智能电网巡检电力设施及缺陷检测数据集电力设施检测、电力缺陷检测、绝缘子检测、输电线路巡检、无人机电力巡检、变电站设备检测、YOLO 电力数据集、VOC 电力数据集、电力目标检测
电力设施及缺陷检测数据集，8932张，yolo和voc两种标注方式
19类，标注数量：
Insulator: 绝缘子 - 3408
Broken Insulator Cap: 破损的绝缘子帽 - 2011
Insulator Cap: 绝缘子帽 - 22722
Cable: 电缆 - 24605
Tower (Wooden): 木塔 - 875
Transformer: 变压器 - 317
Front Insulator Cap: 前绝缘子帽 - 4386
Tower (Lattice): 格构塔 - 1011
Tower (Tucohy): Tucohy塔 - 483
Transmission Line: 输电线路 - 517
Damaged Line: 损坏的线路 - 247
Bus: 总线 - 125
Faulty Transformer: 故障变压器 - 6
Spacer between Dampers: 阻尼器之间的间隔 - 51
Broken Insulator: 破损的绝缘子 - 68
Bent Insulator: 弯曲的绝缘子 - 20
Object on TL: 输电线路上的物体 - 120
Capacitor Bank: 电容器组 - 106
Damaged Splice: 损坏的接头 - 83
Image num: 图像数量 - 8932
一、电力设施及缺陷检测数据集详情表
数据集基础信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 电力设施及缺陷检测数据集 |
| 图像总数 | 8932 张 |
| 标注格式 | YOLO、VOC 双格式 |
| 类别总数 | 19 类 |
| 适用任务 | 电力设备目标检测、缺陷故障识别 |
类别标签及标注数量明细
| 序号 | 英文标签 | 中文标签 | 标注框数量 |
|---|---|---|---|
| 0 | Insulator | 绝缘子 | 3408 |
| 1 | Broken Insulator Cap | 破损的绝缘子帽 | 2011 |
| 2 | Insulator Cap | 绝缘子帽 | 22722 |
| 3 | Cable | 电缆 | 24605 |
| 4 | Tower (Wooden) | 木塔 | 875 |
| 5 | Transformer | 变压器 | 317 |
| 6 | Front Insulator Cap | 前绝缘子帽 | 4386 |
| 7 | Tower (Lattice) | 格构塔 | 1011 |
| 8 | Tower (Tucohy) | Tucohy塔 | 483 |
| 9 | Transmission Line | 输电线路 | 517 |
| 10 | Damaged Line | 损坏的线路 | 247 |
| 11 | Bus | 总线 | 125 |
| 12 | Faulty Transformer | 故障变压器 | 6 |
| 13 | Spacer between Dampers | 阻尼器之间的间隔 | 51 |
| 14 | Broken Insulator | 破损的绝缘子 | 68 |
| 15 | Bent Insulator | 弯曲的绝缘子 | 20 |
| 16 | Object on TL | 输电线路上的物体 | 120 |
| 17 | Capacitor Bank | 电容器组 | 106 |
| 18 | Damaged Splice | 损坏的接头 | 83 |
类别名称列表（YOLO 标签顺序）
names=["Insulator","Broken Insulator Cap","Insulator Cap","Cable","Tower (Wooden)","Transformer","Front Insulator Cap","Tower (Lattice)","Tower (Tucohy)","Transmission Line","Damaged Line","Bus","Faulty Transformer","Spacer between Dampers","Broken Insulator","Bent Insulator","Object on TL","Capacitor Bank","Damaged Splice"]二、数据集应用场景
- 无人机电力巡检：架空线路、杆塔、绝缘子航拍图像智能检测，自动识别破损、弯曲、线路损坏等缺陷，替代人工高空巡检。
- 变电站智能监控：视频/图像实时检测变压器、电容器组、总线等设备状态，预警故障设备。
- 电力运维缺陷筛查：批量归档图片自动化标注、缺陷分类统计，提升运维检修效率。
- 边缘端部署检测：嵌入式设备、巡检终端本地运行模型，现场快速判别电力设施故障。
- 算法训练与科研：电力视觉检测算法研发、模型对比、行业竞赛、教学实训数据集。
三、YOLOv11 完整训练代码（Python）
环境依赖
# 安装依赖pipinstallultralytics opencv-python numpy pillow1. 数据集配置文件power.yaml
放在数据集根目录下，根据实际路径修改
# 数据集路径path:./power_dataset# 数据集总根目录train:images/trainval:images/valtest:images/test# 类别数量与标签nc:19names:0:Insulator1:Broken Insulator Cap2:Insulator Cap3:Cable4:Tower (Wooden)5:Transformer6:Front Insulator Cap7:Tower (Lattice)8:Tower (Tucohy)9:Transmission Line10:Damaged Line11:Bus12:Faulty Transformer13:Spacer between Dampers14:Broken Insulator15:Bent Insulator16:Object on TL17:Capacitor Bank18:Damaged Splice2. 训练主代码train_yolov11.py
fromultralyticsimportYOLOdeftrain_power_detection():# 加载YOLOv11模型，可选 n/s/m/l/x 不同大小模型model=YOLO("yolov11n.yaml")# 轻量化模型，适合部署；也可用 yolov11s.pt 预训练权重# 开始训练results=model.train(data="power.yaml",# 数据集配置文件epochs=100,# 训练轮数imgsz=640,# 输入图像尺寸batch=16,# 批次大小，显存不足调小为8/4device=0,# 使用GPU，无GPU改为 device="cpu"workers=4,# 数据加载线程patience=15,# 早停轮数save=True,# 保存最优模型amp=True,# 自动混合精度，加速训练mosaic=1.0,# 马赛克数据增强mixup=0.0,copy_paste=0.0,project="runs/train",# 训练结果保存目录name="power_defect_det",# 任务名称exist_ok=True)print("训练完成！结果保存在 runs/train/power_defect_det 目录")if__name__=="__main__":train_power_detection()3. 模型推理/测试代码predict.py
fromultralyticsimportYOLO# 加载训练好的权重model=YOLO("runs/train/power_defect_det/weights/best.pt")# 单张图片推理results=model("test.jpg",save=True,conf=0.25)# 文件夹批量推理# results = model("./test_images/", save=True, conf=0.25)# 视频推理# results = model("test.mp4", save=True)print("推理完成，结果已保存")四、补充说明
- 数据分布说明：电缆、绝缘子帽样本量极大，故障变压器、弯曲绝缘子等缺陷样本极少，训练时建议开启类别均衡、过采样或使用
classify加权损失提升小类别精度。 - 目录结构要求
power_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO标签txt文件 │ ├── train/ │ ├── val/ │ └── test/ └── power.yaml