基于深度学习yolov8n太阳能电池板缺陷检测及光伏检测-CSDN博客

本文链接：https://blog.csdn.net/QQ_1309399183/article/details/148478948

inspection

识别类别数量及类目

模型来检测太阳能在这里插入图片描述
电池板上的缺陷或状态。该模型可以识别七个类别：

- bird_drop
- bird_feather
- cracked
- dust_partical
- healthy
- leaf
- snow
- 这里是这些词的翻译：

- **bird_drop**: 鸟粪
- **bird_feather**: 鸟羽毛
- **cracked**: 裂开的
- **dust_particle**: 尘埃颗粒
- **healthy**: 健康的
- **leaf**: 叶子
- **snow**: 雪

本项目包括inspection：

用于训练、验证和测试的数据集（托管在HuggingFace）。
训练脚本及重复或自定义训练过程的说明。
推理脚本（基于图像和通过网络摄像头进行实时推理）。
适用于边缘设备（如树莓派）的轻量级模型。

特性

七类检测，涵盖各种太阳能电池板状态。
轻量级模型（YOLOv11n），大约有2.59M参数，适用于边缘设备的实时推理。
通过网络摄像头进行实时检测（webcam.py）。
可以使用提供的数据或自定义数据集进行训练。
支持导出为ONNX和TorchScript，便于广泛部署。

项目结构

your_project/
├── assets/
│   └── solarpanel.gif          <-- 本README中引用的GIF
├── weights/
│   └── yolo_nano_solar_panel.pt  <-- YOLOv11n预训练权重
├── dataset/
│   └── data.yaml               <-- 示例数据集YAML（根据需要修改）
├── training.py                 <-- 用于训练模型的脚本
├── image_test.py               <-- 用于单张图像推理的脚本
├── webcam.py                   <-- 用于实时摄像头检测的脚本
├── requirements.txt            <-- 项目依赖
└── README.md                   <-- 本文件

注意：根据需要调整文件和文件夹的名称，以匹配您的实际设置。
在这里插入图片描述

安装与要求

克隆该仓库或下载文件。
安装所需的包：
```
pip install -r requirements.txt
```
包括：
- torch
- ultralytics
- opencv-python
- numpy
  （以及您可能需要的任何其他包）
检查GPU支持（可选，但推荐）：
- 如果计划加速训练或进行高强度推理，请确保您的设备有CUDA兼容的GPU。
- 如果仅使用CPU或低功耗设备，YOLOv11n仍然适用，但训练可能会较慢。

数据集

我们使用Louisnguyen的Solar_Panels_Condition数据集。该数据集包含7个类别的边界框注释。

训练集：约11,209个边界框。
验证集：约2,899个边界框。
一些图像有分割标签，但这里只使用边界框。如果您想适应分割任务，需要相应地调整数据。

下载数据集并将其放置在dataset/文件夹中（或更新data.yaml文件以指向数据存放的位置）。

模型训练

配置dataset/文件夹中的data.yaml（或您选择的路径），使其匹配您的数据集结构。
将YOLOv11n权重（如果有的话）放入./weights/yolo_nano_solar_panel.pt。
如果从头开始训练，需要一个基线模型检查点。
运行：
```
python training.py
```
该脚本会：
- 加载YOLOv11n模型。
- 训练100个epoch，批量大小为16。
- 将结果（损失、mAP、混淆矩阵等）记录在./runs/train/文件夹中。
- 导出最终权重和可选的ONNX/TorchScript模型。

测试与评估

要评估模型在验证集上的表现，可以运行：

python image_test.py

在脚本中，您将看到：

model.val()：对数据集进行快速评估。
results = model(image_path)：对样本图像进行推理。
输出指标（mAP、框损失、分类损失等）。

您可以修改image_test.py，指向不同的图像或使用图像文件夹。

运行推理

单图像推理：
- 将image_path设置为您想要测试的图像。
- 运行：
```
python image_test.py
```
- 脚本将打印指标并显示图像上的检测结果。
实时摄像头推理：
- 连接摄像头或使用笔记本的内置摄像头。
- 运行：
```
python webcam.py
```
- 您将看到实时视频流，检测到的物体会显示边界框和类别标签。
- 按‘q’退出，按‘s’保存截图。