光伏缺陷检测实战：PVEL-AD数据集从标注转换到mAP评估的落地复盘

光伏缺陷检测实战：PVEL-AD数据集从标注转换到mAP评估的落地复盘

【免费下载链接】PVEL-ADPhotovoltaic cell defect detection项目地址: https://gitcode.com/gh_mirrors/pv/PVEL-AD

拿到数据集授权的那一刻，我以为训练模型只是时间问题。真正动手才发现，从36,543张光伏缺陷检测图像到一份经得起复现的检测结果，中间隔着标注格式转换、长尾分布处理和评估口径统一三道坎。这篇文章是我用PVEL-AD数据集跑完光伏缺陷检测全流程的复盘——每道坎怎么过的、踩过哪些坑，一次讲清。

3个数字，先看清PVEL-AD数据集的家底

PVEL-AD（Photovoltaic Electroluminescence Anomaly Detection）是目前光伏缺陷检测领域规模最大的公开数据集之一，由河北工业大学与北京航空航天大学联合发布。它的核心参数：

• 36,543张近红外电致发光（EL）图像，按真实产线缺陷分布采样
• 12类缺陷+ 1类无缺陷图像
• 40,358个人工标注的边界框
• 长尾分布：最少的类别只有个位数样本

图1：PVEL-AD覆盖的12种缺陷——线裂、星裂、指状中断、黑芯、错位、短路等，每种缺陷用不同颜色的边界框精确标注

从训练集标注分布就能直观感受长尾有多严重：

最少的 scratch 只有 5 个样本，是最多的 finger（2958 个）的约六百分之一。这个分布本身就是在提醒你：别把通用目标检测的套路直接套上来。

顺带说一个利好：官方近期已公开 test 标注。此前测试要上传到官方评测平台，现在本地就能跑完整的光伏缺陷检测评估闭环。

第一关：把XML标注转成模型能吃的TXT 🔧

拿到数据后第一件事不是选模型，而是处理标注格式。数据集给的是 VOC 风格的 XML，而 YOLO、Faster R-CNN 等主流框架更习惯读 TXT。仓库里的get_gt_txt.py就是干这个的。

先 clone 仓库，再按 README 流程申请数据集：

git clone https://gitcode.com/gh_mirrors/pv/PVEL-AD

然后运行转换脚本：

python get_gt_txt.py

这里有个坑必须提醒：这个脚本不接受命令行参数，路径全是写死的。它默认从VOCdevkit/VOC2007/ImageSets/Main/test.txt读图片清单、从同目录的Annotations读 XML，输出到./input/ground-truth/。所以要么按 VOC 目录结构摆数据，要么直接改脚本里的路径——别指望--input之类的参数。

脚本里还留了两个很实用的开关：

• difficult 标记：XML 中标了 difficult=1 的框，输出时会带difficult后缀，后续评估会区别对待
• 类别筛选：如果标注里混了无关类，取消get_classes相关代码的注释，用 classes.txt 做过滤

第二关：水平翻转增强，最划算的样本翻倍法 🎲

长尾问题光靠重采样不够，数据增强是更稳的手段。仓库的horizontal_flipping.py做的是图像与标注同步水平翻转——它不是简单地cv2.flip一下，而是把 XML 里每个框的 xmin/xmax 按新图像宽度重算，保证翻转后标注依然精确。

为什么 EL 图像特别吃水平翻转？因为电池片的缺陷（线裂、指状中断、错位）大多没有方向先验，翻转后依然是语义合理的样本。这一招相当于免费把训练样本翻倍。

但注意，脚本里写的是 Windows 绝对路径（E:\\Users\\yolov5-develop\\...），Linux 下直接跑会报错。把imgreadpath、xmlreadpath等四个路径改成自己的目录即可。如果你用的是 YOLO 的 txt 格式，也可以照这个思路写个同步翻转版本——核心逻辑就一行：xmin' = 图片宽 - xmax。

第三关：直面长尾，别让5个样本的缺陷毁掉整体分数 📉

图2：组件级 EL 图像示例，一块组件中分布着多种缺陷，检测系统需要同时完成定位与分类

长尾分布下，常规训练最常见的结局是：finger、crack 这类大类 AP 很高，scratch、fragment 这类小类几乎全漏。我实践下来最有效的三招：

1. 类别加权损失：给稀有类更高权重，让梯度不再被大类垄断。但权重别设太极端，否则大类精度会被拖垮
2. 两阶段训练：先用全量数据训出基线，再在稀有类样本上微调，比一上来就加权更稳
3. 针对性增强：对稀有类做更强的扰动（旋转、对比度、随机裁剪），把"5 个样本"变成"5 个样本的多种形态"

模型选择上，除了 YOLO 这类通用检测器，论文里专门为光伏缺陷检测设计的 BAF-Detector（互补注意力机制）在稀有类上优势明显，官方论文报告的罕见缺陷 F1 达到 0.89。如果对漏检零容忍，Faster R-CNN 这类两阶段模型的稳定性更适合做工业兜底。

第四关：用AP50-5-95.py给出经得起复现的分数 📏

训练完别急着说"效果不错"，用仓库里的AP50-5-95.py统一评估。它的机制值得先搞懂：

• 从input/ground-truth/读真值（就是 get_gt_txt.py 的输出）
• 从input/detection-results/读预测（每行格式：类别 置信度 xmin ymin xmax ymax）
• 自动跑 IoU 从 0.50 到 0.95、步长 0.05 的 10 档 mAP，最终输出平均的AP50_5_95

python AP50-5-95.py

脚本源自 mAP 计算的开源实现，额外做了两件事：把 0.5:0.95 的 10 个阈值一次性算完，并在 results 目录输出每个类别的 AP、F1、Recall、Precision 明细。看结果时别只盯总 mAP，逐类看 AP——某类 AP 明显低于均值，就直接对应到训练策略去调。

脚本还支持--ignore忽略某些类、--set-class-iou给特定类单独设阈值，调试阶段很省事。

避坑清单：这些细节直接决定你的分数 ⚠️

把一路踩过的坑汇总成清单，省得大家重复交学费：

• 别改标注文件的编码与格式：评估脚本解析 TXT 很严格，多余空格、空行都可能静默出错
• 文件名必须一一对应：预测文件名要和 ground-truth 完全一致，否则直接报 "File not found"
• 增强后务必程序抽查标注：翻转脚本算出的新坐标用脚本验一遍，别信任肉眼
• 类别名要全局统一：finger 还是 finger_interruption？混用会让评估结果直接失真
• difficult 框别提前删：评估逻辑会单独处理它们，删掉反而拉低你的真实水平

这套流程适合谁、不适合谁 🎯

适合：想快速建立光伏缺陷检测基线的团队；研究长尾目标检测、开放世界检测的算法方向；需要对照公开数据集做模型选型评估的决策者。

不适合：追求像素级分割的场景（数据集是框标注，没有 mask）；对缺陷成因做工艺级分析的场景（那是产线工艺数据该做的事，不是检测数据集能覆盖的）。

下一步：从"能跑"到"能上线" 🚀

数据集评测通过只是第一步。往产线走，还有三件事值得投入：

• 把评估脚本接进训练流程：每次实验自动出 AP50_5_95，用数字驱动迭代，而不是靠手感
• 尝试开放世界检测：PVEL-AD 本身就是 open-world 设定，可以让模型对未见过的缺陷给出"未知"信号，这在光伏工艺快速迭代期尤其有价值
• 做小样本与迁移实验：利用长尾特性做 few-shot 研究，把大类学到的特征迁移到新缺陷上

写在最后：建议你先跑通这条最小闭环

如果你想入局光伏缺陷检测，我的建议很具体：先 clone 仓库、申请数据、跑通 get_gt_txt.py → 训练 → AP50-5-95.py 这条最小闭环，用官方脚本把评估口径固定下来，再谈模型优化。如今测试标注已公开，复现门槛降到历史最低——剩下的，就是动手跑一遍。

【免费下载链接】PVEL-ADPhotovoltaic cell defect detection项目地址: https://gitcode.com/gh_mirrors/pv/PVEL-AD