深度学习框架YOLO数据集 深度学习框架YOLOV11模型如何训练 智慧电力设备-无人机-风机叶片表面缺陷检测数据集

智慧电力设备-风机叶片表面缺陷检测数据集3584张图片7:3划分训练集验证集5个类别漏油、污秽物、掉漆、侵蚀、胶带图片清晰标注齐全支持YOLO格式mAP88.5%风机叶片表面缺陷检测数据集类别内容数据集名称风机叶片表面缺陷检测数据集图片规模总计3584张高清图像数据集划分按7:3比例科学划分训练集与验证集检测类别5类核心缺陷1. 漏油2. 污秽物3. 掉漆4. 侵蚀5. 胶带数据质量图像清晰度高标注齐全已转换为标准 YOLO 格式模型性能基准模型 mAP 达到88.5%YOLOv11 训练代码以下代码基于 Ultralytics 框架针对风机叶片缺陷检测任务进行了优化配置。1. 数据配置文件 (data.yaml)请在数据集根目录下创建此文件确保路径与类别名称对应。# data.yamlpath:./wind_turbine_dataset# 数据集根目录train:images/train# 训练集图片路径val:images/val# 验证集图片路径# 类别数量nc:5# 类别名称 (请确保与标注文件中的索引顺序一致)names:0:oil_leakage# 漏油1:dirt# 污秽物2:paint_loss# 掉漆3:erosion# 侵蚀4:tape# 胶带2. Python 训练脚本 (train.py)运行此脚本将自动加载预训练权重并开始训练。fromultralyticsimportYOLOdeftrain_wind_turbine_model():# 1. 加载 YOLOv11 预训练模型# 使用 nano 版本以平衡速度与精度适合无人机巡检部署modelYOLO(yolov11n.pt)# 2. 开始训练resultsmodel.train(datawind_turbine_dataset/data.yaml,# 数据配置文件路径epochs150,# 训练轮数 (建议 100-300)imgsz640,# 图像输入尺寸batch16,# 批次大小 (根据显存调整)namewind_turbine_defect_v1,# 实验名称projectruns/detect,# 项目保存路径device0,# 设备: 0为GPU, cpu为CPUworkers4,# 数据加载线程数optimizerAdamW,# 优化器lr00.001,# 初始学习率patience30,# 早停机制saveTrue,# 保存模型verboseTrue# 显示详细日志)print(训练完成模型已保存至 runs/detect/wind_turbine_defect_v1/weights/best.pt)if__name____main__:train_wind_turbine_model()3. 命令行训练方式 (可选)终端命令可以直接运行yolo detect traindatawind_turbine_dataset/data.yamlmodelyolov11n.ptepochs150imgsz640batch16namewind_turbine_defect_v1device0