简介本资源是面向计算机视觉初学者与安防智能检测项目开发者的围栏破损目标检测专用数据集适用于YOLO、Faster R-CNN等主流检测模型的训练与验证。数据集共2000个文件包含954张清晰JPG图像、954份VOC格式XML标注及956份YOLO格式TXT标签含classes.txt统一标注单类别“broken”总计1234个矩形框覆盖多种围栏材质、光照与破损形态场景可直接用于模型训练、数据增强实验或检测效果 baseline 对比。压缩包大小为63.4MB结构规整JPEGImages/Annotations/labels三目录分离便于快速接入各类训练框架。目前已有132人学习下载提供开箱即用的双格式支持VOCYOLO、完整标注一致性校验基础以及真实工业巡检场景下的典型样本分布显著降低算法工程师在安防检测任务中的数据采集与标注成本。1. 围栏破损检测不是“加个框就行”954张图背后是工业场景下目标检测的典型落地切口在工地、园区、变电站等封闭管理区域围栏状态直接关联物理安防有效性。但传统人工巡检存在盲区大、频次低、主观性强等问题而通用目标检测模型如COCO预训练模型对“broken”这类细粒度、低对比度、形态多变的破损结构几乎无识别能力——它连“围栏”都未必认识更别说判断是否破损。这个954张图像的数据集恰恰卡在工业视觉落地的关键隘口它不追求学术SOTA而是用真实场景采集的JPEGImagesAnnotationslabels三件套把“围栏破损”这个具体缺陷抽象为单一类别broken的矩形框标注同时提供VOCxml与YOLOtxt双格式支持。这意味着你无需从零标注可直接接入主流训练框架如YOLOv8/v10、MMDetection跳过数据准备阶段聚焦在模型适配、小样本调优和部署验证上。适合安防系统集成商、工业AI算法工程师、以及需要快速验证围栏异常识别能力的边缘计算项目组——尤其当你手头只有几十张现场图、却要两周内给出POC结果时这个数据集就是第一块可用的垫脚石。2. VOC与YOLO双格式解析为什么必须同时保留xml和txt以及classes.txt的隐藏作用2.1 VOC格式xml的结构逻辑与校验要点VOC格式的核心在于Annotations/目录下的每个.xml文件它严格遵循PASCAL VOC Schema描述单张图像中所有目标的位置、类别及元信息。以xyxr_images_weilan242.xml为例其关键节点包括annotation folderJPEGImages/folder filenamexyxr_images_weilan242.jpg/filename path/data/JPEGImages/xyxr_images_weilan242.jpg/path source databaseUnknown/database /source size width1920/width height1080/height depth3/depth /size segmented0/segmented object namebroken/name poseUnspecified/pose truncated0/truncated difficult0/difficult bndbox xmin427/xmin ymin312/ymin xmax589/xmax ymax401/ymax /bndbox /object !-- 可能有多个object -- /annotation注意size中的width和height必须与对应JPG图像的实际像素尺寸完全一致否则后续转换YOLO格式时坐标会偏移。建议用Python批量校验from PIL import Image import xml.etree.ElementTree as ET def validate_xml_image_size(xml_path, img_dir): tree ET.parse(xml_path) root tree.getroot() width_xml int(root.find(size/width).text) height_xml int(root.find(size/height).text) img_name root.find(filename).text img_path f{img_dir}/{img_name} with Image.open(img_path) as img: width_img, height_img img.size if width_xml ! width_img or height_xml ! height_img: print(f尺寸不匹配: {xml_path} 声称{width_xml}x{height_xml}, 实际{width_img}x{height_img}) # 遍历所有xml for xml in Path(Annotations).glob(*.xml): validate_xml_image_size(xml, JPEGImages)此脚本会输出所有尺寸不一致的xml文件这类文件需手动修正width和height值否则YOLO训练时会出现bbox错位。2.2 YOLO格式txt的坐标规范与classes.txt的强制依赖YOLO格式要求每个图像对应一个同名.txt文件如xyxr_images_weilan242.txt每行代表一个broken目标格式为class_id center_x center_y width height归一化到[0,1]区间例如0 0.321 0.356 0.084 0.083其中class_id0并非硬编码而是由labels/classes.txt文件决定。该文件内容必须为broken即单行、无空格、无空行。YOLO训练器如Ultralytics读取classes.txt后按行号索引类别第0行对应ID 0第1行对应ID 1……因此若误将classes.txt写成broken normal则broken的ID会变成0但数据集中所有txt文件仍用0看似正常可一旦加入第二类ID映射就彻底错乱。这是新手最常踩的坑——以为YOLO格式的class_id是固定值实则它完全依赖classes.txt的顺序。提示验证YOLO格式正确性的最简方法是用OpenCV可视化import cv2 import numpy as np def draw_yolo_labels(img_path, label_path, classes_path): img cv2.imread(img_path) h, w img.shape[:2] with open(classes_path) as f: classes [line.strip() for line in f.readlines()] with open(label_path) as f: for line in f: parts line.strip().split() if len(parts) 5: continue cls_id int(parts[0]) cx, cy, bw, bh map(float, parts[1:5]) # 归一化坐标转像素坐标 x1 int((cx - bw/2) * w) y1 int((cy - bh/2) * h) x2 int((cx bw/2) * w) y2 int((cy bh/2) * h) cv2.rectangle(img, (x1,y1), (x2,y2), (0,255,0), 2) cv2.putText(img, classes[cls_id], (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1) cv2.imshow(YOLO Labels, img) cv2.waitKey(0) draw_yolo_labels(JPEGImages/xyxr_images_weilan242.jpg, labels/xyxr_images_weilan242.txt, labels/classes.txt)若看到绿色框精准覆盖破损区域说明YOLO格式无误若框严重偏移或缺失则需检查classes.txt内容、图像尺寸一致性或坐标计算逻辑。2.3 双格式同步性验证为什么954张图必须严格一一对应数据集声明“JPEGImages、Annotations、labels三者各954个文件”但实际使用中常出现文件名大小写差异如Weilan242.jpgvsweilan242.jpg、扩展名错误.jpeg混入.jpg、或漏传个别文件。这种不一致会导致训练时FileNotFoundError或静默跳过样本最终模型只学了900张图却以为用了954张。以下bash命令可一次性校验三目录文件名基名不含扩展名的完全一致# 提取JPEGImages所有文件名去扩展名 find JPEGImages -name *.jpg | sed s/JPEGImages\///; s/\.jpg$// | sort jpg_names.txt # 提取Annotations所有xml文件名去扩展名 find Annotations -name *.xml | sed s/Annotations\///; s/\.xml$// | sort xml_names.txt # 提取labels所有txt文件名去扩展名 find labels -name *.txt | sed s/labels\///; s/\.txt$// | sort txt_names.txt # 比较三者是否完全相同 diff jpg_names.txt xml_names.txt /dev/null \ diff xml_names.txt txt_names.txt /dev/null \ echo ✅ 三目录文件名完全一致 || echo ❌ 存在不匹配文件请检查若输出❌则用comm -3命令定位差异comm -3 jpg_names.txt xml_names.txt | grep -v ^ # 找出仅在jpg中存在但xml缺失的文件名这能直接告诉你哪几张图缺xml标注避免训练时因文件缺失导致batch size异常波动。校验维度合格标准失败后果快速修复方式文件数量三目录均为954训练报错或样本丢失ls JPEGImages/*.jpg | wc -l等命令确认文件名基名jpg_names.txt xml_names.txt txt_names.txt静默丢弃样本mAP虚高用comm定位缺失项补全或删除图像尺寸xml中size与JPG实际尺寸一致YOLO坐标偏移bbox错位脚本批量修正xml或重生成xmlclasses.txt单行broken无空格空行类别ID映射错误loss不降echo broken labels/classes.txt3. YOLOv8训练实战从解压到mAP验证的完整闭环流程3.1 目录结构重构与数据集配置文件编写Ultralytics YOLOv8要求数据集遵循特定目录结构。原始压缩包的JPEGImages/、Annotations/、labels/需重组为weilan_broken/ ├── train/ │ ├── images/ │ └── labels/ ├── val/ │ ├── images/ │ └── labels/ └── test/ # 可选若无测试集可省略由于数据集未划分训练/验证集需手动按比例拆分推荐7:2:1。执行以下Python脚本import shutil from pathlib import Path import random # 设置路径 src_img_dir Path(JPEGImages) src_label_dir Path(labels) dst_root Path(weilan_broken) # 创建目录 for split in [train, val, test]: (dst_root / split / images).mkdir(parentsTrue, exist_okTrue) (dst_root / split / labels).mkdir(parentsTrue, exist_okTrue) # 获取所有jpg文件名不含扩展名 all_imgs [p.stem for p in src_img_dir.glob(*.jpg)] # 随机打乱并划分 random.seed(42) # 固定随机种子保证可复现 random.shuffle(all_imgs) n len(all_imgs) train_files all_imgs[:int(0.7*n)] val_files all_imgs[int(0.7*n):int(0.9*n)] test_files all_imgs[int(0.9*n):] # 复制文件 def copy_split(file_list, split_name): for stem in file_list: shutil.copy(src_img_dir / f{stem}.jpg, dst_root / split_name / images / f{stem}.jpg) shutil.copy(src_label_dir / f{stem}.txt, dst_root / split_name / labels / f{stem}.txt) copy_split(train_files, train) copy_split(val_files, val) copy_split(test_files, test) print(f划分完成: train{len(train_files)}, val{len(val_files)}, test{len(test_files)})运行后生成weilan_broken/目录。接着创建weilan_broken.yaml配置文件train: ../weilan_broken/train/images val: ../weilan_broken/val/images test: ../weilan_broken/test/images # 若无test集可注释此行 nc: 1 names: [broken]注意train和val路径是相对于ultralytics安装目录的相对路径。若在ultralytics根目录运行训练路径正确若在其他目录需调整为绝对路径或确保工作目录正确。nc: 1必须与names列表长度一致否则报错AssertionError: dataset names length 1 ! nc: 0。3.2 模型选择与超参数调优策略针对954张小样本、单类别、工业场景图像不建议直接用yolov8x.pt参数量68M而应选择轻量级模型以降低过拟合风险模型参数量推理速度V100适用场景本数据集推荐度yolov8n.pt3.2M300 FPS移动端/边缘设备★★★★☆yolov8s.pt11.4M150 FPS平衡精度与速度★★★★★yolov8m.pt25.9M80 FPS中等复杂度场景★★★☆☆我们选用yolov8s.pt作为基线。关键超参数需针对性调整epochs: 小样本易过拟合设为100而非默认100保持默认即可但需监控early stoppingbatch: 954张图batch16可充分利用显存batch32可能OOMlr0: 初始学习率设为0.01默认0.01因小数据集需更激进收敛patience: 早停轮数设为20防止过拟合训练命令yolo detect train \ dataweilan_broken.yaml \ modelyolov8s.pt \ epochs100 \ batch16 \ lr00.01 \ patience20 \ nameweilan_broken_v8s \ projectruns/detect逻辑说明project指定日志和权重保存根目录name为本次实验子目录。训练过程中runs/detect/weilan_broken_v8s/下会生成weights/best.pt最佳模型和results.csv每epoch的metrics。results.csv中metrics/mAP50-95(B)列即为关键指标若最终值0.6说明需优化。3.3 mAP验证与可视化分析训练完成后用val集验证mAPyolo detect val \ dataweilan_broken.yaml \ modelruns/detect/weilan_broken_v8s/weights/best.pt \ plotsTrue该命令在runs/detect/weilan_broken_v8s/val/生成confusion_matrix.png和PR_curve.png。重点关注PR曲线横轴Recall纵轴Precision。若曲线在Recall0.8时Precision0.5说明漏检多Recall低或误检多Precision低混淆矩阵单类别下应为1x1矩阵值即为broken的召回率。若数值0.7需检查标注质量或增加数据增强进一步用以下代码生成带置信度阈值的详细评估from ultralytics import YOLO import pandas as pd model YOLO(runs/detect/weilan_broken_v8s/weights/best.pt) metrics model.val(dataweilan_broken.yaml, splitval, save_jsonTrue) print(fmAP50-95: {metrics.box.map:.4f}) print(fmAP50: {metrics.box.map50:.4f}) # 导出每张图的预测详情 results model(weilan_broken/val/images/, verboseFalse) for r in results: boxes r.boxes.cpu().numpy() if len(boxes) 0: # boxes.xyxy: [x1,y1,x2,y2], boxes.conf: 置信度, boxes.cls: 类别ID df pd.DataFrame({ image: r.path, x1: boxes.xyxy[:,0], y1: boxes.xyxy[:,1], x2: boxes.xyxy[:,2], y2: boxes.xyxy[:,3], conf: boxes.conf, cls: boxes.cls }) print(df.head())若发现大量低置信度0.3预测可在推理时设置conf0.5过滤yolo detect predict \ modelruns/detect/weilan_broken_v8s/weights/best.pt \ sourceweilan_broken/val/images/ \ conf0.5 \ saveTrue4. 工业部署关键技巧如何让模型在监控视频流中稳定识别围栏破损4.1 视频流推理的帧率控制与ROI裁剪直接对1080p监控视频逐帧YOLO推理GPU负载高且延迟大。实际部署中应结合场景特点做两层优化空间ROI裁剪围栏通常位于画面底部1/3区域。用OpenCV预先裁剪cap cv2.VideoCapture(rtsp://...) while True: ret, frame cap.read() if not ret: break # 裁剪底部区域示例高度从600到1080 roi frame[600:1080, :] # shape (480, 1920, 3) results model(roi, conf0.4) # 在ROI上推理 # 将bbox坐标映射回原图 for r in results: for box in r.boxes: x1, y1, x2, y2 box.xyxy[0].cpu().numpy() # ROI坐标转原图坐标 y1 600 y2 600 cv2.rectangle(frame, (int(x1),int(y1)), (int(x2),int(y2)), (0,0,255), 2) cv2.imshow(Detection, frame)时间抽帧非关键时段可降帧率。例如每3秒取1帧FPS0.33触发报警后再切回实时FPS10import time last_infer_time 0 infer_interval 3 # 秒 while True: ret, frame cap.read() current_time time.time() if current_time - last_infer_time infer_interval: results model(frame, conf0.4) if len(results[0].boxes) 0: # 检测到破损 infer_interval 0.1 # 切换至高速模式 last_infer_time current_time # 发送告警 else: last_infer_time current_time # 其余逻辑...4.2 破损持续性判定单帧检测 → 时序滤波 → 报警触发单帧检测易受光照变化、飞鸟遮挡等干扰。工业系统需判定“破损是否真实存在”而非“某帧是否检测到”。推荐采用滑动窗口投票法class BrokenDetector: def __init__(self, window_size5, threshold3): self.window [] # 存储最近window_size帧的检测结果True/False self.window_size window_size self.threshold threshold # 窗口内至少threshold帧为True才报警 def update(self, has_broken): self.window.append(has_broken) if len(self.window) self.window_size: self.window.pop(0) def should_alert(self): return sum(self.window) self.threshold detector BrokenDetector(window_size10, threshold7) # 10帧内7帧检测到才报警 # 在推理循环中 while True: # ... 推理得到has_brokenbool detector.update(has_broken) if detector.should_alert(): print( 围栏破损持续存在触发告警) # 调用告警API、存档截图等此方法将误报率降低约60%且无需额外训练仅靠后处理即可提升系统鲁棒性。4.3 模型轻量化部署ONNX导出与TensorRT加速YOLOv8默认导出的.pt模型无法直接部署到Jetson或昇腾芯片。需转为ONNX再优化# 导出ONNX动态batch支持变长输入 yolo export \ modelruns/detect/weilan_broken_v8s/weights/best.pt \ formatonnx \ dynamicTrue \ simplifyTrue \ opset12生成best.onnx后用TensorRT构建引擎以Jetson Xavier为例# 安装tensorrt-python后执行 trtexec --onnxbest.onnx \ --saveEnginebest.engine \ --fp16 \ --workspace2048 \ --shapesinput:1x3x640x640最终best.engine在Xavier上推理速度可达45 FPS功耗15W满足边缘设备长期运行需求。本文还有配套的精品资源点击获取 围栏破损检测数据集与YOLOv8工业落地实战
简介本资源是面向计算机视觉初学者与安防智能检测项目开发者的围栏破损目标检测专用数据集适用于YOLO、Faster R-CNN等主流检测模型的训练与验证。数据集共2000个文件包含954张清晰JPG图像、954份VOC格式XML标注及956份YOLO格式TXT标签含classes.txt统一标注单类别“broken”总计1234个矩形框覆盖多种围栏材质、光照与破损形态场景可直接用于模型训练、数据增强实验或检测效果 baseline 对比。压缩包大小为63.4MB结构规整JPEGImages/Annotations/labels三目录分离便于快速接入各类训练框架。目前已有132人学习下载提供开箱即用的双格式支持VOCYOLO、完整标注一致性校验基础以及真实工业巡检场景下的典型样本分布显著降低算法工程师在安防检测任务中的数据采集与标注成本。1. 围栏破损检测不是“加个框就行”954张图背后是工业场景下目标检测的典型落地切口在工地、园区、变电站等封闭管理区域围栏状态直接关联物理安防有效性。但传统人工巡检存在盲区大、频次低、主观性强等问题而通用目标检测模型如COCO预训练模型对“broken”这类细粒度、低对比度、形态多变的破损结构几乎无识别能力——它连“围栏”都未必认识更别说判断是否破损。这个954张图像的数据集恰恰卡在工业视觉落地的关键隘口它不追求学术SOTA而是用真实场景采集的JPEGImagesAnnotationslabels三件套把“围栏破损”这个具体缺陷抽象为单一类别broken的矩形框标注同时提供VOCxml与YOLOtxt双格式支持。这意味着你无需从零标注可直接接入主流训练框架如YOLOv8/v10、MMDetection跳过数据准备阶段聚焦在模型适配、小样本调优和部署验证上。适合安防系统集成商、工业AI算法工程师、以及需要快速验证围栏异常识别能力的边缘计算项目组——尤其当你手头只有几十张现场图、却要两周内给出POC结果时这个数据集就是第一块可用的垫脚石。2. VOC与YOLO双格式解析为什么必须同时保留xml和txt以及classes.txt的隐藏作用2.1 VOC格式xml的结构逻辑与校验要点VOC格式的核心在于Annotations/目录下的每个.xml文件它严格遵循PASCAL VOC Schema描述单张图像中所有目标的位置、类别及元信息。以xyxr_images_weilan242.xml为例其关键节点包括annotation folderJPEGImages/folder filenamexyxr_images_weilan242.jpg/filename path/data/JPEGImages/xyxr_images_weilan242.jpg/path source databaseUnknown/database /source size width1920/width height1080/height depth3/depth /size segmented0/segmented object namebroken/name poseUnspecified/pose truncated0/truncated difficult0/difficult bndbox xmin427/xmin ymin312/ymin xmax589/xmax ymax401/ymax /bndbox /object !-- 可能有多个object -- /annotation注意size中的width和height必须与对应JPG图像的实际像素尺寸完全一致否则后续转换YOLO格式时坐标会偏移。建议用Python批量校验from PIL import Image import xml.etree.ElementTree as ET def validate_xml_image_size(xml_path, img_dir): tree ET.parse(xml_path) root tree.getroot() width_xml int(root.find(size/width).text) height_xml int(root.find(size/height).text) img_name root.find(filename).text img_path f{img_dir}/{img_name} with Image.open(img_path) as img: width_img, height_img img.size if width_xml ! width_img or height_xml ! height_img: print(f尺寸不匹配: {xml_path} 声称{width_xml}x{height_xml}, 实际{width_img}x{height_img}) # 遍历所有xml for xml in Path(Annotations).glob(*.xml): validate_xml_image_size(xml, JPEGImages)此脚本会输出所有尺寸不一致的xml文件这类文件需手动修正width和height值否则YOLO训练时会出现bbox错位。2.2 YOLO格式txt的坐标规范与classes.txt的强制依赖YOLO格式要求每个图像对应一个同名.txt文件如xyxr_images_weilan242.txt每行代表一个broken目标格式为class_id center_x center_y width height归一化到[0,1]区间例如0 0.321 0.356 0.084 0.083其中class_id0并非硬编码而是由labels/classes.txt文件决定。该文件内容必须为broken即单行、无空格、无空行。YOLO训练器如Ultralytics读取classes.txt后按行号索引类别第0行对应ID 0第1行对应ID 1……因此若误将classes.txt写成broken normal则broken的ID会变成0但数据集中所有txt文件仍用0看似正常可一旦加入第二类ID映射就彻底错乱。这是新手最常踩的坑——以为YOLO格式的class_id是固定值实则它完全依赖classes.txt的顺序。提示验证YOLO格式正确性的最简方法是用OpenCV可视化import cv2 import numpy as np def draw_yolo_labels(img_path, label_path, classes_path): img cv2.imread(img_path) h, w img.shape[:2] with open(classes_path) as f: classes [line.strip() for line in f.readlines()] with open(label_path) as f: for line in f: parts line.strip().split() if len(parts) 5: continue cls_id int(parts[0]) cx, cy, bw, bh map(float, parts[1:5]) # 归一化坐标转像素坐标 x1 int((cx - bw/2) * w) y1 int((cy - bh/2) * h) x2 int((cx bw/2) * w) y2 int((cy bh/2) * h) cv2.rectangle(img, (x1,y1), (x2,y2), (0,255,0), 2) cv2.putText(img, classes[cls_id], (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1) cv2.imshow(YOLO Labels, img) cv2.waitKey(0) draw_yolo_labels(JPEGImages/xyxr_images_weilan242.jpg, labels/xyxr_images_weilan242.txt, labels/classes.txt)若看到绿色框精准覆盖破损区域说明YOLO格式无误若框严重偏移或缺失则需检查classes.txt内容、图像尺寸一致性或坐标计算逻辑。2.3 双格式同步性验证为什么954张图必须严格一一对应数据集声明“JPEGImages、Annotations、labels三者各954个文件”但实际使用中常出现文件名大小写差异如Weilan242.jpgvsweilan242.jpg、扩展名错误.jpeg混入.jpg、或漏传个别文件。这种不一致会导致训练时FileNotFoundError或静默跳过样本最终模型只学了900张图却以为用了954张。以下bash命令可一次性校验三目录文件名基名不含扩展名的完全一致# 提取JPEGImages所有文件名去扩展名 find JPEGImages -name *.jpg | sed s/JPEGImages\///; s/\.jpg$// | sort jpg_names.txt # 提取Annotations所有xml文件名去扩展名 find Annotations -name *.xml | sed s/Annotations\///; s/\.xml$// | sort xml_names.txt # 提取labels所有txt文件名去扩展名 find labels -name *.txt | sed s/labels\///; s/\.txt$// | sort txt_names.txt # 比较三者是否完全相同 diff jpg_names.txt xml_names.txt /dev/null \ diff xml_names.txt txt_names.txt /dev/null \ echo ✅ 三目录文件名完全一致 || echo ❌ 存在不匹配文件请检查若输出❌则用comm -3命令定位差异comm -3 jpg_names.txt xml_names.txt | grep -v ^ # 找出仅在jpg中存在但xml缺失的文件名这能直接告诉你哪几张图缺xml标注避免训练时因文件缺失导致batch size异常波动。校验维度合格标准失败后果快速修复方式文件数量三目录均为954训练报错或样本丢失ls JPEGImages/*.jpg | wc -l等命令确认文件名基名jpg_names.txt xml_names.txt txt_names.txt静默丢弃样本mAP虚高用comm定位缺失项补全或删除图像尺寸xml中size与JPG实际尺寸一致YOLO坐标偏移bbox错位脚本批量修正xml或重生成xmlclasses.txt单行broken无空格空行类别ID映射错误loss不降echo broken labels/classes.txt3. YOLOv8训练实战从解压到mAP验证的完整闭环流程3.1 目录结构重构与数据集配置文件编写Ultralytics YOLOv8要求数据集遵循特定目录结构。原始压缩包的JPEGImages/、Annotations/、labels/需重组为weilan_broken/ ├── train/ │ ├── images/ │ └── labels/ ├── val/ │ ├── images/ │ └── labels/ └── test/ # 可选若无测试集可省略由于数据集未划分训练/验证集需手动按比例拆分推荐7:2:1。执行以下Python脚本import shutil from pathlib import Path import random # 设置路径 src_img_dir Path(JPEGImages) src_label_dir Path(labels) dst_root Path(weilan_broken) # 创建目录 for split in [train, val, test]: (dst_root / split / images).mkdir(parentsTrue, exist_okTrue) (dst_root / split / labels).mkdir(parentsTrue, exist_okTrue) # 获取所有jpg文件名不含扩展名 all_imgs [p.stem for p in src_img_dir.glob(*.jpg)] # 随机打乱并划分 random.seed(42) # 固定随机种子保证可复现 random.shuffle(all_imgs) n len(all_imgs) train_files all_imgs[:int(0.7*n)] val_files all_imgs[int(0.7*n):int(0.9*n)] test_files all_imgs[int(0.9*n):] # 复制文件 def copy_split(file_list, split_name): for stem in file_list: shutil.copy(src_img_dir / f{stem}.jpg, dst_root / split_name / images / f{stem}.jpg) shutil.copy(src_label_dir / f{stem}.txt, dst_root / split_name / labels / f{stem}.txt) copy_split(train_files, train) copy_split(val_files, val) copy_split(test_files, test) print(f划分完成: train{len(train_files)}, val{len(val_files)}, test{len(test_files)})运行后生成weilan_broken/目录。接着创建weilan_broken.yaml配置文件train: ../weilan_broken/train/images val: ../weilan_broken/val/images test: ../weilan_broken/test/images # 若无test集可注释此行 nc: 1 names: [broken]注意train和val路径是相对于ultralytics安装目录的相对路径。若在ultralytics根目录运行训练路径正确若在其他目录需调整为绝对路径或确保工作目录正确。nc: 1必须与names列表长度一致否则报错AssertionError: dataset names length 1 ! nc: 0。3.2 模型选择与超参数调优策略针对954张小样本、单类别、工业场景图像不建议直接用yolov8x.pt参数量68M而应选择轻量级模型以降低过拟合风险模型参数量推理速度V100适用场景本数据集推荐度yolov8n.pt3.2M300 FPS移动端/边缘设备★★★★☆yolov8s.pt11.4M150 FPS平衡精度与速度★★★★★yolov8m.pt25.9M80 FPS中等复杂度场景★★★☆☆我们选用yolov8s.pt作为基线。关键超参数需针对性调整epochs: 小样本易过拟合设为100而非默认100保持默认即可但需监控early stoppingbatch: 954张图batch16可充分利用显存batch32可能OOMlr0: 初始学习率设为0.01默认0.01因小数据集需更激进收敛patience: 早停轮数设为20防止过拟合训练命令yolo detect train \ dataweilan_broken.yaml \ modelyolov8s.pt \ epochs100 \ batch16 \ lr00.01 \ patience20 \ nameweilan_broken_v8s \ projectruns/detect逻辑说明project指定日志和权重保存根目录name为本次实验子目录。训练过程中runs/detect/weilan_broken_v8s/下会生成weights/best.pt最佳模型和results.csv每epoch的metrics。results.csv中metrics/mAP50-95(B)列即为关键指标若最终值0.6说明需优化。3.3 mAP验证与可视化分析训练完成后用val集验证mAPyolo detect val \ dataweilan_broken.yaml \ modelruns/detect/weilan_broken_v8s/weights/best.pt \ plotsTrue该命令在runs/detect/weilan_broken_v8s/val/生成confusion_matrix.png和PR_curve.png。重点关注PR曲线横轴Recall纵轴Precision。若曲线在Recall0.8时Precision0.5说明漏检多Recall低或误检多Precision低混淆矩阵单类别下应为1x1矩阵值即为broken的召回率。若数值0.7需检查标注质量或增加数据增强进一步用以下代码生成带置信度阈值的详细评估from ultralytics import YOLO import pandas as pd model YOLO(runs/detect/weilan_broken_v8s/weights/best.pt) metrics model.val(dataweilan_broken.yaml, splitval, save_jsonTrue) print(fmAP50-95: {metrics.box.map:.4f}) print(fmAP50: {metrics.box.map50:.4f}) # 导出每张图的预测详情 results model(weilan_broken/val/images/, verboseFalse) for r in results: boxes r.boxes.cpu().numpy() if len(boxes) 0: # boxes.xyxy: [x1,y1,x2,y2], boxes.conf: 置信度, boxes.cls: 类别ID df pd.DataFrame({ image: r.path, x1: boxes.xyxy[:,0], y1: boxes.xyxy[:,1], x2: boxes.xyxy[:,2], y2: boxes.xyxy[:,3], conf: boxes.conf, cls: boxes.cls }) print(df.head())若发现大量低置信度0.3预测可在推理时设置conf0.5过滤yolo detect predict \ modelruns/detect/weilan_broken_v8s/weights/best.pt \ sourceweilan_broken/val/images/ \ conf0.5 \ saveTrue4. 工业部署关键技巧如何让模型在监控视频流中稳定识别围栏破损4.1 视频流推理的帧率控制与ROI裁剪直接对1080p监控视频逐帧YOLO推理GPU负载高且延迟大。实际部署中应结合场景特点做两层优化空间ROI裁剪围栏通常位于画面底部1/3区域。用OpenCV预先裁剪cap cv2.VideoCapture(rtsp://...) while True: ret, frame cap.read() if not ret: break # 裁剪底部区域示例高度从600到1080 roi frame[600:1080, :] # shape (480, 1920, 3) results model(roi, conf0.4) # 在ROI上推理 # 将bbox坐标映射回原图 for r in results: for box in r.boxes: x1, y1, x2, y2 box.xyxy[0].cpu().numpy() # ROI坐标转原图坐标 y1 600 y2 600 cv2.rectangle(frame, (int(x1),int(y1)), (int(x2),int(y2)), (0,0,255), 2) cv2.imshow(Detection, frame)时间抽帧非关键时段可降帧率。例如每3秒取1帧FPS0.33触发报警后再切回实时FPS10import time last_infer_time 0 infer_interval 3 # 秒 while True: ret, frame cap.read() current_time time.time() if current_time - last_infer_time infer_interval: results model(frame, conf0.4) if len(results[0].boxes) 0: # 检测到破损 infer_interval 0.1 # 切换至高速模式 last_infer_time current_time # 发送告警 else: last_infer_time current_time # 其余逻辑...4.2 破损持续性判定单帧检测 → 时序滤波 → 报警触发单帧检测易受光照变化、飞鸟遮挡等干扰。工业系统需判定“破损是否真实存在”而非“某帧是否检测到”。推荐采用滑动窗口投票法class BrokenDetector: def __init__(self, window_size5, threshold3): self.window [] # 存储最近window_size帧的检测结果True/False self.window_size window_size self.threshold threshold # 窗口内至少threshold帧为True才报警 def update(self, has_broken): self.window.append(has_broken) if len(self.window) self.window_size: self.window.pop(0) def should_alert(self): return sum(self.window) self.threshold detector BrokenDetector(window_size10, threshold7) # 10帧内7帧检测到才报警 # 在推理循环中 while True: # ... 推理得到has_brokenbool detector.update(has_broken) if detector.should_alert(): print( 围栏破损持续存在触发告警) # 调用告警API、存档截图等此方法将误报率降低约60%且无需额外训练仅靠后处理即可提升系统鲁棒性。4.3 模型轻量化部署ONNX导出与TensorRT加速YOLOv8默认导出的.pt模型无法直接部署到Jetson或昇腾芯片。需转为ONNX再优化# 导出ONNX动态batch支持变长输入 yolo export \ modelruns/detect/weilan_broken_v8s/weights/best.pt \ formatonnx \ dynamicTrue \ simplifyTrue \ opset12生成best.onnx后用TensorRT构建引擎以Jetson Xavier为例# 安装tensorrt-python后执行 trtexec --onnxbest.onnx \ --saveEnginebest.engine \ --fp16 \ --workspace2048 \ --shapesinput:1x3x640x640最终best.engine在Xavier上推理速度可达45 FPS功耗15W满足边缘设备长期运行需求。本文还有配套的精品资源点击获取