数据集路径:确保数据集路径正确,特别是图片和标注文件的路径。 硬件资源:训练大型模型可能需要较多的计算资源,建议使用 GPU。 超参数调整:根据实际情况调整学习率、批量大小等超参数,以获得更好的训练效果。 数据增强:为了提高模型的泛化能力,可以在训练过程中使用数据增强技术,如随机裁剪、翻转等。 希望这些步骤能帮助...
由于多次振动,导线因周期性的弯折会发生疲劳破坏。当架空线路档距大于120米时,一般采用防振锤防振。 今天要介绍的数据集则是防震锤数据集: 数据集名称:防震锤数据集 数据集格式:Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件,仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数):以文件包含图片数量...
创建一个配置文件damper_defect_detection.yaml,内容如下: yaml深色版本 path: damper_defect_detection_dataset #数据集路径train: images/train # 训练集图像路径 val: images/val # 验证集图像路径 test: images/test # 测试集图像路径 nc: 2 # 类别数 names: ['defective', 'none_defective'] # 类别名称...
防震锤数据集VOC-2200张在深度学习、目标检测等领域具有广泛的应用前景。通过训练深度学习模型,可以实现对防震锤的自动识别与检测。这在架空线路的巡检、维护以及故障排查中具有重要意义。例如,在无人机巡检过程中,利用训练好的模型可以快速准确地识别出线路中的防震锤,从而判断其是否完好、是否需要更换或维修。 千帆大...
每个类别标注的框数: 绝缘子放电痕迹 flashover count = 1265 绝缘子 insulator count = 1948 绝缘子破损 damaged count = 1109 防震锤 fzc count = 91 鸟巢nest count = 12 使用标注工具:labelImg 标注规则:对类别进行画矩形框 重要说明:暂无 特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,数据集只...
Fe**ng上传750.29 MB文件格式zip数据集 针对输电线路无人机巡检任务,根据输电线路缺陷的基本特征,自建可用于输电线路多目标缺陷识别的数据集;绝缘子识别+缺陷检测,防震锤识别+缺陷检测(锈蚀);均压环识别+均压环缺陷检测(倾斜)输电线路异物检测,鸟巢,气球、垃圾等;对数据集图像进行分类、标注和增强,原图经过翻转、...
防震锤缺陷检测数据集 1000张 防震锤 带标注 voc yolo分类名: (图片张数, 标注个数) none_ defect ive:(636,1 808) defective: (831, 933) 总数:(1000,2741) 总类(nc): 2类 数据集介绍 数据集概述 数据集名称:Anti-Vibration Hammer Defect Detection Dataset (AVHDDD) 数据类型:图像 目标任务:防震锤...
【输电线路 Damper防震锤缺陷检测数据集】共1000张,标注文件有VOC的xml格式和YOLO的txt 格式。 各类别计数: { '0': 933,'1': 1808} 共两个类别:defective,none_defective 分辨率600*400 数据增强过 使用YOLOv8模型进行训练和评估。以下是详细的步骤和代码示例,帮助你完成这个任务。
重要说明:防震锤缺陷图片太难找,数据集里面存在大量单一场景图片,请仔细查看图片预览谨慎下载,此外数据集均为小目标检测,如果训练map偏低属于正常现象 数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) ...
数据集特点 多样性:涵盖输电线路中常见的五种缺陷类型,提供了丰富的训练样本。 数据增强:经过数据增强处理后,各类缺陷的数量分别为:绝缘子自爆1828张、绝缘子破损和闪络1467张、鸟巢4370张、防震锤脱落1050张、绝缘子破损与闪络2185张。 标注格式:使用LabelMe工具进行了详细标注,每张图片都有一个对应的XML文件,记录了图...