是导出 ONNX 时固定尺寸yolo export modelruns/pv/exp1/weights/best.pt formatonnx imgsz640导出的 ONNX 可以用 Netron 打开看输入输出节点确认输入是1x3x640x640。如果部署端用 TensorRT还要注意 FP16 和 FP32 的精度差异光伏缺陷里小目标对精度敏感FP16 有时会丢小框建议先对比再定。从那以后我每次拿到新的缺陷数据集都强制先跑一遍配对脚本和类别统计再画几张标注框回原图确认最后才开训。这套流程帮我省掉了至少三次训到一半才发现数据有问题的返工。希望帮到你。本文还有配套的精品资源点击获取
