YOLO模型如何训练 环保排污管道检测数据集｜10000张+YOLO标签，无人机/地面巡检模型训练专用 无人机排污口检测数据集

智慧环保巡查-环保巡查排污管道检测数据集】数据类型原始图片YOLO格式标签总内存大小10G10000张图片分辨率2000*2000不等各个尺寸的都有采集高度0-10m地面采集采集角度0°-90°类别排污管道注意该数据在无人机高倍变焦下可以用于demo模型的训练本人可以指导无人机外业数据采集以及模型训练应用场景用于日常巡检、河道排污快速取证、水利环保等低空目标监测领域我先给你整理好数据集信息表同时提供去除水印后的图片和可直接复制的公众号/商品文案。一、环保巡查排污管道检测数据集信息表项目详细说明数据集名称环保巡查排污管道目标检测数据集数据类型原始图片 YOLO格式标注标签数据规模10,000张图片总大小约10GB图片分辨率2000×2000及以下多尺寸采集方式地面/低空采集高度0-10m采集角度0°-90°含俯拍、平视、斜拍标注类别排污管道pipe_sewage标注格式YOLO格式txt文件归一化坐标应用场景河道排污取证、环保日常巡检、水利环保低空监测、无人机/地面端排污口识别模型训练配套服务可提供无人机外业采集、模型训练指导《环保排污管道检测数据集10000张YOLO标签无人机/地面巡检模型训练专用》正文环保巡查、河道排污取证、水利环保低空监测必备数据集✅数据详情10000张多场景排污管道实拍图片含俯拍、平视、斜拍适配无人机和地面端视角已标注YOLO格式标签类别为「排污管道pipe_sewage」开箱即用图片分辨率覆盖2000×2000及以下总大小约10GB采集高度0-10m适配日常巡检、河道取证等真实场景✅应用场景环保日常排污口巡查河道排污快速取证水利环保低空目标监测无人机/地面端排污管道识别模型训练标签#目标检测数据集#环保AI#排污管道识别#YOLO数据集#水利巡检#无人机巡检#河道排污检测#低空目标监测一、环保排污管道检测 YOLOv8 训练代码直接可用下面给你一套完整的 YOLOv8 目标检测训练代码适配你的「排污管道检测数据集」包含数据准备、训练、验证、推理全流程直接复制就能跑。1. 环境依赖安装pipinstallultralytics opencv-python numpy matplotlib tqdm2. 数据集目录结构按这个整理代码直接读pipe_dataset/ ├─ images/ │ ├─ train/ # 训练集图片 │ └─ val/ # 验证集图片 └─ labels/ ├─ train/ # 训练集YOLO标签(txt) └─ val/ # 验证集YOLO标签(txt)排污管道标签格式YOLO txt每一行格式类别id 中心x 中心y 宽 高均为归一化坐标0 0.50 0.60 0.20 0.30其中0代表「排污管道」类别。3. 数据集配置文件pipe_sewage.yaml# pipe_sewage.yamlpath:./pipe_dataset# 数据集根目录train:images/train# 训练集图片路径相对pathval:images/val# 验证集图片路径相对pathnc:1# 类别数量仅排污管道1类names:[pipe_sewage]# 类别名称4. 完整训练脚本train_pipe_sewage.pyfromultralyticsimportYOLO# 1. 加载模型选择基础模型 # 可选yolov8n.pt / yolov8s.pt / yolov8m.pt / yolov8l.pt / yolov8x.pt# 新手推荐用 yolov8s.pt速度和精度平衡modelYOLO(yolov8s.pt)# 2. 开始训练 resultsmodel.train(datapipe_sewage.yaml,# 数据集配置文件路径epochs100,# 训练轮数100轮足够收敛imgsz640,# 输入图片尺寸适配你的多尺寸图片batch16,# 批次大小根据GPU显存调整显存小用8devicecuda,# 使用GPU训练无GPU写 cpuworkers4,# 数据加载线程数projectpipe_sewage_exp,# 训练结果保存的项目名nameyolov8s_train,# 本次训练的名称pretrainedTrue,# 加载预训练权重optimizerAdamW,# 优化器AdamW更稳定lr00.001,# 初始学习率lrf0.01,# 最终学习率倍数augmentTrue,# 开启数据增强翻转、裁剪、色彩变换等mosaic1.0,# 马赛克增强提升泛化能力mixup0.1,# MixUp增强hsv_h0.015,# 色调增强hsv_s0.7,# 饱和度增强hsv_v0.4,# 亮度增强degrees10,# 随机旋转±10度translate0.1,# 随机平移scale0.5,# 随机缩放flipud0.1,# 上下翻转概率fliplr0.5,# 左右翻转概率valTrue,# 训练中自动做验证saveTrue,# 保存模型save_period10,# 每10轮保存一次模型patience20,# 早停20轮无提升自动停止verboseTrue# 打印训练日志)# 3. 训练结束后验证模型 metricsmodel.val()print(验证结果,metrics)# 4. 用训练好的模型做单张图片推理 # 加载训练好的最佳模型路径在 runs/pipe_sewage_exp/yolov8s_train/weights/best.ptbest_modelYOLO(pipe_sewage_exp/yolov8s_train/weights/best.pt)# 推理单张图片resultsbest_model(test_pipe.jpg,saveTrue,conf0.3)# conf0.3为置信度阈值# 查看结果forresultinresults:print(检测到的目标,result.boxes)result.show()# 弹出窗口显示检测结果5. 关键使用说明1数据预处理确保所有图片和标签一一对应文件名相同后缀不同.jpg/.png对应.txt标签里的坐标必须是归一化的0~1之间如果你的标签是像素坐标需要按图片宽高手动转换建议按 8:2 比例划分训练集和验证集2训练参数调整显存不足把batch16改成batch8或4imgsz640改成480过拟合增加epochs或增强数据增强提高augmentTrue下的参数如scale、degrees欠拟合更换更大的模型如yolov8m.pt降低lr0学习率3模型部署训练完成后最佳模型保存在pipe_sewage_exp/yolov8s_train/weights/best.pt可以直接用于无人机/地面巡检设备实时检测河道排污取证视频批量分析环保巡查系统API接口部署6. 补充Python批量去除水印脚本适配10000张图片如果你需要批量处理整个数据集的水印用下面的脚本简单快速适合半透明文字水印importcv2importnumpyasnpimportosdefremove_watermark(image_path,output_path,text_maskNone):# 读取图片imgcv2.imread(image_path)ifimgisNone:return# 定义水印文字的大致位置区域根据你的水印位置调整# 这里假设水印在图片底部/中部你可以根据实际修改坐标h,wimg.shape[:2]# 示例去除底部的文字水印masknp.zeros((h,w),dtypenp.uint8)# 假设水印区域是x从100到800y从h-100到h-20cv2.rectangle(mask,(100,h-100),(800,h-20),255,-1)# 用inpaint修复水印区域resultcv2.inpaint(img,mask,3,cv2.INPAINT_TELEA)# 保存结果cv2.imwrite(output_path,result)# 批量处理文件夹input_dirwatermarked_images# 有水印的图片文件夹output_dirclean_images# 处理后保存的文件夹os.makedirs(output_dir,exist_okTrue)forfilenameinos.listdir(input_dir):iffilename.endswith((.jpg,.png)):input_pathos.path.join(input_dir,filename)output_pathos.path.join(output_dir,filename)remove_watermark(input_path,output_path)print(f处理完成{filename})