基于Yolov5的绝缘子检测

目录

1.数据集绝缘子检测介绍

2.Yolov5介绍

2.1 如何训练

---

✨✨✨✨✨目标检测数据集✨✨✨✨✨✨

        本专栏提供各种场景的数据集，主要聚焦：工业缺陷检测数据集、小目标数据集、遥感数据集、红外小目标数据集，该专栏的数据集会在多个专栏进行验证，在多个数据集进行验证mAP涨点明显，尤其是小目标、遮挡物精度提升明显的数据集会在该专栏进行数据集上传。数据集开箱即用，已转换成适合yolo训练的格式供直接使用。

🏆🏆🏆目标检测数据集分享： http://t.csdn.cn/bdhTy 🏆🏆🏆

        对应应用场景，不同的应用场景有不同的检测难点以及对应改进方法，本专栏整理汇总领域内的数据集，方便大家下载数据集。

1.数据集绝缘子检测介绍

        随着社会和经济的持续发展，电力系统的投资与建设也日益加速。在电力系统中，输电线路作为电能传输的载体，是最为关键的环节之一。而绝缘子作为输电环节中的重要设备，在支撑固定导线，保障绝缘距离的方面有着重要作用。大多数高压输电线路主要架设在非城市内地区，绝缘子在输电线路中由于数量众多、跨区分布，且长期暴露在空气中，受恶劣自然环境的影响，十分容易发生故障。随着大量输电工程的快速建设，传统依靠人工巡检的模式，已经越来越难以适应高质量运维的要求。随着国网公司智能化要求的提升，无人机技术的快速应用，采取无人机智能化巡视，能够大幅度减少运维人员及时间，提升质量，因此得到快速发展。
        通过无人机搭载相机头云台对输电线路上的绝缘子进行数据采集，挑选出绝缘子上有故障的图片数据，绝缘子数据集大小：1159，一共有2种类型：'insulator','insulator bunch-drop'
 

共有两个类别，分别为'insulator','insulator bunch-drop'；

两个类别分布如下：

2.Yolov5介绍

YOLOv5在整个神经网络分为4个部分的改进如下：

1. Input：数据加载使用了3种数据增强：缩放、色彩空间调整和马赛克增强。
2. BackBone：结合了很多先进的图像识别领域的内容和算法，包括：CSPNet、Leaky ReLU和Sigmoid 激活函数。
3. Neck：在BackBone和最后的输出层之间往往会插入一些层，这里就加入了SPP-Net、FPN+PAN结构。
4. Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数GIOU Loss，加快了收敛速度。

此外，YOLOv5还增加了自适应锚定框的功能，这样就不用根据不同训练数据调整锚定框的大小和位置了。

YOLOv5在兼顾mAP的同时，有着更短的检测时间，同时YOLOv5s的权重文件大小只有27MB，能够更好的适应嵌入式设备和移动设备，如下：

 weights参数指定了使用的权重文件，根据模型的规模不同设有4个模型：v5s、v5m、v5l、v5x，权重文件的比较如下表：

2.1 如何训练

python train.py  --batch 4 --epochs 100 --data data/insulator.yaml --cfg models/yolov5s.yaml  --weights weights/yolov5s.pt 

各项指标如下：