深度学习框架YOLOV8模型如何训练 智慧工地无人机工程车辆检测数据集 无人机山火烟雾检测数据集 部分普通视角 输电线路智能防护系统

智慧化移动工具-输电线路三维全景智能检测数据集，输电线路防外力破坏。

实时精准识别危险车辆，山火烟雾。

YOLO格式2768张，5个类别。

标注类别名称:[“Excavator-挖掘机”,“Loader-推土机”,“Dumb_truck-装载车/渣土车”,“Mobile_crane-吊车”,“hzyw-火灾烟雾”]

使用标注工具：labelImg

1

📊 输电线路防外力破坏智能检测数据集（YOLO 格式）

🔖 类别定义与分布统计

✅注：

• 所有类别均为“危险源”，一旦识别即触发预警。
• hzyw（火灾烟雾）为非刚性目标，需模型具备良好泛化能力。
• 标签文件中类别索引从0开始，与上述编号一致。

📁 数据集目录结构建议（YOLO 格式）

transmission_line_dataset/ ├── images/ │ ├── train/ │ │ ├── img_0001.jpg │ │ └──... │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ │ ├── img_0001.txt │ │ └──... │ ├── val/ │ └── test/ └── dataset.yaml

📄dataset.yaml配置文件示例

# transmission_line_dataset/dataset.yamlpath:./transmission_line_datasettrain:images/trainval:images/valtest:images/testnc:5names:['Excavator','Loader','Dumb_truck','Mobile_crane','hzyw']

⚠️ 标注注意事项（来自 LabelImg）

• 使用矩形框（Bounding Box）精准包围目标主体。
• 对于部分遮挡或远距离小目标，仍需标注（提升模型鲁棒性）。
• 烟雾目标应标注其可见烟柱主体区域，避免包含过多天空背景。
• 同一图像中允许多个同类或不同类目标共存。

🎯 应用价值

以下是针对您提供的输电线路防外力破坏智能检测数据集（5 类：挖掘机、推土机、渣土车、吊车、火灾烟雾）的完整 YOLOv8 训练代码与部署流程，包含：

• ✅ 数据集准备
• ✅dataset.yaml配置
• ✅ 模型训练脚本
• ✅ 验证与测试
• ✅ 导出 ONNX / TensorRT（可选）
• ✅ 推理示例（图片 + 视频 + 摄像头）

💡 使用框架：Ultralytics YOLOv8（官方 PyTorch 实现）
📦 依赖：Python ≥3.8, torch ≥1.8, ultralytics

✅ 一、环境安装

# 创建虚拟环境（推荐）conda create -n yolov8python=3.9-y conda activate yolov8# 安装 PyTorch（根据 CUDA 版本选择）pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 安装 Ultralytics YOLOv8pipinstallultralytics# 验证安装yolo version

✅ 二、数据集目录结构

确保您的数据集按如下结构组织（YOLO 标准格式）：

transmission_line_dataset/ ├── images/ │ ├── train/# 2214 张│ ├── val/# 277 张│ └── test/# 277 张└── labels/ ├── train/ ├── val/ └── test/

🔎 图像格式：.jpg或.png
🏷️ 标签格式：每个.txt文件包含多行，每行格式为：
class_id center_x center_y width height（归一化到 [0,1]）

✅ 三、创建dataset.yaml

在项目根目录下创建transmission_line_dataset/dataset.yaml：

# transmission_line_dataset/dataset.yamlpath:./transmission_line_dataset# 数据集根路径train:images/train# 训练集图像路径（相对 path）val:images/val# 验证集test:images/test# 测试集（可选）# 类别数量和名称nc:5names:['Excavator','Loader','Dumb_truck','Mobile_crane','hzyw']

⚠️ 注意：

• 路径是相对path的子路径
• names顺序必须与标注时的class_id严格对应

✅ 四、训练代码（train.py）

# train.pyfromultralyticsimportYOLOdefmain():# 1. 加载预训练模型（YOLOv8s，也可选 n/m/l/x）model=YOLO('yolov8s.pt')# 自动从 Ultralytics 官网下载# 2. 开始训练results=model.train(data='transmission_line_dataset/dataset.yaml',# 数据集配置epochs=100,# 训练轮数imgsz=640,# 输入图像尺寸batch=16,# 批大小（根据 GPU 显存调整）name='transmission_line_yolov8s',# 实验名称（保存在 runs/detect/ 下）cache=True,# 缓存图像加速训练device=0,# GPU 设备 ID（0,1,... 或 'cpu'）workers=8,# 数据加载线程数patience=15,# 早停：验证损失不再下降 15 轮后停止save=True,# 保存最佳和最后模型exist_ok=False,# 若实验名已存在则报错verbose=True# 打印详细日志)print("✅ 训练完成！模型保存在：",results.save_dir)if__name__=='__main__':main()

📌 训练启动命令（替代方式）

也可以直接使用命令行（无需写 Python 脚本）：

yolo detect train\data=transmission_line_dataset/dataset.yaml\model=yolov8s.pt\epochs=100\imgsz=640\batch=16\name=transmission_line_yolov8s\cache=True\device=0

✅ 五、验证与测试

1. 验证模型性能

# validate.pyfromultralyticsimportYOLO model=YOLO('runs/detect/transmission_line_yolov8s/weights/best.pt')metrics=model.val(data='transmission_line_dataset/dataset.yaml')print(metrics.box.map)# mAP@0.5:0.95

2. 测试单张图像

# predict_image.pyfromultralyticsimportYOLOimportcv2 model=YOLO('runs/detect/transmission_line_yolov8s/weights/best.pt')results=model('test_image.jpg')# 保存带框结果results[0].save(filename='output.jpg')# 打印检测结果forboxinresults[0].boxes:cls=int(box.cls.item())conf=float(box.conf.item())print(f"类别:{model.names[cls]}, 置信度:{conf:.2f}")

✅ 六、实时检测（视频 / 摄像头）

# realtime_detect.pyfromultralyticsimportYOLOimportcv2 model=YOLO('runs/detect/transmission_line_yolov8s/weights/best.pt')# 选项1：摄像头cap=cv2.VideoCapture(0)# 选项2：视频文件# cap = cv2.VideoCapture('construction_site.mp4')whileTrue:ret,frame=cap.read()ifnotret:breakresults=model(frame,conf=0.4)# 置信度阈值 0.4annotated_frame=results[0].plot()cv2.imshow('Transmission Line Monitor',annotated_frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()

✅ 七、模型导出（ONNX / TensorRT）

用于部署到边缘设备（如 Jetson、服务器推理）：

# 导出 ONNXyoloexportmodel=runs/detect/transmission_line_yolov8s/weights/best.ptformat=onnx# 导出 TensorRT（需安装 tensorrt）yoloexportmodel=runs/detect/transmission_line_yolov8s/weights/best.ptformat=engine

导出后文件位于同目录下：best.onnx或best.engine

✅ 八、训练结果说明

训练完成后，结果保存在：

runs/detect/transmission_line_yolov8s/ ├── weights/ │ ├── best.pt ← 最佳模型（按 val mAP 选择） │ └── last.pt ← 最后一轮模型 ├── results.csv ← 训练指标（loss, mAP 等） ├── confusion_matrix.png └── labels.jpg ← 标签分布可视化

✅ 九、性能优化建议

✅ 十、附：类别映射表（供前端/数据库使用）

✅提示：

• 若需Flask Web 系统集成，可将best.pt加载到 Flask 后端提供 API。
• 若需批量检测 + PDF 报告，可结合reportlab库生成。