深度学习框架YOLO数据集 深度学习框架YOLOV11模型如何训练 智慧电力设备-无人机-风机叶片表面缺陷检测数据集
智慧电力设备-风机叶片表面缺陷检测数据集
3584张图片，7:3划分训练集验证集
5个类别：漏油、污秽物、掉漆、侵蚀、胶带
图片清晰，标注齐全，支持YOLO格式
mAP：88.5%
风机叶片表面缺陷检测数据集
| 类别 | 内容 |
|---|---|
| 数据集名称 | 风机叶片表面缺陷检测数据集 |
| 图片规模 | 总计3584张高清图像 |
| 数据集划分 | 按7:3比例科学划分训练集与验证集 |
| 检测类别 | 5类核心缺陷：1. 漏油2. 污秽物3. 掉漆4. 侵蚀5. 胶带 |
| 数据质量 | 图像清晰度高，标注齐全，已转换为标准 YOLO 格式 |
| 模型性能 | 基准模型 mAP 达到88.5% |
YOLOv11 训练代码
以下代码基于 Ultralytics 框架，针对风机叶片缺陷检测任务进行了优化配置。
1. 数据配置文件 (data.yaml)
请在数据集根目录下创建此文件，确保路径与类别名称对应。
# data.yamlpath:./wind_turbine_dataset# 数据集根目录train:images/train# 训练集图片路径val:images/val# 验证集图片路径# 类别数量nc:5# 类别名称 (请确保与标注文件中的索引顺序一致)names:0:oil_leakage# 漏油1:dirt# 污秽物2:paint_loss# 掉漆3:erosion# 侵蚀4:tape# 胶带2. Python 训练脚本 (train.py)
运行此脚本将自动加载预训练权重并开始训练。
fromultralyticsimportYOLOdeftrain_wind_turbine_model():# 1. 加载 YOLOv11 预训练模型# 使用 nano 版本以平衡速度与精度，适合无人机巡检部署model=YOLO('yolov11n.pt')# 2. 开始训练results=model.train(data='wind_turbine_dataset/data.yaml',# 数据配置文件路径epochs=150,# 训练轮数 (建议 100-300)imgsz=640,# 图像输入尺寸batch=16,# 批次大小 (根据显存调整)name='wind_turbine_defect_v1',# 实验名称project='runs/detect',# 项目保存路径device=0,# 设备: 0为GPU, 'cpu'为CPUworkers=4,# 数据加载线程数optimizer='AdamW',# 优化器lr0=0.001,# 初始学习率patience=30,# 早停机制save=True,# 保存模型verbose=True# 显示详细日志)print("训练完成！模型已保存至 runs/detect/wind_turbine_defect_v1/weights/best.pt")if__name__=='__main__':train_wind_turbine_model()3. 命令行训练方式 (可选)
终端命令，可以直接运行：
yolo detect traindata=wind_turbine_dataset/data.yamlmodel=yolov11n.ptepochs=150imgsz=640batch=16name=wind_turbine_defect_v1device=0