基于 YOLO11 的电力线路绝缘子智能检测系统让无人机拍回来的几千张巡检图自动告诉运维画面里几串绝缘子分别在哪。一、背景视频演示与源码下载https://www.bilibili.com/video/BV1fmar6PEkJ/包含完整项目源码预训练模型权重️数据集1.1 行业痛点输配电线路是城市电网的动脉绝缘子作为支撑导线、防止漏电的关键金具长期暴露在高压、雨雪、紫外辐射下极易出现自爆、闪络、污秽。绝缘子位置定位是巡检的第一步也是后续缺陷分类、状态评估、自动告警等所有自动化任务的入口。传统巡检的痛点输电塔少则三五公里一座多则横跨山区靠人去爬塔费时费力还危险改用无人机航拍 人工看片拍 1 公里能产出几百张图运维盯着电脑找绝缘子常常一天看不完不同塔型、不同视角下绝缘子尺度差异巨大一串 vs 一片传统模板匹配根本扛不住。本项目用 YOLO11n 把绝缘子在哪做成一个单类高召回的检测模型配套 Streamlit 前端让运维从翻图变成上传 → 看结果 → 导出 ROI。1.2 项目运行效果1.3 项目介绍核心创新点维度说明单类聚焦nc1, names[绝缘子]只解决在哪不混什么缺陷召回率拉满多源接入支持航拍图、巡检视频、现场摄像头三类输入前端一键切换多尺度鲁棒训练集涵盖近景特写一串绝缘子到远景全景整段杆塔imgsz640 DFL 回归对小目标更稳工程化模型 ≈ 6MB可下沉到边缘 AI 盒子无人机机载 / 路口杆塔 IPC行业话术UI 用国网蓝 高压警示橙侧栏直接显示行业方向、典型场景、部署位置技术栈层选型检测模型YOLO11nultralytics 官方预训练 yolo11n.pt训练框架ultralytics ≥ 8.3后端推理Python 3.10 PyTorchCPU / MPS / CUDA / NVIDIA Jetson 自适应前端Streamlit Plotly视频解码OpenCV imageio-ffmpeg部署形态Streamlit / Docker可导出 ONNX 给机载推理二、设计框架┌──────────────────────────────────────────────┐ │ 巡检终端 │ │ 无人机 RTK 影像 / 巡检视频 / 杆塔现场摄像头 │ └─────────────┬────────────────────────────────┘ ▼ HTTP默认 8501 ┌──────────────────────────────────────────────┐ │ Streamlit 应用 app/streamlit_app.py │ │ ├─ 单张航拍图 / 批量巡检图 / 视频 / 摄像头 │ │ ├─ infer_image_path() 单帧推理 │ │ └─ render_batch_analysis() 类别 数量图表 │ └─────────────┬────────────────────────────────┘ ▼ ultralytics.YOLO ┌──────────────────────────────────────────────┐ │ YOLO11n 推理引擎 │ │ model/best.pt单类绝缘子 │ └──────────────────────────────────────────────┘YOLO11 网络结构一图速通输入 640×640 │ ┌───▼──── BackboneC3k2 SPPF ────┐ │ 多尺度特征 P3 / P4 / P5 │ └───┬───────────────────────────────┘ │ ┌───▼──── NeckFPN PAN ─────────┐ │ 小目标远景绝缘子特征上采样融合 │ └───┬───────────────────────────────┘ │ ┌───▼── HeadDecoupled DFL ─────┐ │ 分类1 类 DFL 边框回归 │ └───┬───────────────────────────────┘ │ 输出N×(x1,y1,x2,y2,conf,绝缘子)YOLO11 相比 YOLOv8Backbone 用 C3k2 取代 C2f参数下降Head 引入 DFL 让边框定位更稳保留 Anchor-Free Decoupled Head。绝缘子在巡检图里尺度跨度大、长宽比悬殊细长串联结构YOLO11 的多尺度特征 DFL 是非常合适的组合。检测流程航拍图/视频帧 ──▶ letterbox 640 ──▶ YOLO11n 推理 │ ▼ conf ≥ 0.30 NMSIoU 0.7 │ ▼ result.plot() 画框 │ ▼ Pandas 整理 → 每图目标数 / 平均置信度 → 图表三、代码结构核心 50 行# app/streamlit_app.py节选frompathlibimportPathimportstreamlitasst,pandasaspd,yamlfromultralyticsimportYOLO ROOTPath(__file__).parent.parent MODEL_PATHROOT/model/best.ptCFGyaml.safe_load(open(ROOT/configs/project.yaml,encodingutf-8))INFER_CFGCFG.get(inference,{})DEFAULT_CONFfloat(INFER_CFG.get(conf,0.30))# 巡检场景默认 0.30避免漏检st.cache_resource(show_spinnerFalse)defload_model(p:str)-YOLO:returnYOLO(p)# ① 权重只加载一次definfer_image_path(model:YOLO,image_path:Path,conf:float):resultmodel.predict(str(image_path),confconf,verboseFalse)[0]# ② 单帧推理annotatedresult.plot()# ③ 画框rows[]ifresult.boxesisnotNone:forboxinresult.boxes:cls_idint(box.cls.item())x1,y1,x2,y2[float(v)forvinbox.xyxy[0].tolist()]rows.append({class_name:result.names[cls_id],confidence:round(float(box.conf.item()),4),x1:round(x1,1),y1:round(y1,1),x2:round(x2,1),y2:round(y2,1),})returnannotated[:,:,::-1],pd.DataFrame(rows)# ④ BGR→RGB 结构化结果# ---------- Streamlit 入口航拍图分支 ----------st.set_page_config(page_titleCFG[app][title],layoutwide)confst.sidebar.slider(置信度阈值,0.1,0.9,DEFAULT_CONF,0.05)modelload_model(str(MODEL_PATH))modest.radio(输入类型,[航拍 / 巡检图片,批量巡检图,巡检视频,现场摄像头],horizontalTrue)ifmode航拍 / 巡检图片:upst.file_uploader(上传巡检图片,type[jpg,jpeg,png,webp,bmp])ifupisnotNone:annotated,dfinfer_image_path(model,Path(up.name),conf)col1,col2st.columns(2)col1.image(up.getvalue(),caption原图)col2.image(annotated,caption检测结果)st.dataframe(df)5 段解析st.cache_resource—— YOLO 权重缓存从冷启动 ~1.5s 降到首屏 50ms。DEFAULT_CONF0.30—— 巡检场景比通用场景更怕漏检漏掉一串绝缘子可能错过隐患所以阈值刻意调低于一般默认 0.25 NMS 0.7 的组合。model.predict(...)[0]—— ultralytics 一行完成 letterbox、推理、NMS[0]因接口默认返回 list视频每帧一个 Result。result.plot()—— 直接拿到带框的可视化图运维一眼能看清几串绝缘子分别在哪。mode st.radio(...)—— 用 Streamlit 路由把单图、批量、视频、摄像头四类输入统一进同一个 app下游 ROI 导出、缺陷子模型都能复用。四、训练效果模型基于yolo11n.pt在 2000 张真实电力巡检图含不同地理环境、天气条件上训练 200 个 epochimgsz640、batch16。最终训练表现指标数值Precision0.896Recall0.958mAP0.50.975mAP0.5:0.950.868训练曲线总览box / cls / dfl 三路损失在 80 个 epoch 后收敛mAP0.5 长期稳定在 0.97 附近mAP0.5:0.95 也有 0.86说明边框回归质量很高不仅找到而且框得准。PR 曲线PR 曲线几乎贴着右上角的边——单类目标 数据集质量较高的典型表现。归一化混淆矩阵对角线接近 1绝缘子 → 绝缘子几乎全召回剩余的少量误差落在 background被山体或塔架严重遮挡的远景属于工程上可以接受的范围下一步可通过加入跟踪、多帧融合解决。五、项目总结做对了什么任务拆解到位先把在哪做穿高召回单类检测再让下游缺陷子模型基于 ROI 做分类比一上来就堆多类多任务靠谱得多。轻量化部署6MB 权重 ONNX 导出能力适配无人机机载、杆塔 IPC、巡检平板等多种边缘形态。配置驱动 UI行业方向、典型场景、部署位置全在configs/project.yaml下次复用到换杆塔金具或导线断股只要改 yaml 换权重。还能怎么做增加缺陷子模型自爆、闪络、串型变形等做多标签分类与本项目串联多模态可见光 红外双模 ROI 拼接能更稳地识别加热异常跟踪 历史对比与上一次航拍图做 ROI 对齐自动告警这串绝缘子上次没有今天有。一句话总结把绝缘子在哪这一块做穿做透让无人机拍的几千张巡检图自动分流出需人工复核的小集合是 YOLO11n 在电力运维里的一个非常对症的落点。