文章目录一前言二核心技术知识1.PyQt52.YOLOv83.DeepSeek4.CSV5.多线程6.影像输电的因素1.鸟巢nest2.风筝kite3.气球balloon4.垃圾trash三核心功能1.登录注册1.登录2.注册2.主界面3.图像检测界面1.检测结果展示2.导出检测结果3.可视化展示4.AIDeepSeek智能分析4.视频检测界面1.视频文件检测2.摄像头内容检测5.系统设置界面6.关于软件界面四数据集1.数据准备2.数据集处理1.数据集拆分2.数据集标注文件类型转换3.数据集拆分3.模型训练五项目运行环境1.项目依赖2.项目结构六总结本系统功能强大支持对输电隐患气球、鸟巢、风筝、垃圾进行目标检测支持多种数据数据源输入并且接入了AI实现了对当前分析结果的评估欢迎了解一前言随着电力输送网络的不断扩展输电线路的安全运行成为电网稳定的重要保障。然而输电线路容易受到外界因素的干扰尤其是一些人类活动或自然现象造成的潜在隐患。例如鸟巢鸟类在输电塔或导线上筑巢容易引起短路、设备损坏甚至导致停电事故。气球与风筝在节假日或娱乐活动中漂浮的气球或放飞的风筝可能接触高压线路引发线路击穿或机械损伤。垃圾随风飘落或人为抛弃的塑料袋、纸屑等杂物落入线路设施附近可能阻碍巡视或造成局部短路。传统的输电线路巡检主要依赖人工巡查或定期无人机巡检这不仅效率低、成本高而且容易出现漏检或误判。随着人工智能和深度学习技术的发展基于计算机视觉的自动化检测系统逐渐成为智能电网的重要组成部分。本项目基于 PyQt5 构建可视化操作界面结合 YOLOv8 的目标检测能力以及 DeepSeek 的图像检索与定位功能实现对输电线路潜在危险物体的自动识别与报警。通过实时检测鸟巢、气球、风筝和垃圾系统可以提升巡检效率无人值守即可监控大量线路。降低安全风险及时发现隐患减少电力事故发生。数据可视化管理检测结果可在界面中直观呈现便于后续分析和维护决策。二核心技术知识在这章我将要介绍本系统的核心技术。1.PyQt5PyQt5 是一套用于创建跨平台桌面应用程序的 Python GUI 工具包它是 Qt 应用框架的 Python 绑定。通过 PyQt5开发者可以使用 Python 编写具有现代图形界面的应用程序支持丰富的控件、信号与槽机制、窗口管理、事件处理等功能。它兼容主流操作系统如 Windows、macOS 和 Linux适用于开发各种规模的桌面软件常与 Qt Designer 配合使用以加快开发效率。2.YOLOv8YOLOv8You Only Look Once version 8是由 Ultralytics 推出的最新一代实时目标检测模型属于 YOLO 系列的改进版本。相比前代模型YOLOv8 在精度、速度和灵活性上都有显著提升支持目标检测、图像分割、姿态估计等多任务处理。它采用了更加高效的网络结构和训练策略并提供开箱即用的 Python 接口和命令行工具适用于边缘设备和云端部署广泛应用于安防监控、自动驾驶、工业检测等场景。3.DeepSeekDeepSeek是由深度求索公司开发的AI大模型助手作为纯文本模型我擅长自然语言处理、文档分析和智能对话。当与YOLOYou Only Look Once实时目标检测系统结合时可以形成强大的多模态应用架构——YOLO系统负责实时视觉识别和目标检测快速准确地识别图像或视频流中的物体而我则对YOLO检测到的结果进行深度语义分析和上下文理解提供物体属性的详细解读、场景描述、行为分析以及决策建议。这种结合使得计算机视觉的“看到”与AI的“理解”完美融合可广泛应用于智能监控、自动驾驶、工业质检等领域实现从视觉感知到智能决策的完整闭环。4.CSV本系统使用CSV进行数据的存储与数据导出。CSVComma-Separated Values是一种简单通用的文本文件格式以纯文本形式存储表格数据。它用逗号分隔不同的字段每行代表一个数据记录类似于电子表格或数据库中的行。由于其格式简单、易于读写且兼容性强CSV被广泛应用于数据交换、导出和存储支持几乎所有常见的办公软件和编程语言处理是数据分析和系统间传输结构化信息时最常用的轻量级格式之一。5.多线程QThread 是 PyQt5 提供的线程类用于在界面程序中安全地执行耗时任务从而避免界面阻塞和卡顿。它允许将数据处理、模型推理、文件读写等操作放到独立线程中运行并通过信号与槽机制与主线程进行通信确保界面更新的稳定性与线程之间的安全交互。使用 QThread 可以显著提升应用程序的响应速度使界面在后台任务执行期间依旧保持流畅同时具备良好的扩展性与可维护性在复杂的桌面端应用开发中尤为常用。6.影像输电的因素1.鸟巢nest鸟巢对输电线路的影响主要体现在安全稳定性与运维成本两个方面。从物理特性看鸟类在塔架横梁、绝缘子串顶部或跳线附近筑巢会改变局部电场分布使绝缘距离被缩短。当巢材含有潮湿枝叶、金属丝或塑料条等导电、半导电物质时更容易在潮湿、污闪条件下引发放电造成相间闪络或接地短路。此外大型鸟巢的重量可能导致引流板、金具受力异常长期累积会带来机械隐患。鸟类活动还会产生大量粪污使绝缘表面形成覆盖层进一步提升污闪风险。运维方面鸟巢增加巡视难度需要定期清理与安装驱鸟装置不仅提高成本也可能影响线路停电检修计划。综上鸟巢虽与自然生态相关但其在输电线路上形成的电气与机械耦合问题不可忽视需要通过结构防护、驱鸟技术和智能监测共同管理以维持输电连续性与供电可靠性。2.风筝kite风筝对输电线路的影响同样主要集中在电气安全、机械负荷及运维处置等方面。首先风筝线常由棉线、尼龙线或涂覆金属粉的线材组成在受潮或出现损伤暴露金属丝时会显著降低导线与地之间的绝缘水平诱发放电或接地短路。若风筝骨架使用金属杆件被风吹挂到导线上会形成明显的异物短接风险。其次持续受风力牵引的风筝线可能在导线上缠绕打结使局部受力集中导致导线疲劳、股线断裂甚至形成跳线振动隐患。对于高压线路风筝在跨越点或城市密集区被卷入更可能造成跳闸、大面积停电与公共安全事件。运维层面清除高空异物常需停电作业或动用绝缘斗臂车、无人机增加处理时间与成本。为降低风险需要加强公众教育、在重点区域设置警示标识并辅以输电线路异物监测系统实现早发现、快处置从而保障输电系统的稳定与安全。3.气球balloon气球对输电线路的影响常被公众低估但在城市与近城乡交界区域却是造成线路跳闸的常见因素之一。普通橡胶气球若放飞后被风带入线路多在接触导线时爆裂影响相对较小但仍可能在瞬间形成局部电场畸变引发轻微放电。而金属箔气球如铝膜气球危害显著更高其外层具有良好导电性一旦触碰不同相导线或导线与金具即可能造成相间短路、电弧放电甚至点燃气球材料引发导线烧伤与绝缘子损坏。气球的丝带和绑线若缠绕在导线上会在风力作用下产生摆动与拉拽导致局部机械应力增加加速导线磨损。对于高电压等级线路气球异物可能引起跳闸影响区域供电可靠性。运维人员通常需通过无人机巡检或停电清除缠绕气球增加维护成本。为减轻风险应在重要通道附近加强宣传禁止放飞金属箔气球并配合建设异物监测系统与防护结构提高输电线路的运行安全性。4.垃圾trash垃圾对输电线路的影响主要来自被风卷起或人类活动遗留的轻质杂物它们往往在恶劣天气下成为潜在异物侵入源。塑料袋、薄膜、旧布条等轻飘物易被气流带上高空附着在导线、绝缘子或金具上改变局部电场分布使绝缘裕度下降在潮湿、污秽条件下更易出现沿面放电甚至闪络跳闸。若垃圾中含有金属片、金属丝或含炭成分的材料其导电性会显著提高短路风险。部分体积较大的废弃物如包装箱、碎泡沫、纸板等被卷至导线间隙时可能造成相间距离不足引发瞬时接触或电弧放电损害导线和绝缘子。机械方面绳状、丝状垃圾缠绕在导线上会在风致摆动中对线芯造成局部磨损长期可能导致股线断裂隐患。运维上垃圾异物增大巡检和清理成本尤其在城乡结合部、风口地带更为突出。为降低影响需要加强线路走廊环境治理、增设防风网或挡护结构并结合无人机与智能感知系统实现对异物的快速识别与处置从而保障输电线路的可靠运行。三核心功能1.登录注册1.登录软件启动后首先进入登录页面用户需要输入正确的用户名和密码才能使用本系统的正式功能登录页面整体采用了垂直布局局部采用了水平布局登录界面简约不简单登录功能后端采用CSV本地文件存储用户信息每次登录都是通过查库进行验证的实现了流程标准化。我们设计了简约的登录注册界面展示与用户交互的所有组件登录注册界面的标题展示了系统的名称。2.注册没有账号的用户需要进行注册注册操作流程十分简单用户点击登录界面的注册按钮就跳转到了注册窗口用户需要输入自定义的用户名和两次匹配的密码才能完成登录值得一提的是成功注册的用户软件会自动填写用户名和密码到登录界面实现了登录流程路径的简化。2.主界面用户通过输入自己的用户名和密码登录到本系统后进入主界面主界面内容十分丰富我来一一介绍首先软件整体是垂直布局顶部是系统的标题从左到右依次展示了系统的作者信息、系统名称、当前时间以及CPU内存占用情况下方为水平布局左侧是系统的导航区域我们设计了windows风格支持展开与收缩的内容导航区域右侧是内容核心区域通过点击导航按钮切换展示内容主界面主要展示了以日期为维度统计的数据、用户信息操作按钮、系统信息、系统环境信息以及实时CPU、内存可视化折线图3.图像检测界面1.检测结果展示用户通过点击左侧导航栏按钮切换到图像检测界面在此界面支持选择图像进行输入用户选择完之后被选择的图像会展示在左侧并且展示图像绝对路径信息用户可以通过点击右侧的“进行检测”按钮对输入的图像数据进行检测系统会自动调用YOLOv8相关算法根据指定的参数对输入图像内容进行检测最后将检测结果展示到右侧这样用户可以通过比对左右图像的区别得到直观的检测结果系统自动使用红色边框框选出目标区域并且使用红色文字展示出目标类别以及它的置信度这些参数和展示效果都可以在设置页面进行详细设置。2.导出检测结果我们设置了检测结果区域包括检测目标数量的展示以及详细检测结果表格用户可以更加直观地看到检测结果数据另外当用户检测结束之后右侧的三个按钮自动设置为可以点击这三个按钮的作用分别是导出结果用户可以将检测结果进行导出导出的文件格式可以是Excel、CSV、TXT可以根据情况自行选择导出格式我截图给大家看下导出的Excel文件内容格式。3.可视化展示然后就是可视化展示用户可以点击进行可视化按钮查看对于本次检测的可视化效果系统内置了四种可视化效果分别是目标位置热力图、目标面积占比、置信度分布直方图、检测能力柱状图这些图标通过不同维度对当前数据进行了可视化展示更便于用户理解这里指的一体的是支持可视化图表进行导出操作用户可以点击紫色的导出按钮对当前的可视化效果图表进行导出生成一张本地的PNG图像文件。4.AIDeepSeek智能分析将YOLOv8球体检测系统与DeepSeek等AI大模型深度融合能够实现从“单纯检测”到“智能认知”的跨越式升级。该系统在YOLOv8高效精准的球体定位能力基础上融入了DeepSeek强大的语义理解和推理决策能力不仅可以实时识别球体位置还能深度分析场景语义、生成战术策略并提供智能决策支持从而在体育分析、工业质检和机器人视觉等领域构建出更加智能化、自适应的一体化解决方案。这里是软件的另外一个核心AI智能分析我们的目标检测系统接入了DeepSeek大模型支持对当前检测结果数据进行AI分析AI会通过不同维度对当前检测结果进行多角度分析最后生成检测结果分析报告用户可以根据这个结果对系统进行调整不断完善系统功能和目标检测准确度在AI分析结束后下方会展示一些按钮用户可以方便地复制结果、导出文本内容、生成PDF报告、重新生成以及关闭多重的操作方式给于用户了多种选择4.视频检测界面1.视频文件检测我们的系统支持视频内容中的球体检测支持输入的视频类型包括视频文件、视频流以及摄像头通过识别视频画面的内容对内容中的目标球体进行检测试试标注与展示通过相关帧率控制保证了视频的流畅性用户可以通过比对左右两侧的画面使用肉眼评估当前检测结果我们的视频检测界面拥有图像检测界面相同的操作功能这里不多赘述。2.摄像头内容检测用户点击进行检测按钮之后系统会自动调用摄像头打开摄像头展示摄像头画面实时检测目标画面中的球体通过左右画面比对让用户看到检测结果这里本人就不露脸啦~5.系统设置界面我们的系统是支持简单的参数设置的具体可以设置目标检测模型、置信度阈值Conf、交并比阈值IOU、还有一些检测结果控制参数比如检测框展示、目标类别展示、目标置信度展示用户可以点击绿色的刷新按钮刷新可用模型亦可通过点击退出按钮退出系统或者退出登录本设置页面实现了目标检测参数的灵活配置6.关于软件界面我们使用富文本html的形式展示了软件相关的信息包括系统用到的相关技术对于二维的数据使用二维表进行了展示最底部放置了四个按钮分别是关于YOLO、关于软件、关于作者、关于QT点击之后都会弹出对应的信息提示框这个页面的作用是让用户更多的了解软件和创作者信息跨过技术的鸿沟四数据集基于 PyQt5 YOLOv8 DeepSeek 的输电隐患检测系统 致力于解决传统输电线路巡检中效率低、人工依赖强、漏检率高等问题。输电线路在复杂地形与多变气候中长期运行易出现异物挂线、绝缘子破损、金具异常、植被超高等多类隐患传统巡检方式往往依赖人工图像查看或现场排查不仅耗时、主观性强还容易因视角受限或疲劳导致隐患被忽略。借助 YOLOv8 的实时目标检测能力系统能够在无人机巡检图像或杆塔设备照片中高效识别各类输电隐患实现毫秒级推理和高精度定位大幅提升巡检流程的自动化水平。与此同时引入 DeepSeek 等大模型能力在图像预处理、场景理解、语义分类与模型策略优化方面提供更强的智能分析支持使系统在复杂背景、电网设备多样化、光照与天气干扰显著的场景下仍保持稳定性能。PyQt5 则为巡检人员提供清晰直观的桌面端界面不仅支持图像批量导入、可视化标注与检测结果展示还能集成日志管理、模型配置、设备信息录入等功能使 AI 模型能力真正落地至生产使用场景。三者结合使得输电线路隐患检测更加智能、高效且可部署不仅降低了巡检人员的工作强度也在提升电网安全性、缩短隐患排查周期、增强复杂环境下的运维能力方面展现出显著价值。同时该系统也为电力行业的图像智能识别、无人机巡检自动化等方向提供了可复用、可扩展的技术框架与实践路径。1.数据准备本系统附带800张输电隐患检测系统图像和800个数据标注文件大家可以根据自己的情况自行训练数据自己的模型我们为模型训练准备了几百张输电中的鸟巢、风筝、气球、垃圾图像然后使用VOC的格式存储数据标注文件单数据标注文件内容如下?xmlversion1.0encodingutf-8?annotationfolderVOC2007/folderfilename1c.jpg/filenamepathUnknown/pathsourcedatabaseThe VOC2007 Database/database/sourcesizewidth1347/widthheight1049/heightdepth3/depth/sizesegmented0/segmentedobjectnamenest/nameposeUnspecified/posetruncated0/truncateddifficult0/difficultbndboxxmin422/xminymin99/yminxmax1285/xmaxymax1013/ymax/bndbox/object/annotation2.数据集处理1.数据集拆分我们的原始数据集文件包括图像文件和标注文件两者混合在同一个目录下这就需要我们手动拆分数据集目的是将图像和标注文件分开便于后面的数据划分。这段脚本用于清理与归类数据集目录中的文件。它会扫描指定根目录下的所有项目将常见图片格式JPG、JPEG、PNG自动移动到新建的 images 文件夹将 XML 格式的标注文件移动到 annotations 文件夹其余非文件项会被忽略。整个流程确保目录结构更加规范、清晰方便后续训练或数据处理。大家首先执行step1_sp_dataset.pyimportosimportshutil src_rootrE:\thunder_download\useful\traindst_imagesrE:\thunder_download\useful\extracted_train\imagesdst_labelsrE:\thunder_download\useful\extracted_train\labelsos.makedirs(dst_images,exist_okTrue)os.makedirs(dst_labels,exist_okTrue)filesos.listdir(src_root)jpg_count0xml_count0forfinfiles:full_pathos.path.join(src_root,f)iff.lower().endswith(.jpg):shutil.copyfile(full_path,os.path.join(dst_images,f))jpg_count1eliff.lower().endswith(.xml):shutil.copyfile(full_path,os.path.join(dst_labels,f))xml_count1print(f完成共复制 JPG:{jpg_count}XML:{xml_count})下图为拆分后的数据集图像文件下图为数据集标注文件格式均为xml2.数据集标注文件类型转换直接使用VOC格式的数据标注文件进行训练是不行的需要我们将xml转成txt文件这段脚本实现了从 VOC 风格的 XML 标注批量生成 YOLO 所需的 txt 标签文件。程序逐一读取 XML 文件匹配对应的图像以获取宽高再提取每个目标的坐标信息并按 YOLO 格式将框中心点和宽高归一化。所有类别根据预设映射转换为 class id最终在指定目录下生成同名的 txt 标签为后续训练 YOLO 模型做好数据准备。执行下面脚本step2_yolo_to_txt.pyimportosimportxml.etree.ElementTree as ET from PILimportImage# 原始路径xml_dirrE:\thunder_download\useful\extracted_train\labelsimg_dirrE:\thunder_download\useful\extracted_train\images# 新建目录用于保存YOLO格式txtyolo_txt_dirrE:\thunder_download\useful\extracted_train\labels_yoloos.makedirs(yolo_txt_dir,exist_okTrue)# 类别映射YOLO 默认从 0 开始class_map{nest:0,kite:1,balloon:2,trash:3}# 遍历XML文件forxml_fileinos.listdir(xml_dir):ifnot xml_file.endswith(.xml):continuexml_pathos.path.join(xml_dir, xml_file)treeET.parse(xml_path)roottree.getroot()# 自动按 XML 文件名对应图像名忽略 XML 内 filenamebase_nameos.path.splitext(xml_file)[0]img_pathNoneforextin[.jpg,.jpeg,.png,.JPG,.JPEG,.PNG]: candidateos.path.join(img_dir, base_name ext)ifos.path.exists(candidate): img_pathcandidatebreakifimg_path is None: print(fWarning: {base_name} 对应图像不存在跳过)continuew, hImage.open(img_path).size txt_lines[]forobjinroot.findall(object): name_tagobj.find(name)ifname_tag is None:continuelabelname_tag.textiflabel notinclass_map:continueclass_idclass_map[label]bndboxobj.find(bndbox)xminfloat(bndbox.find(xmin).text)yminfloat(bndbox.find(ymin).text)xmaxfloat(bndbox.find(xmax).text)ymaxfloat(bndbox.find(ymax).text)# 转 YOLO 格式x_center((xminxmax)/2)/w y_center((yminymax)/2)/h box_width(xmax-xmin)/w box_height(ymax-ymin)/h txt_lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {box_width:.6f} {box_height:.6f})if not txt_lines:continue txt_file_pathos.path.join(yolo_txt_dir,base_name.txt)with open(txt_file_path,w)as f:f.write(\n.join(txt_lines))print(f转换完成YOLO TXT 文件保存在: {yolo_txt_dir})拆分好之后朋友们就能拿到可以给YOLO进行训练的YOLO格式数据集标注文件了格式为TXT。3.数据集拆分YOLO 推荐训练集和测试集按 8:2 划分主要是因为目标检测对样本量非常依赖需要尽可能多的训练数据来学习特征同时又必须保留足够的独立测试数据来评估模型的真实泛化能力。8:2 被证明在“训练数据够多”与“测试评估足够稳定”之间取得了较好平衡因此成为默认且通用的实践比例。从原始图像与标签目录中随机挑选 200 张图片并按 8:2 的比例划分为训练集和验证集然后将对应的图片和标签文件复制到新的数据集结构中。如果某张图片缺少同名的标签 .txt 文件就为它创建一个空的标签文件保证数据集结构完整。最终会在目标目录下生成执行脚本step3_auto_part.pyimportosimportrandomimportshutil# 原始数据路径img_dirrE:\thunder_download\useful\extracted_train\imageslabel_dirrE:\thunder_download\useful\extracted_train\labels_yolo# 新数据集路径dataset_dirrE:\thunder_download\useful\extracted_train\datasettrain_img_diros.path.join(dataset_dir,train,images)train_label_diros.path.join(dataset_dir,train,labels)val_img_diros.path.join(dataset_dir,val,images)val_label_diros.path.join(dataset_dir,val,labels)# 创建目录fordir_pathin[train_img_dir, train_label_dir, val_img_dir, val_label_dir]: os.makedirs(dir_path,exist_okTrue)# 获取所有图片文件all_images[fforfinos.listdir(img_dir)iff.lower().endswith((.jpg,.png,.jpeg))]# 随机抽取200张iflen(all_images)200: raise ValueError(f图片数量不足200张当前数量: {len(all_images)})selected_imagesrandom.sample(all_images,200)# 分割训练集和验证集random.shuffle(selected_images)val_imagesselected_images[:40]train_imagesselected_images[40:]def copy_files(image_list, target_img_dir, target_label_dir):forimg_fileinimage_list:# 复制图片src_img_pathos.path.join(img_dir, img_file)dst_img_pathos.path.join(target_img_dir, img_file)shutil.copy(src_img_path, dst_img_path)# 对应的txtlabel_fileos.path.splitext(img_file)[0].txtsrc_label_pathos.path.join(label_dir, label_file)ifos.path.exists(src_label_path): dst_label_pathos.path.join(target_label_dir, label_file)shutil.copy(src_label_path, dst_label_path)else:# 如果没有对应txt文件创建一个空文件open(os.path.join(target_label_dir, label_file),w).close()# 复制训练集copy_files(train_images, train_img_dir, train_label_dir)# 复制验证集copy_files(val_images, val_img_dir, val_label_dir)print(f随机抽取完成训练集: {len(train_images)} 张验证集: {len(val_images)} 张)print(f数据集路径: {dataset_dir})3.模型训练数据集准备好之后就可以开始模型训练了我们首先准备一个训练的配置文件比如说是data.yaml然后就可以开始模型训练了直接执行我们准备好的train.bat文件内容就是下面的内容yolotaskdetectmodetrainmodel../data/model/yolov8n.ptdata./data.yamlepochs50imgsz640batch16lr00.01然后模型就开始训练了这里我贴一些训练验证结果截图最后的results.png见下图训练效果还是可以的训练结果总体评价 整体来看你的训练 收敛良好、mAP 稳步提升、无明显过拟合、loss 曲线健康下降。 从第30epoch 开始模型进入 性能平台期plateau之后继续缓慢提升到50epoch。 最终指标约50epoch Precision ≈0.92Recall ≈0.74mAP50 ≈0.84mAP50-95 ≈0.63Val Loss 稳定、无震荡 这些指标在常规检测任务中属于 成绩优秀 的水平。 关键训练趋势分析1. 损失下降情况train loss box_loss1.88 →0.72cls_loss4.32 →0.94dfl_loss1.88 →0.97➡ 显著下降收敛稳定。 你在曲线后段epoch35以后看到的轻微波动属于正常现象是学习率逐步衰减后的典型表现。2. 验证损失val loss 最终验证 loss val_box_loss ≈1.75val_cls_loss ≈1.50val_dfl_loss ≈1.78前20epoch 中验证 loss 小幅波动但整体 并未恶化说明 没有明显过拟合。 数据分布稳定且验证集足够代表真实情况。3. 精度与召回率变化 Precision精度从0.00→0.916Recall召回从0.74→0.737中段有显著上升 整体来看 精度最终很高 → 误检少 召回也不错 → 漏检不严重 Recall 高点出现在20–30 epoch0.75 左右后期略微下降到0.737但幅度很小。 ➡ 模型偏向“更稳更准”的检测策略precisionrecall整体表现非常均衡。4. mAP 表现 mAP50从0.12→0.8388mAP50-95从0.08→0.6313这两个数是评估 YOLO 的核心指标。 最终值说明模型已经达成 优质水平不少实际项目中 mAP500.7即可落地。5. 学习率调度 你的 lr/pg0lr/pg1lr/pg2每个 epoch 一致表现如下 初始1.12e-4 峰值~1.0e-3 最终3.73e-5 这符合 cosine / linear warmup decay 曲线。 ➡ 学习率调度非常健康没有过冲现象对训练稳定性帮助很大。我们的检测系统可以用在的应用场景1. 高空漂浮异物实时告警气球、塑料袋、飘带等识别在输电线路附近飘移的气球、薄膜、塑料袋等轻质异物。这些物体容易挂靠导线或绝缘子造成跳闸或短路。YOLOv8 负责实时检测PyQt5 展示画面与危险距离提示。DeepSeek 分析漂移方向、风险程度并做出预警说明。2. 鸟巢隐患识别与处理决策自动识别杆塔横担、绝缘子串、金具等位置的鸟巢。适用于春季集中筑巢期、无人机巡线、固定摄像头巡检。系统可判断鸟巢规模、区域、占位情况。DeepSeek 生成风险等级轻度/中度/重度及清理方案建议。3. 风筝线缠绕与悬挂物识别能精准识别风筝本体和细长风筝线在导线附近的轨迹或挂点。尤其适合城市、郊区、小孩放风筝高发区域的线路巡检。PyQt5 实时标注悬挂点位置给出“距离导线 xx 米”的辅助提示。DeepSeek 自动生成现场描述与派工建议。4. 异物挂靠与垃圾残留监测袋子、布条、纸片等检测线路附近或杆塔上附着的零碎垃圾、布条、塑料包装物等。这些轻质异物被风吹挂在导线或绝缘子上会引发放电、闪络。YOLOv8 可在视频或图像流中快速锁定异常点位。DeepSeek 输出隐患说明与处理方式清理、巡检频次提升等。5. 城区线路的异物入侵监控重点针对风筝气球在学校、广场、公园等区域风筝和气球入侵是常见隐患。系统可部署在城区杆塔上的固定摄像头无人机日常巡检调度中心视频回传分析PyQt5 前端提供实时告警界面DeepSeek 对每次警情归类、生成日报。6. 雷雨大风天气下的特殊异物风险识别暴风导致气球、塑料布、大件垃圾被吹向线路时尤为危险。YOLOv8 在低光、复杂天气下依然可识别目标。DeepSeek 自动判断天气因素对风险的加剧情况并给出加重系数提示。7. 巡检数据的智能报告化与隐患趋势分析系统记录气球出现频率、鸟巢位置、风筝挂点分布、垃圾残留情况等。DeepSeek 可输出高发点位统计季节性规律分析风筝春秋、鸟巢春季、气球节假日巡检报告一键生成用于优化巡检策略、加强重点杆塔的监控。五项目运行环境本项目名称为yolov8-power-hazard-detection1.项目依赖博主是在Windows电脑上使用Python3.8开发的本系统建议大家使用的Python版本别太高。其中项目依赖为PyQt55.15.11QtAwesome1.3.1torch2.4.1torchvision0.19.1Pillow9.3.0pyqtgraph0.13.3PyQtWebEngine5.15.5 opencv-python4.10.0.82ultralytics8.3.234Requests2.32.5pandas2.0.3numpy1.24.4Markdown3.4.4我已经整理到了requirements.txt大家直接使用命令pip install -r requirements.txt即可一键安装项目依赖其中的torch和torchvision只要匹配即可不一定非要和博主开发环境的版本一致。2.项目结构很多小伙伴担心拿到代码后项目看不懂这个大家不必担心我们采用文件类名对相关功能进行了模块化定义大家见名知意。下图博主采用tree命令生成了文件、目录树treeD:\projects\gitee\2025\yolov8-power-hazard-detection/f /aD:\PROJECTS\GITEE\2025\yolov8-power-hazard-detection|.gitignore|main.py程序入口|record.txt开发记录|requirements.txt项目依赖||---script|create_qrc.py|---src源代码核心目录|---conf配置内容|||icon_conf.py|||style_conf.py|||system_conf.py|||test_data.py|||__init__.py|||---engine核心引擎||engines.py||__init__.py|||---resource资源目录|||resource.qrc|||resource_rc.py|||__init__.py|||||\---imgs||ai.svg||bg.jpg|||---threads线程、信号总线||main_threads.py||signal_bus.py||__init__.py|||---utils工具方法、工具类||custom_utils.py||user_manager.py||__init__.py|||\---widgets组件目录|base_widgets.py|custom_pages.py|custom_widgets.py|main_page.py|unique_widgets.py|__init__.py六总结本次给大家介绍了我使用PyQt5YOLOv8DeepSeek的输电隐患检测系统本系统功能强大支持多种数据源输入包含多种用户交互按钮以及模式内置数据可视化方案、大模型AI加持是您学习、工作使用的不错选择需要代码的朋友可以点击箭头下方的二维码加我好友欢迎您了解
【AI加持】基于PyQt5+YOLOv8+DeepSeek的输电隐患检测系统（详细介绍）
发布时间：2026/6/9 4:16:28
文章目录一前言二核心技术知识1.PyQt52.YOLOv83.DeepSeek4.CSV5.多线程6.影像输电的因素1.鸟巢nest2.风筝kite3.气球balloon4.垃圾trash三核心功能1.登录注册1.登录2.注册2.主界面3.图像检测界面1.检测结果展示2.导出检测结果3.可视化展示4.AIDeepSeek智能分析4.视频检测界面1.视频文件检测2.摄像头内容检测5.系统设置界面6.关于软件界面四数据集1.数据准备2.数据集处理1.数据集拆分2.数据集标注文件类型转换3.数据集拆分3.模型训练五项目运行环境1.项目依赖2.项目结构六总结本系统功能强大支持对输电隐患气球、鸟巢、风筝、垃圾进行目标检测支持多种数据数据源输入并且接入了AI实现了对当前分析结果的评估欢迎了解一前言随着电力输送网络的不断扩展输电线路的安全运行成为电网稳定的重要保障。然而输电线路容易受到外界因素的干扰尤其是一些人类活动或自然现象造成的潜在隐患。例如鸟巢鸟类在输电塔或导线上筑巢容易引起短路、设备损坏甚至导致停电事故。气球与风筝在节假日或娱乐活动中漂浮的气球或放飞的风筝可能接触高压线路引发线路击穿或机械损伤。垃圾随风飘落或人为抛弃的塑料袋、纸屑等杂物落入线路设施附近可能阻碍巡视或造成局部短路。传统的输电线路巡检主要依赖人工巡查或定期无人机巡检这不仅效率低、成本高而且容易出现漏检或误判。随着人工智能和深度学习技术的发展基于计算机视觉的自动化检测系统逐渐成为智能电网的重要组成部分。本项目基于 PyQt5 构建可视化操作界面结合 YOLOv8 的目标检测能力以及 DeepSeek 的图像检索与定位功能实现对输电线路潜在危险物体的自动识别与报警。通过实时检测鸟巢、气球、风筝和垃圾系统可以提升巡检效率无人值守即可监控大量线路。降低安全风险及时发现隐患减少电力事故发生。数据可视化管理检测结果可在界面中直观呈现便于后续分析和维护决策。二核心技术知识在这章我将要介绍本系统的核心技术。1.PyQt5PyQt5 是一套用于创建跨平台桌面应用程序的 Python GUI 工具包它是 Qt 应用框架的 Python 绑定。通过 PyQt5开发者可以使用 Python 编写具有现代图形界面的应用程序支持丰富的控件、信号与槽机制、窗口管理、事件处理等功能。它兼容主流操作系统如 Windows、macOS 和 Linux适用于开发各种规模的桌面软件常与 Qt Designer 配合使用以加快开发效率。2.YOLOv8YOLOv8You Only Look Once version 8是由 Ultralytics 推出的最新一代实时目标检测模型属于 YOLO 系列的改进版本。相比前代模型YOLOv8 在精度、速度和灵活性上都有显著提升支持目标检测、图像分割、姿态估计等多任务处理。它采用了更加高效的网络结构和训练策略并提供开箱即用的 Python 接口和命令行工具适用于边缘设备和云端部署广泛应用于安防监控、自动驾驶、工业检测等场景。3.DeepSeekDeepSeek是由深度求索公司开发的AI大模型助手作为纯文本模型我擅长自然语言处理、文档分析和智能对话。当与YOLOYou Only Look Once实时目标检测系统结合时可以形成强大的多模态应用架构——YOLO系统负责实时视觉识别和目标检测快速准确地识别图像或视频流中的物体而我则对YOLO检测到的结果进行深度语义分析和上下文理解提供物体属性的详细解读、场景描述、行为分析以及决策建议。这种结合使得计算机视觉的“看到”与AI的“理解”完美融合可广泛应用于智能监控、自动驾驶、工业质检等领域实现从视觉感知到智能决策的完整闭环。4.CSV本系统使用CSV进行数据的存储与数据导出。CSVComma-Separated Values是一种简单通用的文本文件格式以纯文本形式存储表格数据。它用逗号分隔不同的字段每行代表一个数据记录类似于电子表格或数据库中的行。由于其格式简单、易于读写且兼容性强CSV被广泛应用于数据交换、导出和存储支持几乎所有常见的办公软件和编程语言处理是数据分析和系统间传输结构化信息时最常用的轻量级格式之一。5.多线程QThread 是 PyQt5 提供的线程类用于在界面程序中安全地执行耗时任务从而避免界面阻塞和卡顿。它允许将数据处理、模型推理、文件读写等操作放到独立线程中运行并通过信号与槽机制与主线程进行通信确保界面更新的稳定性与线程之间的安全交互。使用 QThread 可以显著提升应用程序的响应速度使界面在后台任务执行期间依旧保持流畅同时具备良好的扩展性与可维护性在复杂的桌面端应用开发中尤为常用。6.影像输电的因素1.鸟巢nest鸟巢对输电线路的影响主要体现在安全稳定性与运维成本两个方面。从物理特性看鸟类在塔架横梁、绝缘子串顶部或跳线附近筑巢会改变局部电场分布使绝缘距离被缩短。当巢材含有潮湿枝叶、金属丝或塑料条等导电、半导电物质时更容易在潮湿、污闪条件下引发放电造成相间闪络或接地短路。此外大型鸟巢的重量可能导致引流板、金具受力异常长期累积会带来机械隐患。鸟类活动还会产生大量粪污使绝缘表面形成覆盖层进一步提升污闪风险。运维方面鸟巢增加巡视难度需要定期清理与安装驱鸟装置不仅提高成本也可能影响线路停电检修计划。综上鸟巢虽与自然生态相关但其在输电线路上形成的电气与机械耦合问题不可忽视需要通过结构防护、驱鸟技术和智能监测共同管理以维持输电连续性与供电可靠性。2.风筝kite风筝对输电线路的影响同样主要集中在电气安全、机械负荷及运维处置等方面。首先风筝线常由棉线、尼龙线或涂覆金属粉的线材组成在受潮或出现损伤暴露金属丝时会显著降低导线与地之间的绝缘水平诱发放电或接地短路。若风筝骨架使用金属杆件被风吹挂到导线上会形成明显的异物短接风险。其次持续受风力牵引的风筝线可能在导线上缠绕打结使局部受力集中导致导线疲劳、股线断裂甚至形成跳线振动隐患。对于高压线路风筝在跨越点或城市密集区被卷入更可能造成跳闸、大面积停电与公共安全事件。运维层面清除高空异物常需停电作业或动用绝缘斗臂车、无人机增加处理时间与成本。为降低风险需要加强公众教育、在重点区域设置警示标识并辅以输电线路异物监测系统实现早发现、快处置从而保障输电系统的稳定与安全。3.气球balloon气球对输电线路的影响常被公众低估但在城市与近城乡交界区域却是造成线路跳闸的常见因素之一。普通橡胶气球若放飞后被风带入线路多在接触导线时爆裂影响相对较小但仍可能在瞬间形成局部电场畸变引发轻微放电。而金属箔气球如铝膜气球危害显著更高其外层具有良好导电性一旦触碰不同相导线或导线与金具即可能造成相间短路、电弧放电甚至点燃气球材料引发导线烧伤与绝缘子损坏。气球的丝带和绑线若缠绕在导线上会在风力作用下产生摆动与拉拽导致局部机械应力增加加速导线磨损。对于高电压等级线路气球异物可能引起跳闸影响区域供电可靠性。运维人员通常需通过无人机巡检或停电清除缠绕气球增加维护成本。为减轻风险应在重要通道附近加强宣传禁止放飞金属箔气球并配合建设异物监测系统与防护结构提高输电线路的运行安全性。4.垃圾trash垃圾对输电线路的影响主要来自被风卷起或人类活动遗留的轻质杂物它们往往在恶劣天气下成为潜在异物侵入源。塑料袋、薄膜、旧布条等轻飘物易被气流带上高空附着在导线、绝缘子或金具上改变局部电场分布使绝缘裕度下降在潮湿、污秽条件下更易出现沿面放电甚至闪络跳闸。若垃圾中含有金属片、金属丝或含炭成分的材料其导电性会显著提高短路风险。部分体积较大的废弃物如包装箱、碎泡沫、纸板等被卷至导线间隙时可能造成相间距离不足引发瞬时接触或电弧放电损害导线和绝缘子。机械方面绳状、丝状垃圾缠绕在导线上会在风致摆动中对线芯造成局部磨损长期可能导致股线断裂隐患。运维上垃圾异物增大巡检和清理成本尤其在城乡结合部、风口地带更为突出。为降低影响需要加强线路走廊环境治理、增设防风网或挡护结构并结合无人机与智能感知系统实现对异物的快速识别与处置从而保障输电线路的可靠运行。三核心功能1.登录注册1.登录软件启动后首先进入登录页面用户需要输入正确的用户名和密码才能使用本系统的正式功能登录页面整体采用了垂直布局局部采用了水平布局登录界面简约不简单登录功能后端采用CSV本地文件存储用户信息每次登录都是通过查库进行验证的实现了流程标准化。我们设计了简约的登录注册界面展示与用户交互的所有组件登录注册界面的标题展示了系统的名称。2.注册没有账号的用户需要进行注册注册操作流程十分简单用户点击登录界面的注册按钮就跳转到了注册窗口用户需要输入自定义的用户名和两次匹配的密码才能完成登录值得一提的是成功注册的用户软件会自动填写用户名和密码到登录界面实现了登录流程路径的简化。2.主界面用户通过输入自己的用户名和密码登录到本系统后进入主界面主界面内容十分丰富我来一一介绍首先软件整体是垂直布局顶部是系统的标题从左到右依次展示了系统的作者信息、系统名称、当前时间以及CPU内存占用情况下方为水平布局左侧是系统的导航区域我们设计了windows风格支持展开与收缩的内容导航区域右侧是内容核心区域通过点击导航按钮切换展示内容主界面主要展示了以日期为维度统计的数据、用户信息操作按钮、系统信息、系统环境信息以及实时CPU、内存可视化折线图3.图像检测界面1.检测结果展示用户通过点击左侧导航栏按钮切换到图像检测界面在此界面支持选择图像进行输入用户选择完之后被选择的图像会展示在左侧并且展示图像绝对路径信息用户可以通过点击右侧的“进行检测”按钮对输入的图像数据进行检测系统会自动调用YOLOv8相关算法根据指定的参数对输入图像内容进行检测最后将检测结果展示到右侧这样用户可以通过比对左右图像的区别得到直观的检测结果系统自动使用红色边框框选出目标区域并且使用红色文字展示出目标类别以及它的置信度这些参数和展示效果都可以在设置页面进行详细设置。2.导出检测结果我们设置了检测结果区域包括检测目标数量的展示以及详细检测结果表格用户可以更加直观地看到检测结果数据另外当用户检测结束之后右侧的三个按钮自动设置为可以点击这三个按钮的作用分别是导出结果用户可以将检测结果进行导出导出的文件格式可以是Excel、CSV、TXT可以根据情况自行选择导出格式我截图给大家看下导出的Excel文件内容格式。3.可视化展示然后就是可视化展示用户可以点击进行可视化按钮查看对于本次检测的可视化效果系统内置了四种可视化效果分别是目标位置热力图、目标面积占比、置信度分布直方图、检测能力柱状图这些图标通过不同维度对当前数据进行了可视化展示更便于用户理解这里指的一体的是支持可视化图表进行导出操作用户可以点击紫色的导出按钮对当前的可视化效果图表进行导出生成一张本地的PNG图像文件。4.AIDeepSeek智能分析将YOLOv8球体检测系统与DeepSeek等AI大模型深度融合能够实现从“单纯检测”到“智能认知”的跨越式升级。该系统在YOLOv8高效精准的球体定位能力基础上融入了DeepSeek强大的语义理解和推理决策能力不仅可以实时识别球体位置还能深度分析场景语义、生成战术策略并提供智能决策支持从而在体育分析、工业质检和机器人视觉等领域构建出更加智能化、自适应的一体化解决方案。这里是软件的另外一个核心AI智能分析我们的目标检测系统接入了DeepSeek大模型支持对当前检测结果数据进行AI分析AI会通过不同维度对当前检测结果进行多角度分析最后生成检测结果分析报告用户可以根据这个结果对系统进行调整不断完善系统功能和目标检测准确度在AI分析结束后下方会展示一些按钮用户可以方便地复制结果、导出文本内容、生成PDF报告、重新生成以及关闭多重的操作方式给于用户了多种选择4.视频检测界面1.视频文件检测我们的系统支持视频内容中的球体检测支持输入的视频类型包括视频文件、视频流以及摄像头通过识别视频画面的内容对内容中的目标球体进行检测试试标注与展示通过相关帧率控制保证了视频的流畅性用户可以通过比对左右两侧的画面使用肉眼评估当前检测结果我们的视频检测界面拥有图像检测界面相同的操作功能这里不多赘述。2.摄像头内容检测用户点击进行检测按钮之后系统会自动调用摄像头打开摄像头展示摄像头画面实时检测目标画面中的球体通过左右画面比对让用户看到检测结果这里本人就不露脸啦~5.系统设置界面我们的系统是支持简单的参数设置的具体可以设置目标检测模型、置信度阈值Conf、交并比阈值IOU、还有一些检测结果控制参数比如检测框展示、目标类别展示、目标置信度展示用户可以点击绿色的刷新按钮刷新可用模型亦可通过点击退出按钮退出系统或者退出登录本设置页面实现了目标检测参数的灵活配置6.关于软件界面我们使用富文本html的形式展示了软件相关的信息包括系统用到的相关技术对于二维的数据使用二维表进行了展示最底部放置了四个按钮分别是关于YOLO、关于软件、关于作者、关于QT点击之后都会弹出对应的信息提示框这个页面的作用是让用户更多的了解软件和创作者信息跨过技术的鸿沟四数据集基于 PyQt5 YOLOv8 DeepSeek 的输电隐患检测系统 致力于解决传统输电线路巡检中效率低、人工依赖强、漏检率高等问题。输电线路在复杂地形与多变气候中长期运行易出现异物挂线、绝缘子破损、金具异常、植被超高等多类隐患传统巡检方式往往依赖人工图像查看或现场排查不仅耗时、主观性强还容易因视角受限或疲劳导致隐患被忽略。借助 YOLOv8 的实时目标检测能力系统能够在无人机巡检图像或杆塔设备照片中高效识别各类输电隐患实现毫秒级推理和高精度定位大幅提升巡检流程的自动化水平。与此同时引入 DeepSeek 等大模型能力在图像预处理、场景理解、语义分类与模型策略优化方面提供更强的智能分析支持使系统在复杂背景、电网设备多样化、光照与天气干扰显著的场景下仍保持稳定性能。PyQt5 则为巡检人员提供清晰直观的桌面端界面不仅支持图像批量导入、可视化标注与检测结果展示还能集成日志管理、模型配置、设备信息录入等功能使 AI 模型能力真正落地至生产使用场景。三者结合使得输电线路隐患检测更加智能、高效且可部署不仅降低了巡检人员的工作强度也在提升电网安全性、缩短隐患排查周期、增强复杂环境下的运维能力方面展现出显著价值。同时该系统也为电力行业的图像智能识别、无人机巡检自动化等方向提供了可复用、可扩展的技术框架与实践路径。1.数据准备本系统附带800张输电隐患检测系统图像和800个数据标注文件大家可以根据自己的情况自行训练数据自己的模型我们为模型训练准备了几百张输电中的鸟巢、风筝、气球、垃圾图像然后使用VOC的格式存储数据标注文件单数据标注文件内容如下?xmlversion1.0encodingutf-8?annotationfolderVOC2007/folderfilename1c.jpg/filenamepathUnknown/pathsourcedatabaseThe VOC2007 Database/database/sourcesizewidth1347/widthheight1049/heightdepth3/depth/sizesegmented0/segmentedobjectnamenest/nameposeUnspecified/posetruncated0/truncateddifficult0/difficultbndboxxmin422/xminymin99/yminxmax1285/xmaxymax1013/ymax/bndbox/object/annotation2.数据集处理1.数据集拆分我们的原始数据集文件包括图像文件和标注文件两者混合在同一个目录下这就需要我们手动拆分数据集目的是将图像和标注文件分开便于后面的数据划分。这段脚本用于清理与归类数据集目录中的文件。它会扫描指定根目录下的所有项目将常见图片格式JPG、JPEG、PNG自动移动到新建的 images 文件夹将 XML 格式的标注文件移动到 annotations 文件夹其余非文件项会被忽略。整个流程确保目录结构更加规范、清晰方便后续训练或数据处理。大家首先执行step1_sp_dataset.pyimportosimportshutil src_rootrE:\thunder_download\useful\traindst_imagesrE:\thunder_download\useful\extracted_train\imagesdst_labelsrE:\thunder_download\useful\extracted_train\labelsos.makedirs(dst_images,exist_okTrue)os.makedirs(dst_labels,exist_okTrue)filesos.listdir(src_root)jpg_count0xml_count0forfinfiles:full_pathos.path.join(src_root,f)iff.lower().endswith(.jpg):shutil.copyfile(full_path,os.path.join(dst_images,f))jpg_count1eliff.lower().endswith(.xml):shutil.copyfile(full_path,os.path.join(dst_labels,f))xml_count1print(f完成共复制 JPG:{jpg_count}XML:{xml_count})下图为拆分后的数据集图像文件下图为数据集标注文件格式均为xml2.数据集标注文件类型转换直接使用VOC格式的数据标注文件进行训练是不行的需要我们将xml转成txt文件这段脚本实现了从 VOC 风格的 XML 标注批量生成 YOLO 所需的 txt 标签文件。程序逐一读取 XML 文件匹配对应的图像以获取宽高再提取每个目标的坐标信息并按 YOLO 格式将框中心点和宽高归一化。所有类别根据预设映射转换为 class id最终在指定目录下生成同名的 txt 标签为后续训练 YOLO 模型做好数据准备。执行下面脚本step2_yolo_to_txt.pyimportosimportxml.etree.ElementTree as ET from PILimportImage# 原始路径xml_dirrE:\thunder_download\useful\extracted_train\labelsimg_dirrE:\thunder_download\useful\extracted_train\images# 新建目录用于保存YOLO格式txtyolo_txt_dirrE:\thunder_download\useful\extracted_train\labels_yoloos.makedirs(yolo_txt_dir,exist_okTrue)# 类别映射YOLO 默认从 0 开始class_map{nest:0,kite:1,balloon:2,trash:3}# 遍历XML文件forxml_fileinos.listdir(xml_dir):ifnot xml_file.endswith(.xml):continuexml_pathos.path.join(xml_dir, xml_file)treeET.parse(xml_path)roottree.getroot()# 自动按 XML 文件名对应图像名忽略 XML 内 filenamebase_nameos.path.splitext(xml_file)[0]img_pathNoneforextin[.jpg,.jpeg,.png,.JPG,.JPEG,.PNG]: candidateos.path.join(img_dir, base_name ext)ifos.path.exists(candidate): img_pathcandidatebreakifimg_path is None: print(fWarning: {base_name} 对应图像不存在跳过)continuew, hImage.open(img_path).size txt_lines[]forobjinroot.findall(object): name_tagobj.find(name)ifname_tag is None:continuelabelname_tag.textiflabel notinclass_map:continueclass_idclass_map[label]bndboxobj.find(bndbox)xminfloat(bndbox.find(xmin).text)yminfloat(bndbox.find(ymin).text)xmaxfloat(bndbox.find(xmax).text)ymaxfloat(bndbox.find(ymax).text)# 转 YOLO 格式x_center((xminxmax)/2)/w y_center((yminymax)/2)/h box_width(xmax-xmin)/w box_height(ymax-ymin)/h txt_lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {box_width:.6f} {box_height:.6f})if not txt_lines:continue txt_file_pathos.path.join(yolo_txt_dir,base_name.txt)with open(txt_file_path,w)as f:f.write(\n.join(txt_lines))print(f转换完成YOLO TXT 文件保存在: {yolo_txt_dir})拆分好之后朋友们就能拿到可以给YOLO进行训练的YOLO格式数据集标注文件了格式为TXT。3.数据集拆分YOLO 推荐训练集和测试集按 8:2 划分主要是因为目标检测对样本量非常依赖需要尽可能多的训练数据来学习特征同时又必须保留足够的独立测试数据来评估模型的真实泛化能力。8:2 被证明在“训练数据够多”与“测试评估足够稳定”之间取得了较好平衡因此成为默认且通用的实践比例。从原始图像与标签目录中随机挑选 200 张图片并按 8:2 的比例划分为训练集和验证集然后将对应的图片和标签文件复制到新的数据集结构中。如果某张图片缺少同名的标签 .txt 文件就为它创建一个空的标签文件保证数据集结构完整。最终会在目标目录下生成执行脚本step3_auto_part.pyimportosimportrandomimportshutil# 原始数据路径img_dirrE:\thunder_download\useful\extracted_train\imageslabel_dirrE:\thunder_download\useful\extracted_train\labels_yolo# 新数据集路径dataset_dirrE:\thunder_download\useful\extracted_train\datasettrain_img_diros.path.join(dataset_dir,train,images)train_label_diros.path.join(dataset_dir,train,labels)val_img_diros.path.join(dataset_dir,val,images)val_label_diros.path.join(dataset_dir,val,labels)# 创建目录fordir_pathin[train_img_dir, train_label_dir, val_img_dir, val_label_dir]: os.makedirs(dir_path,exist_okTrue)# 获取所有图片文件all_images[fforfinos.listdir(img_dir)iff.lower().endswith((.jpg,.png,.jpeg))]# 随机抽取200张iflen(all_images)200: raise ValueError(f图片数量不足200张当前数量: {len(all_images)})selected_imagesrandom.sample(all_images,200)# 分割训练集和验证集random.shuffle(selected_images)val_imagesselected_images[:40]train_imagesselected_images[40:]def copy_files(image_list, target_img_dir, target_label_dir):forimg_fileinimage_list:# 复制图片src_img_pathos.path.join(img_dir, img_file)dst_img_pathos.path.join(target_img_dir, img_file)shutil.copy(src_img_path, dst_img_path)# 对应的txtlabel_fileos.path.splitext(img_file)[0].txtsrc_label_pathos.path.join(label_dir, label_file)ifos.path.exists(src_label_path): dst_label_pathos.path.join(target_label_dir, label_file)shutil.copy(src_label_path, dst_label_path)else:# 如果没有对应txt文件创建一个空文件open(os.path.join(target_label_dir, label_file),w).close()# 复制训练集copy_files(train_images, train_img_dir, train_label_dir)# 复制验证集copy_files(val_images, val_img_dir, val_label_dir)print(f随机抽取完成训练集: {len(train_images)} 张验证集: {len(val_images)} 张)print(f数据集路径: {dataset_dir})3.模型训练数据集准备好之后就可以开始模型训练了我们首先准备一个训练的配置文件比如说是data.yaml然后就可以开始模型训练了直接执行我们准备好的train.bat文件内容就是下面的内容yolotaskdetectmodetrainmodel../data/model/yolov8n.ptdata./data.yamlepochs50imgsz640batch16lr00.01然后模型就开始训练了这里我贴一些训练验证结果截图最后的results.png见下图训练效果还是可以的训练结果总体评价 整体来看你的训练 收敛良好、mAP 稳步提升、无明显过拟合、loss 曲线健康下降。 从第30epoch 开始模型进入 性能平台期plateau之后继续缓慢提升到50epoch。 最终指标约50epoch Precision ≈0.92Recall ≈0.74mAP50 ≈0.84mAP50-95 ≈0.63Val Loss 稳定、无震荡 这些指标在常规检测任务中属于 成绩优秀 的水平。 关键训练趋势分析1. 损失下降情况train loss box_loss1.88 →0.72cls_loss4.32 →0.94dfl_loss1.88 →0.97➡ 显著下降收敛稳定。 你在曲线后段epoch35以后看到的轻微波动属于正常现象是学习率逐步衰减后的典型表现。2. 验证损失val loss 最终验证 loss val_box_loss ≈1.75val_cls_loss ≈1.50val_dfl_loss ≈1.78前20epoch 中验证 loss 小幅波动但整体 并未恶化说明 没有明显过拟合。 数据分布稳定且验证集足够代表真实情况。3. 精度与召回率变化 Precision精度从0.00→0.916Recall召回从0.74→0.737中段有显著上升 整体来看 精度最终很高 → 误检少 召回也不错 → 漏检不严重 Recall 高点出现在20–30 epoch0.75 左右后期略微下降到0.737但幅度很小。 ➡ 模型偏向“更稳更准”的检测策略precisionrecall整体表现非常均衡。4. mAP 表现 mAP50从0.12→0.8388mAP50-95从0.08→0.6313这两个数是评估 YOLO 的核心指标。 最终值说明模型已经达成 优质水平不少实际项目中 mAP500.7即可落地。5. 学习率调度 你的 lr/pg0lr/pg1lr/pg2每个 epoch 一致表现如下 初始1.12e-4 峰值~1.0e-3 最终3.73e-5 这符合 cosine / linear warmup decay 曲线。 ➡ 学习率调度非常健康没有过冲现象对训练稳定性帮助很大。我们的检测系统可以用在的应用场景1. 高空漂浮异物实时告警气球、塑料袋、飘带等识别在输电线路附近飘移的气球、薄膜、塑料袋等轻质异物。这些物体容易挂靠导线或绝缘子造成跳闸或短路。YOLOv8 负责实时检测PyQt5 展示画面与危险距离提示。DeepSeek 分析漂移方向、风险程度并做出预警说明。2. 鸟巢隐患识别与处理决策自动识别杆塔横担、绝缘子串、金具等位置的鸟巢。适用于春季集中筑巢期、无人机巡线、固定摄像头巡检。系统可判断鸟巢规模、区域、占位情况。DeepSeek 生成风险等级轻度/中度/重度及清理方案建议。3. 风筝线缠绕与悬挂物识别能精准识别风筝本体和细长风筝线在导线附近的轨迹或挂点。尤其适合城市、郊区、小孩放风筝高发区域的线路巡检。PyQt5 实时标注悬挂点位置给出“距离导线 xx 米”的辅助提示。DeepSeek 自动生成现场描述与派工建议。4. 异物挂靠与垃圾残留监测袋子、布条、纸片等检测线路附近或杆塔上附着的零碎垃圾、布条、塑料包装物等。这些轻质异物被风吹挂在导线或绝缘子上会引发放电、闪络。YOLOv8 可在视频或图像流中快速锁定异常点位。DeepSeek 输出隐患说明与处理方式清理、巡检频次提升等。5. 城区线路的异物入侵监控重点针对风筝气球在学校、广场、公园等区域风筝和气球入侵是常见隐患。系统可部署在城区杆塔上的固定摄像头无人机日常巡检调度中心视频回传分析PyQt5 前端提供实时告警界面DeepSeek 对每次警情归类、生成日报。6. 雷雨大风天气下的特殊异物风险识别暴风导致气球、塑料布、大件垃圾被吹向线路时尤为危险。YOLOv8 在低光、复杂天气下依然可识别目标。DeepSeek 自动判断天气因素对风险的加剧情况并给出加重系数提示。7. 巡检数据的智能报告化与隐患趋势分析系统记录气球出现频率、鸟巢位置、风筝挂点分布、垃圾残留情况等。DeepSeek 可输出高发点位统计季节性规律分析风筝春秋、鸟巢春季、气球节假日巡检报告一键生成用于优化巡检策略、加强重点杆塔的监控。五项目运行环境本项目名称为yolov8-power-hazard-detection1.项目依赖博主是在Windows电脑上使用Python3.8开发的本系统建议大家使用的Python版本别太高。其中项目依赖为PyQt55.15.11QtAwesome1.3.1torch2.4.1torchvision0.19.1Pillow9.3.0pyqtgraph0.13.3PyQtWebEngine5.15.5 opencv-python4.10.0.82ultralytics8.3.234Requests2.32.5pandas2.0.3numpy1.24.4Markdown3.4.4我已经整理到了requirements.txt大家直接使用命令pip install -r requirements.txt即可一键安装项目依赖其中的torch和torchvision只要匹配即可不一定非要和博主开发环境的版本一致。2.项目结构很多小伙伴担心拿到代码后项目看不懂这个大家不必担心我们采用文件类名对相关功能进行了模块化定义大家见名知意。下图博主采用tree命令生成了文件、目录树treeD:\projects\gitee\2025\yolov8-power-hazard-detection/f /aD:\PROJECTS\GITEE\2025\yolov8-power-hazard-detection|.gitignore|main.py程序入口|record.txt开发记录|requirements.txt项目依赖||---script|create_qrc.py|---src源代码核心目录|---conf配置内容|||icon_conf.py|||style_conf.py|||system_conf.py|||test_data.py|||__init__.py|||---engine核心引擎||engines.py||__init__.py|||---resource资源目录|||resource.qrc|||resource_rc.py|||__init__.py|||||\---imgs||ai.svg||bg.jpg|||---threads线程、信号总线||main_threads.py||signal_bus.py||__init__.py|||---utils工具方法、工具类||custom_utils.py||user_manager.py||__init__.py|||\---widgets组件目录|base_widgets.py|custom_pages.py|custom_widgets.py|main_page.py|unique_widgets.py|__init__.py六总结本次给大家介绍了我使用PyQt5YOLOv8DeepSeek的输电隐患检测系统本系统功能强大支持多种数据源输入包含多种用户交互按钮以及模式内置数据可视化方案、大模型AI加持是您学习、工作使用的不错选择需要代码的朋友可以点击箭头下方的二维码加我好友欢迎您了解
