简介：面向电力巡检与目标检测学习者的输电线路过热检测系统完整方案，基于YOLO11与YOLOv8双框架实现从数据标注、模型训练到推理部署的全流程。压缩包共2000个文件，以txt标注数据、md说明文档、py训练与推理脚本、yaml模型配置为主，同时包含C++推理示例、XML配置、PDF与PPT等辅助资料，整体体积407.5MB。包内已准备好2000张标注为overheat的输电线路过热图像，提供可直接运行的训练测试源码、已训练好的YOLO11与YOLOv8权重，并集成基于PySide的桌面图形界面与基于Gradio的Web界面，方便本地演示与二次开发。已有277人学习下载，适合高校学生、算法工程师及竞赛选手参考，配套视频讲解Miniconda与PyCharm环境配置及复现流程。
1. 红外与可见光的错位：YOLO 看不见温度，但检测系统可以
“过热检测”这四个字，最容易让人误以为 YOLO 是在对发热区域做分类。实际工程里，YOLO 模型的本职工作只是“找到绝缘子、线夹、引流线、导线接头”，而“过热”这个结论，来自检测框区域内的温度反演。输电线路的红外热像仪输出的是 14 位灰度图或伪彩图，温度信息编码在灰度值里。更本质的问题是：可见光模型在红外图像上往往掉点严重，因为纹理信息弱、对比度全靠温差。
所以这个系统真正的技术主线是两条：一条是 YOLOv8 与 YOLO11 在红外小目标场景下的精度/速度权衡，另一条是把检测框坐标映射回原始热像图、用温度阈值和相对温差法输出诊断结论。本文按“架构对比 → 数据构建 → 训练判定 → 部署排错”展开，所有命令和代码都按常见方案给全，直接能复现。
2. YOLOv8 与 YOLO11 的架构差异，决定了你在红外场景下怎么选
2.1 从 C2f 到 C3k2：骨干网络的改动不是换代，是调优
YOLOv8 的 Backbone 核心是 C2f（Cross Stage Partial with 2 convolutions and bottleneck fusion），它把输入特征拆成两条路径，一条经过卷积提取，一条直接拼接，最后融合。YOLO11 改成了 C3k2，本质上是把 C2f 里的 Bottleneck 换成了参数量更小的轻量卷积组合，同时在相同的 FLOPs 预算下堆叠更多的层。
以 n 规模模型为例，YOLOv8n 在 COCO 上的 mAP50-95 约为 37.3，YOLO11n 约为 39.5，推理速度基本持平甚至略快。这个提升主要来自 Head 部分的改动，YOLO11 的检测头引入了 DWConv（深度可分离卷积）来做分类分支的降维，参数量比 YOLOv8 的共享卷积头更少。
如果你只是做课程大作业，不需要深究每个模块的数学细节，但要能说清楚一个结论：YOLO11 的 AP 提升 2 个点左右，FLOPs 基本不变，适合端侧部署；YOLOv8 生态成熟，预训练权重和第三方工具链更稳，所以标题里两个版本都出现，本质是同一套框架下的对比实验。
2.1.1 用一段代码验证两个模型的结构差异
不需要看论文，直接跑一段 PyTorch 代码，打印两个模型的模块名和参数量：
from ultralytics import YOLO for name in ["yolov8n.pt", "yolo11n.pt"]: model = YOLO(name) total = sum(p.numel() for p in model.model.parameters()) print(f"{name} 总参数量: {total / 1e6:.2f} M") # 打印 Backbone 最后一个模块的名称 backbone_layers = [m.type for m in model.model.model] print(f"{name} 最后 5 个模块: {backbone_layers[-5:]}")这个脚本会同时从 Ultralytics 拉取两个权重文件，输出里能直接看到 YOLOv8 的 C2f 和 YOLO11 的 C3k2 模块名差异。跑通这一步，环境就确认没问题了。
2.2 Anchor-Free 检测头与损失函数：两个版本共用同一套逻辑
YOLOv8 和 YOLO11 都采用 Anchor-Free 架构，也就是直接在特征图上回归物体中心和宽高，不需要预设 Anchor 框。解码过程用 DFL（Distribution Focal Loss）来学习边界框的分布，分类用 BCE 损失，回归用 CIoU 损失。
过热检测场景下，损失函数配置不需要改动，但有两个参数值得关注：
box_loss和cls_loss的默认权重是 7.5 和 0.5，如果数据集里小目标比例高，可以上调 box 权重到 10.0，让模型更关注定位精度，因为温度提取依赖检测框的边界准确度。dfl_loss默认 1.5，这个值影响边界框回归的离散分布学习能力，一般不动。
| 对比项 | YOLOv8 | YOLO11 | 对过热检测的意义 |
|---|---|---|---|
| Backbone 基础模块 | C2f | C3k2 | v11 理论速度略快 |
| SPPF 后续结构 | SPPF | SPPF + 部分 CSPStage | v11 高层特征语义更强 |
| Head 分类分支卷积 | 普通 3x3 卷积 | 深度可分离卷积 | v11 参数量更小 |
| 输出通道结构 | 与 v8 完全一致 | 一致 | 后处理代码完全复用 |
| 官方 COCO mAP50-95（n 规模） | 约 37.3 | 约 39.5 | v11 识别精度更高 |
2.3 双模型集成与对比实验的设计思路
大作业里同时出现两个版本，常见做法不是做模型融合，而是做横向对比：训练两个模型，在相同测试集上对比 mAP50、mAP50-95、召回率和推理延迟，最后在结论里给出选型建议。这种思路既符合课设要求，也符合工业项目里模型选型的基本流程。
提示：不要做简单的加权平均融合。两个模型的输出分布高度相似，融合收益远小于训练一个 Swin Transformer 或 RT-DETR 的收益，且答辩时容易被问住。
3. 红外数据集构建：把“过热”这个诊断目标变成 YOLO 能学的标签
3.1 温度量化与灰度映射是预处理的第一步
红外热像仪的原始数据通常是 16 位温度矩阵，每个像素对应一个开尔文温度值。常见做法是在分析软件里导出为 8 位灰度图或伪彩图。这里有个关键抉择：
- 用灰度图训练：温度信息线性编码在灰度值里，模型学习的是亮度特征，与温度有单调映射关系。
- 用伪彩图训练：颜色编码是厂商自定义的映射表，模型学的是“彩虹色”的位置特征，换成另一台设备就失效。
对于输电线路这种温度范围相对固定的场景（一般 -20°C 到 150°C），更可靠的做法是把温度范围线性映射到 0-255，用灰度图训练，并把映射参数保存下来，推理时反向求出温度。这样模型看不到温度数值，但推理代码里可以直接从灰度值恢复出绝对温度。
映射关系如下：
gray = (T - T_min) / (T_max - T_min) * 255 T = gray / 255 * (T_max - T_min) + T_min范围设置要注意季节性差异，比如冬季导线温度与环境的温差小，直接把 T_min 定在 -20°C 会压缩 20°C 到 80°C 区间的灰度分辨率，导致过热区域在图像上几乎不可见。
3.2 标注策略：检测部件还是检测热点区域
这是整个系统里最容易走歪的地方。过热检测的诊断对象是“线夹、耐张线夹、引流板、绝缘子”，而发热点通常在部件内部的接触面上。两种标注路线：
- 标注部件本身，下游通过框内最大温度判断是否过热。优点是模型分类目标明确、训练效果好；缺点是检测框边界可能包进环境背景，导致温度统计有偏差。
- 标注过热区域，直接让模型输出过热点。缺点是负样本难以定义——什么温度不算过热？边界模糊，模型容易学废。
实践中我建议走路线 1，但把标注框严格贴合部件轮廓，尽量收紧拍摄视角。例如绝缘子串的标注框，只框瓷瓶部分，不框上下金具。检测框的温度统计区域缩小后，与人工手持红外测温的读数一致性会明显变好。
3.3 从 LabelImg 的 XML 转到 YOLO 格式的脚本
标注工作流用 LabelImg 输出 Pascal VOC 格式，然后转成 YOLO 的 txt 格式。转换脚本如下：
import xml.etree.ElementTree as ET import os def convert_annotation(xml_path, out_dir, class_map): tree = ET.parse(xml_path) root = tree.getroot() size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_map: continue cls_id = class_map[name] box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) # YOLO 格式：归一化的中心点坐标和宽高 x_center = ((x1 + x2) / 2) / w y_center = ((y1 + y2) / 2) / h box_w = (x2 - x1) / w box_h = (y2 - y1) / h lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {box_w:.6f} {box_h:.6f}") base = os.path.splitext(os.path.basename(xml_path))[0] with open(os.path.join(out_dir, base + ".txt"), "w") as f: f.write("\n".join(lines))参数说明：class_map是一个字典，例如{"insulator": 0, "clamp": 1, "jumper": 2}，类别顺序必须和训练时的data.yaml一致，否则类别错位是排查成本最高的坑。转换完后要检查是否有空 txt 文件，以及标注框宽高是否为 0。
数据集划分按 7:2:1，代码里用train_test_split时设置random_state=42，保证多次实验用同一份划分，对比实验才有意义。如果样本量少于 500 张，建议使用 K-Fold 交叉验证，否则测试集的置信区间太宽，两个模型差异无法判定为显著。
3.4 超参数里影响红外数据增强的关键项
红外图像和可见光的增强策略差异很大。YOLO 的默认增强里，hsv_h、hsv_s、hsv_v对灰度图无效，因为单通道没有色相和饱和度信息。但fliplr=0.5和mosaic=1.0仍然有效，因为线路部件在水平翻转后语义不变。
淹没在默认配置里的一个坑是scale=0.5会随机缩放图像，导致线夹这种小目标被缩得更小。如果训练集里目标像素面积普遍小于 32x32，建议把scale降到 0.3 以下，并把imgsz从默认 640 提升到 960 或 1280，对小目标检测收益非常明显。
yolo 训练自己的数据集时，红外场景下不需要刻意增大degrees（旋转增强），因为绝缘子串在图像中的方向一致性高，旋转后的图像会偏离实际分布。默认的 0.0 就是合理的。
4. 训练、推理与温度判定：从检测框到“过热”结论
4.1 训练命令与对比实验的参数表
准备好data.yaml后，直接用 Ultralytics 的 CLI 训练两个模型：
# YOLOv8 基线 yolo train data=powerline.yaml model=yolov8n.pt epochs=200 imgsz=640 batch=16 device=0 patience=30 # YOLO11 对比 yolo train data=powerline.yaml model=yolo11n.pt epochs=200 imgsz=640 batch=16 device=0 patience=30patience=30表示 30 个 epoch 验证集指标不提升就提前停止，墙钟时间能省掉差不多三分之一。device=0指定单张 GPU，如果显存不足，把 batch 降到 8 而不是降 imgsz，对小目标更友好。
完整参数表如下：
| 参数 | 推荐值 | 说明 |
|---|---|---|
imgsz | 640（像素范围小于 32 时用 960） | 输入分辨率，与检测框最小尺寸强相关 |
epochs | 200 | 配合早停，不需要手工调太多 |
batch | 8-16 | 按显存调整，BatchNorm 层多，太小不稳 |
optimizer | auto（默认 AdamW） | 无需改，SGD 收敛慢不适合小数据集 |
lr0 | 0.01 | 迁移学习时保持默认即可 |
lrf | 0.01 | 最后 10 个 epoch 线性降到初始 lr 的 1% |
mosaic | 1.0 | 默认开启，红外小目标场景建议保留 |
close_mosaic | 10 | 最后 10 个 epoch 关闭 Mosaic，稳定训练 |
fliplr | 0.5 | 水平翻转，线路部件语义不变 |
scale | 0.3 或更小 | 抑制小目标被过度缩小 |
yolo 训练参数里最容易忽视的是cache=True，数据集只有几百张图时，这个参数能把大部分时间花在缓存加载上。小数据集下cache=ram收益极高。
4.2 温度提取：从检测结果 txt 反算温度
推理阶段，用模型得到检测框后，核心逻辑是回原图提取温度。以下是完整的实现思路：
import cv2 import numpy as np def extract_temperature(image_path, detections, t_min=-20.0, t_max=150.0): """ image_path: 原始红外灰度图路径（8bit） detections: [x1, y1, x2, y2, conf, cls] """ gray = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) results = [] for det in detections: x1, y1, x2, y2 = map(int, det[:4])? roi = gray[y1:y2, x1:x2] # 核心：框内最高温度才是诊断依据 max_gray = roi.max() max_temp = max_gray / 255.0 * (t_max - t_min) + t_min mean_temp = roi.mean() / 255.0 * (t_max - t_min) + t_min results.append({ "max_temp": max_temp, "mean_temp": mean_temp, "area_pixels": roi.size }) return results# 上面的缩进和 map 写法有误，重写 import cv2 def extract_temperature(image_path, detections, t_min=-20.0, t_max=150.0): gray = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) results = [] for det in detections: x1, y1, x2, y2 = [int(v) for v in det[:4]] roi = gray[y1:y2, x1:x2] if roi.size == 0: continue max_gray = roi.max() max_temp = max_gray / 255.0 * (t_max - t_min) + t_min mean_temp = roi.mean() / 255.0 * (t_max - t_min) + t_min results.append({ "max_temp": round(max_temp, 2), "mean_temp": round(mean_temp, 2), "area_pixels": roi.size }) return results注意，这里使用的是检测框内的整体最大灰度。可实际巡检中，发热点占框内面积的比例可能只有 20%-30%，框内平均温度会被周边环境拉低，所以状态判据用max_temp，辅助参考用mean_temp，当两者温差超过 40°C 时多半是框打大了，需要回看标注数据。
4.3 相对温差法与绝对阈值的联合判定
国网和南网的运维规范里，相对温差法是判断设备发热严重程度的核心标准。计算公式为：
delta = (T1 - T2) / T1 * 100%其中 T1 是发热点的实测温度，T2 是同类正常部件的温度，都用开尔文温度。注意用开尔文而不是摄氏温度计算相对温差，否则分子分母比例会失真。
工程实现里的做法是：同一帧图像中，如果检测到多个同类别目标，取框内max_temp最低的作为 T2；如果只有一个目标，则取历史基线统计值。判定阈值参考：
| 温差比值 delta | 电压等级 110kV 及以下 | 220kV 及以上 | 建议动作 |
|---|---|---|---|
| < 80% | 正常 | 正常 | 按周期复测 |
| 80% - 94% | 一般缺陷 | 严重缺陷 | 缩短复测周期 |
| >= 95% | 严重缺陷 | 危急缺陷 | 安排停电检修 |
这个判断维度才是“过热检测”的核心交付物，而不是模型分类的准确率。在课设答辩时，能说清楚相对温差公式和两个温度采样策略的差异，比多说两个模型涨点更能体现工程理解。
5. 端侧部署与精度校验：v8 稳、v11 轻，别忘了时序平滑
5.1 导出 ONNX 并确认两个模型的输出维度一致
训练完的模型需要脱离 PyTorch 环境跑推理，常见做法是导出 ONNX。Ultralytics 一条命令搞定：
yolo export model=runs/detect/train/weights/best.pt format=onnx opset=12 imgsz=640导出后可以用 netron.app 打开检查输出节点。YOLOv8 和 YOLO11 的输出都是 1x84x8400 的形状（以 COCO 80 类为例，4 个坐标 + 80 个类别概率，8400 为三个尺度特征图锚点数之和），所以后处理代码完全复用。
如果你要在 RK3588 等边缘板卡上部署，ONNX 导出后还需要转成 RKNN 格式。就过热检测这个场景，YOLO11n 转 RKNN 后通常能跑到 40-60ms/帧，YOLOv8n 则是 30-50ms/帧。板卡上跑的话建议选 YOLO11n——精度更高，推理速度差距在工业巡检里可以忽略。
5.2 相间温差法实现时容易踩的两个坑
第一个坑是 T2 的取值来源。如果 T2 直接从当前帧的最低温度部件取，在环境温度骤变或负载突增的帧里会误判。稳妥做法是取 5 帧滑动窗口的中位数，作为基线温度再计算 delta。
第二个坑更隐蔽：伪彩图还原温度时，不同厂商的色标映射表不统一（例如 FLIR 的铁红、白热、黑热映射方向相反）。如果你的训练图像是伪彩图，部署时换了采集设备，模型推理结果会全面崩溃。解决思路是在预处理阶段做色标反转的兼容，或者从一开始就统一用灰度图训练。
5.3 序列帧判稳：单帧过热是噪声，连续过热才是缺陷
实际部署时，红外热像仪按固定角度连续采集，单帧的检测框位置会有 1-2 个像素的抖动，对应到温度提取上波动可能达到 2°C-3°C。建议在推理管线上加一个简单的时序判定：
class Smoother: def __init__(self, window_size=5): self.window = [] self.window_size = window_size def update(self, temp_value): self.window.append(temp_value) if len(self.window) > self.window_size: self.window.pop(0) return sorted(self.window)[len(self.window) // 2]中位数滤波比均值滤波更适合这个场景，因为当某一帧出现误检框时，中位数能直接把离群值剔除，而均值会把它拉偏。在温度阈值判定时，连续 3 帧超过阈值才触发报警，误报率能降到原来的三分之一以下。最后用 yolo11 的推理结果刷一遍全量测试集，确认 mAP50 和端到端延迟两个数都在报告里出现，就算收工了。
本文还有配套的精品资源，点击获取
