简介这份资源面向电力设备智能运维、工业视觉检测方向的研究者与算法工程师提供了一套用于变压器漏油目标检测的标注数据集可直接投入YOLO等检测模型的训练与验证。压缩包共676个文件由338张jpg现场图片与338个xml标注文件一一配对整体约38.68MBxml采用Pascal VOC格式逐图记录漏油区域的位置与类别省去自行标注的繁琐环节。目前已有133人学习下载属于小众但实用的工业缺陷检测素材。数据集聚焦密封不良、油箱受损等常见漏油故障场景可用于模型微调、精度对比与数据增强实验帮助读者快速搭建从数据加载到检测评估的完整流程也为电力系统预防性维护与故障预警研究提供真实样本支撑。1. 变压器漏油检测为什么值得单独做一份数据集变电站巡检里变压器漏油是个高频但极难标准化描述的问题。漏油点可能出现在法兰、阀门、散热片、套管根部油迹形态从滴状、流痕到片状油污都有颜色从浅黄到深褐背景又是金属灰、锈红、水泥地混杂。你拿 COCO 或者通用检测数据集去训模型根本没见过这种纹理召回率会低到让你怀疑人生。这份「YOLO目标检测-变压器设备漏油数据集图片VOC格式标签.rar」解决的就是这个从零起步的问题它提供的是已经标注好的变压器漏油图像标签是 VOC 格式的 XML可以直接转成 YOLO 的 txt 格式喂给 ultralytics 系列模型。适合两类人一是做电力巡检、变电站智能运维的算法工程师需要快速搭一个漏油检测 baseline二是刚入门目标检测、想拿一个真实工业缺陷场景练手的人因为漏油目标边界模糊比检测猫狗更能暴露你对 anchor、数据增强和评估指标的理解深度。数据集本身不解决所有问题但它把最耗时的「找图 标框」这一步替你做了剩下的调参和部署才是真正要花时间的地方。2. 拆包看结构VOC 标签到底怎么读、怎么转 YOLO2.1 解压后先确认三件事拿到 .rar 之后别急着写训练脚本先解压看目录。常见做法是解压出一个包含 JPEGImages、Annotations、ImageSets 的 VOC 结构也可能直接是 images 和 xml 两个文件夹。不管哪种你都要确认三件事图片格式是不是 jpg/png、XML 里有没有 size 和 object 节点、类别名是否统一。我一般会先跑一段脚本统计避免标到一半发现有的 XML 缺 width 导致归一化除零。import os import xml.etree.ElementTree as ET from collections import Counter xml_dir Annotations # 换成你的实际路径 classes Counter() bad_files [] for name in os.listdir(xml_dir): if not name.endswith(.xml): continue path os.path.join(xml_dir, name) try: tree ET.parse(path) root tree.getroot() size root.find(size) w int(size.find(width).text) h int(size.find(height).text) for obj in root.findall(object): cls obj.find(name).text.strip() classes[cls] 1 bbox obj.find(bndbox) xmin int(float(bbox.find(xmin).text)) # 检查框是否越界越界框会让 YOLO 训练直接报错 if xmin 0 or xmin w: bad_files.append((name, xmin out of range)) except Exception as e: bad_files.append((name, str(e))) print(类别分布:, classes) print(异常文件数:, len(bad_files)) for f in bad_files[:10]: print(f)这段脚本做三件事统计每个类别的框数量判断数据集是否类别极度不平衡检查 width/height 是否存在避免后续归一化失败检查 xmin 是否越界。参数上xml_dir 指向你的 Annotations 目录如果你的目录名是 labels 或 xmls改掉即可。跑完如果发现只有一个类别 leak 或者 oil_leak那说明标注是单类检测训练时 nc1如果有多个类别比如 leak、oil_stain就要在 data.yaml 里对应写清楚。2.2 VOC 转 YOLO 的转换脚本与坐标归一化VOC 的 bbox 是绝对像素坐标 xmin、ymin、xmax、ymaxYOLO 要的是归一化后的中心点加宽高class_id cx cy w h全部除以图片宽高。转换时最容易翻车的地方是类别名到 id 的映射顺序一旦训练和推理时映射不一致模型会把漏油识别成背景。我一般会把映射写死在一个 json 里转换和训练共用。import os import json import xml.etree.ElementTree as ET xml_dir Annotations img_dir JPEGImages out_dir labels os.makedirs(out_dir, exist_okTrue) # 类别映射必须固定训练和推理共用同一份 class_map {leak: 0} # 按你实际类别改 with open(class_map.json, w) as f: json.dump(class_map, f) for name in os.listdir(xml_dir): if not name.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, name)) root tree.getroot() size root.find(size) w int(size.find(width).text) h int(size.find(height).text) lines [] for obj in root.findall(object): cls obj.find(name).text.strip() if cls not in class_map: continue bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 裁剪到图像边界内防止归一化后出现负值或大于1 xmin max(0, min(xmin, w - 1)) xmax max(0, min(xmax, w - 1)) ymin max(0, min(ymin, h - 1)) ymax max(0, min(ymax, h - 1)) cx (xmin xmax) / 2.0 / w cy (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{class_map[cls]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) txt_name name.replace(.xml, .txt) with open(os.path.join(out_dir, txt_name), w) as f: f.write(\n.join(lines))逻辑说明先读 XML 的 size 拿到原图宽高再对每个 object 做边界裁剪这一步是血泪经验——有些标注框会超出图片 1 到 2 个像素不裁剪的话归一化后 cx 可能小于 0YOLO 训练时直接抛异常。参数上class_map 的 key 必须和 XML 里的 name 完全一致大小写敏感输出目录 labels 要和图片目录同级后面 data.yaml 里 path 指向数据集根目录即可。转换完建议随机抽 5 张图用 PIL 画框验证别等训练 loss 不降才回头查。2.3 data.yaml 与目录组织ultralytics 系列对目录结构有约定常见做法是dataset/ images/ train/ val/ labels/ train/ val/ data.yamldata.yaml 内容如下path: ./dataset train: images/train val: images/val nc: 1 names: [leak]这里 nc 必须等于 class_map 的长度names 的顺序必须和 class_map 的 id 对应。很多人在这里踩坑转换时用 {leak:0}data.yaml 里 names 写成 [oil_leak]训练能跑但推理时类别名对不上可视化结果全是错的。建议转换脚本和 data.yaml 由同一个配置生成别手写两遍。3. 用 ultralytics 训练漏油检测模型参数怎么设、指标怎么看3.1 环境与最小训练命令环境配置这块Python 3.9 到 3.11 都行PyTorch 按显卡 CUDA 版本装然后 pip install ultralytics。如果你用 PyCharm直接建虚拟环境再装别在 base 环境里折腾。最小训练命令yolo detect train \ datadataset/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ projectruns/leak \ nameexp1参数说明model 选 yolov8n 还是 yolov8s 取决于你的数据量漏油数据集通常几百到几千张n 够用s 能提点精度但推理慢imgsz640 是常规选择如果漏油目标在图中占比很小可以提到 960 或 1280但显存要够batch 根据显存调8G 显存跑 640 一般 batch16 稳epochs 100 起步看 mAP 曲线是否早停。device0 指定第一块 GPUCPU 训练会慢到无法接受。3.2 漏油目标的增强策略与超参漏油检测和通用检测最大的区别是目标边界模糊、颜色和背景对比度低。默认增强里 mosaic 和 mixup 对漏油有帮助但 HSV 增强的 hsv_v 别开太大否则浅黄油迹会被调成深色模型学不到真实颜色分布。我一般会这样覆盖yolo detect train \ datadataset/data.yaml \ modelyolov8s.pt \ epochs150 \ imgsz960 \ batch8 \ hsv_h0.015 hsv_s0.5 hsv_v0.3 \ degrees5 translate0.1 scale0.3 \ fliplr0.5 flipud0.0 \ mosaic1.0 mixup0.1 \ device0hsv_h 控制色相抖动0.015 是默认值别乱加hsv_s 饱和度 0.5 适中hsv_v 亮度 0.3 比默认 0.4 略低防止油迹过曝或过暗。degrees5 小角度旋转因为变压器安装角度相对固定大角度旋转不符合真实分布。flipud0.0 关掉上下翻转变压器不会倒装。mosaic1.0 保留mixup0.1 轻微混合提升小目标召回。3.3 训练过程看什么指标训练日志里重点看三个box_loss、cls_loss、mAP50。漏油检测常见现象是 box_loss 降得慢因为油迹边界本身模糊模型很难精确回归。如果 mAP50 到 0.6 以上就说明 baseline 可用0.75 以上算不错。验证集上如果 mAP50 高但 mAP50-95 低说明框的位置不够准可以尝试加 CIOU 或 DIoU 损失或者把 imgsz 提上去。另外注意看混淆矩阵漏油容易被误检成阴影或锈迹如果误检集中在某类背景针对性补一些负样本图比盲目加 epoch 有效。4. 避坑与排查漏油数据集训练中最容易翻车的五件事4.1 现象训练 loss 为 nan 或直接报错原因XML 转换时出现宽高为 0 的框或者归一化后 bw/bh 为 0YOLO 计算损失时除零。解决在转换脚本里加一行判断if bw 0 or bh 0: continue把无效框丢掉。另外检查图片是否损坏用 PIL 打开一遍损坏图直接删。4.2 现象mAP 一直卡在 0.1 以下不涨原因类别映射错位或者 data.yaml 的 names 和实际标注不一致。解决打印训练时 dataset 的类别分布确认 nc 和 names 正确再抽几张训练图看标签是否画在漏油位置上如果框全在角落说明坐标转换时宽高用反了。4.3 现象验证集 mAP 高但实际推理漏检严重原因训练集和验证集来自同一批连续帧分布太接近模型过拟合。解决按变压器编号或拍摄日期划分 train/val别随机按图分。漏油数据集如果来自视频抽帧相邻帧几乎一样随机划分会导致验证集泄漏。4.4 现象推理时把油迹识别成背景置信度很低原因漏油目标在图中占比太小640 分辨率下特征被下采样丢掉。解决提高 imgsz 到 960 或 1280或者在 data.yaml 里开启 rect 训练也可以切片推理把大图裁成小块再检测。4.5 现象训练速度极慢GPU 利用率低原因dataloader 的 workers 设太小或者图片分辨率过大导致 CPU 预处理瓶颈。解决workers 设成 CPU 核数的 0.7 倍左右batch 别太小imgsz 别盲目拉到 1920。如果用的是机械硬盘把数据集拷到 SSD 再训。5. 从训练到落地导出 ONNX 与漏油检测的验证技巧训完模型别只看 mAP真正要落地得走一遍导出和推理验证。ultralytics 导出 ONNX 很简单yolo export modelruns/leak/exp1/weights/best.pt formatonnx imgsz640 opset12opset12 兼容性较好imgsz 必须和训练时一致否则 anchor 尺度对不上。导出后用 onnxruntime 跑一张测试图对比 PyTorch 和 ONNX 的输出框是否一致差异大说明导出有算子问题。我一般会写一个对比脚本把两张图的检测结果画在一起肉眼确认。验证漏油检测还有一个实用技巧用滑动窗口切片推理。变压器图像往往很大漏油区域可能只占几百像素直接 resize 到 640 会丢细节。做法是把原图裁成 640×640 带重叠的小块逐块推理再合并框用 NMS 去重。这样小漏油点的召回能明显提升代价是推理时间线性增加。如果做视频流检测可以只在 ROI 区域切片别全图滑窗。最后说一个我自己的习惯每次拿到新标注的数据集先转格式、再抽 20 张画框、然后跑 10 个 epoch 看 loss 是否正常下降这三步走完才开正式训练。漏油检测这行数据质量比模型结构重要得多标注框偏几个像素mAP 就能差十几个点。希望这份数据集能帮你省掉找图和标框的时间把精力花在真正影响精度的环节上。本文还有配套的精品资源点击获取