YOLOv11n简易训练代码 无人机风力发电叶片缺陷监测数据集 YOLOV11无人机风电叶片缺陷监测系统

YOLOV11-智慧无人机航拍-风机设备损伤、脏污检测数据集，2191张，yolo，voc，coco三种标注方式

图像尺寸:371*586
类别数量:2类
训练集图像数量:1534; 验证集图像数量:431； 测试集图像数量:226
类别名称: 每一类图像数 ，每一类标注数
damage: 1852,6380
dirt: 407,422
image num: 2191

模型代码
采用 YOLOv11n 网络训练

训练轮次：80 个 epoch
提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示

PyQt5 界面功能
界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）

支持图片检测、视频检测、摄像头实时检测
界面实时显示：目标位置、目标总数、置信度等信息
支持检测结果保存导出
操作简单直观，无需命令行
4、零基础需远程配置
针对零基础不想或不会自己配置安装可包安装 CPU 版本环境
运行环境：Python=3.8、opencv-python、PyQt5、torch
支持 Windows、Linux 系统

智慧无人机航拍‑风机设备损伤、脏污检测数据集

数据集信息表格

数据集yaml配置wind_turbine.yaml

path:./wind_turbine_datasettrain:images/trainval:images/valtest:images/testnames:0:damage1:dirt

YOLOv11n简易训练代码

fromultralyticsimportYOLOif__name__=="__main__":#加载nano权重model=YOLO("yolo11n.pt")train_result=model.train(data="wind_turbine.yaml",epochs=80,imgsz=640,batch=8,device=0,#cpu运行改为 device="cpu"workers=2,patience=10,project="wind_turbine_run",name="yolov11n_train")

推理示例代码

fromultralyticsimportYOLO model=YOLO("./wind_turbine_run/yolov11n_train/weights/best.pt")#图片推理res=model.predict("test_wind.jpg",conf=0.25,save=True)

依赖安装

pipinstallultralytics opencv-python pyqt5 torch

importcv2importnumpyasnpdefremove_text_watermark(input_path,output_path):img=cv2.imread(input_path)h,w=img.shape[:2]hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)#适配半透浅灰色文字水印lower=np.array([0,0,160])upper=np.array([180,25,255])mask=cv2.inRange(hsv,lower,upper)dst=cv2.inpaint(img,mask,3,cv2.INPAINT_TELEA)cv2.imwrite(output_path,dst)if__name__=="__main__":remove_text_watermark("input.jpg","output_no_wm.jpg")