简介面向光伏运维与计算机视觉目标检测场景的太阳能光伏板积灰检测数据集包含1463张真实光伏板表面图像统一标注为Dirt单一类别矩形框总数6822个可用于训练积灰识别、灰尘覆盖程度评估等模型。数据集同时提供Pascal VOC与YOLO两种格式xml标注文件适配VOC系列工具txt标签文件可直接接入YOLO训练流程便于在主流检测框架中快速加载与迁移学习。压缩包共2000个文件主要文件类型为1463个xml标注文件和537个txt标签/说明文件整体大小约75.98MB标注工具为labelImg采用矩形框规则标注信息准确合理需要提醒的是其中部分图片重复度较高且不包含训练好的模型权重。已有536人学习下载适合目标检测初学者、光伏组件清洁策略研究及工程验证用户使用可直接用于模型训练、精度对比或作为自有数据集的补充样本。1. 1463张积灰样本够不够用光伏板检测的第一个数据门槛手里只有1463张光伏板积灰样本单类别VOC和YOLO两套格式给出这个体量能训出能用的模型吗我的答案是能但前提是你把这份数据当起点而不是终点。光伏板积灰检测和行人、车辆检测不一样灰尘是弱纹理、低对比、光照敏感的目标1463张单类别样本恰好够把训练流程完整跑通也够把最容易翻车的数据划分、标签噪声、阈值选择这几个坑暴露出来。下面按我做光伏巡检项目的顺序来讲覆盖格式怎么校验、YOLOv8训练参数怎么设、验证指标怎么读以及这套数据集真正适合谁去做初版模型。2. 先看清手里的数据VOC与YOLO格式的差异和1463张样本的组织方式2.1 积灰检测的“1个类别”框的是什么目标定义是后面一切的前提拿到zip解压后第一件事不是急着跑训练而是打开几十张图片和标签看一遍。灰尘目标没有锐利边缘标成矩形框时天然带主观性一个人把重度积灰区圈起来另一个人把轻度灰也带进框两个标注者画同一张图的IoU可能只有0.5。这个数据集只有1个类别意味着模型学的是“这一块区域脏不脏”的二分类类别名在配置文件里可以叫dust、灰污或者dirt但语义上必须是“需要清理的积灰区域”而不是“整个光伏板”。我在做第一个光伏项目时吃过这个定义亏。当时数据里的框有大有小小的只有几十个像素大的框占整块板面积的一半训练结果mAP看着不错实际部署时对远处小面积的初始积灰完全无感。后来把训练集的标注框宽高分布画出来才明白框的尺度严重分裂模型在“小框”和“大框”之间只能选一个偏向。拿到这批1463张数据也一样先用一个统计脚本把框的宽高比和相对面积分布打出来再决定imgsz用640还是960这份钱不能省。还有一个容易被忽略的点同一张图片里可能出现多个积灰框也可能一张图一个框都没有。没有框的图片如果进了训练集YOLO会把它们当作负样本处理这对抑制误检有好处但训练配置里要确认“允许空标签”是开着的否则数据加载阶段就会报错中断。单类别数据集看起来简单实际上因为只有一类背景和前景的区分全靠框内的纹理差异一旦标注标准不统一噪声会被模型当成正常特征学进去这是后续所有指标虚高的根源。2.2 VOC的XML与YOLO的TXT两种格式互转与坐标校验脚本VOC格式里每张图片对应一个XML框坐标是xmin、ymin、xmax、ymax用的是绝对像素值YOLO格式里每张图片对应一个TXT坐标是归一化后的cx、cy、w、h类别用从0开始的整数索引。这两种格式的差异可以归纳成一张表项目VOCYOLO文件后缀.xml.txt坐标含义左上角和右下角绝对像素中心点x、y和宽高均归一化到0~1类别表示字符串名称整数索引从0开始形状约束无默认顺序要求每行一个目标class cx cy w h这个数据集把两种格式都给了看起来省了转换这一步但格式给全不代表内容干净。常见做法是写一个校验脚本把坐标越界、负宽高、类别索引越界这三种坏数据全部筛出来。下面是针对VOC侧的基础校验import os import xml.etree.ElementTree as ET voc_dir labels_voc bad_files [] for xml_name in os.listdir(voc_dir): if not xml_name.endswith(.xml): continue tree ET.parse(os.path.join(voc_dir, xml_name)) root tree.getroot() size root.find(size) w, h int(size.find(width).text), int(size.find(height).text) for obj in root.iter(object): name obj.find(name).text b obj.find(bndbox) xmin float(b.find(xmin).text) ymin float(b.find(ymin).text) xmax float(b.find(xmax).text) ymax float(b.find(ymax).text) if xmin 0 or ymin 0 or xmax w or ymax h: bad_files.append((xml_name, out_of_bounds)) if xmin xmax or ymin ymax: bad_files.append((xml_name, invalid_box)) if len(name) 0: bad_files.append((xml_name, empty_name)) print(fchecked: {len(os.listdir(voc_dir))}, bad: {len(bad_files)}) for item in bad_files[:20]: print(item)逻辑说明脚本遍历VOC目录下的每个XML先从size节点读真实宽高再遍历所有object节点逐框做三类判断坐标是否超出图像边界、是否出现负宽度或负高度、类别字符串是否为空。任何一个判断失败都会记进bad_files列表并打印前20条。参数说明voc_dir路径要按解压后的实际目录改这个脚本只查VOC侧如果同时要查YOLO侧需要反过来用归一化坐标乘以图片宽高后再做同样判断。实际项目中我建议先跑VOC侧因为XML是文本格式人类可读坏标签更容易看出错在哪。VOC和YOLO互转的规则也很固定VOC转YOLO时cx(xminxmax)/2/wcy(yminymax)/2/h宽w_box(xmax-xmin)/w高h_box(ymax-ymin)/hYOLO转VOC则是乘回去再取整。唯一要注意的是四舍五入的边界转回VOC后xmax可能比原图宽多1像素这类问题在后续训练里通常不致命但会污染框的评估结果所以我习惯在转换后统一做一次“框不能超出图像”的钳制。对于空标签的TXT文件VOC侧的表现是XML里没有object节点这个不要当成坏数据删掉它在训练中是合法的负样本。2.3 样本划分的隐藏门槛同一块光伏板的重复帧不能乱分1463张这个数量级最常见的来源是无人机悬停视频抽帧或巡检车连续拍摄相邻帧之间的重叠程度很高。如果直接按文件名随机划分训练集和验证集里会出现大量“同一个时刻、同一块板、只有几像素位移”的近重复样本。这样训出来的模型验证mAP会异常高但换到另一批光伏板上效果迅速下跌因为模型在验证集上见过几乎相同的画面。我一般会先用文件名前缀或拍摄时间戳做样本聚类。比如文件名是PV01_0012.jpg这样的结构PV01就是组件ID按组件ID分组然后对组做随机划分保证同一组件ID的帧只落在训练集或验证集其中一个里面。如果文件名里没有ID就按拍摄时间排序后每隔N帧取一帧也能大大降低相邻帧泄漏。这一步做完再谈训练参数才有意义否则后面所有的指标都是虚的。验证集的比例也要斟酌。1463张样本我用85比15而不是更常见的90比10因为基数小验证集太少时mAP的随机波动会很大可能这一轮0.72下一轮0.65完全看不出模型真实水平。15%大约是220张足够让评估结果稳定下来。划分时还要检查一件事验证集里每个组件ID的样本数不要差别太大否则验证集被某一个组件的画面主导评估结果就偏了。3. 用YOLOv8训练自己的数据集从解压到第一个权重文件的完整命令3.1 目录结构和数据集配置让YOLOv8认出这批1463张图YOLOv8对自定义数据集的目录组织有固定约定。把zip解压后我一般会整理成下面这种结构datasets/pv_dust/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── pv_dust.yamlimages和labels是平级目录train和val在两边保持同名。图片和对应标签文件名要完全一致唯一区别是后缀图片是.jpg或.png标签是.txt。如果zip里给出的是平铺的images和labels各一个目录需要自己写划分脚本把样本按2.3的组件ID分组逻辑以大约85%对15%的比例分到train和val。文件名对齐这块有个常见坑有的数据集图片叫IMG_001.jpg标签叫IMG_001.txt这个没问题但VOC格式下XML文件名和图片名也可能不一致先统一改名再进训练否则YOLO训练时会因为找不到标签而跳过样本训练集实际使用数量比目录里少一大截。然后写数据集配置文件# pv_dust.yaml path: ./datasets/pv_dust train: images/train val: images/val nc: 1 names: [dust]参数说明path指示数据集根目录train和val用相对path的路径nc是类别数本数据集只有1类names数组的下标就是标签文件里写在每行第一个位置的类别索引所以names[0]必须是dust。如果解压后发现YOLO标签里的类别id不是0先批量改成0否则训练时不报错但推理结果在可视化时类别名永远对不上。这里还有个细节path建议写相对路径或完整绝对路径不要写带空格的路径训练脚本解析yaml时可能会因为路径里有空格而找不到图片。提示如果zip里没有做train/val划分只给了一堆图片和两套标签先按组件ID分组再做随机划分最后再生成yaml。顺序反过来的话前面省的时间会在指标评估上加倍还回去。3.2 训练命令与关键参数batch、epoch、imgsz和patience怎么设数据集配置好后训练命令在我这里通常长这样yolo detect train \ datadatasets/pv_dust/pv_dust.yaml \ modelyolov8s.pt \ imgsz640 \ batch16 \ epochs100 \ patience20 \ workers4 \ device0 \ projectrun_pv_dust \ nameexp_dust_v1逻辑说明data指定yaml配置model用yolov8s.pt做迁移学习imgsz是训练输入尺寸batch是每批处理张数epochs是最大训练轮数patience是早停轮数device指定GPU编号。1463张单类别数据用yolov8s比n版更稳比m版更容易在有限样本上收敛。训练脚本启动后可以盯住终端输出的box_loss和cls_loss两条曲线持续下降且不剧烈震荡基本不用管如果loss在中间回弹优先检查是不是学习率跑飞或者数据增强太强。参数说明imgsz设640是起步值我一般先用640跑一版再看2.1里统计的框相对面积分布决定要不要调960batch按显存来16G显存用168G显存降到8epochs设100但实际会在60轮左右被早停拦住因为1463张小样本到大后期基本在拟合噪声workers设4即可不需要贪高数据读取经常不是这里的瓶颈。patience20的含义是验证集mAP连续20轮没有刷新就停止训练这个参数对单类别小样本特别有用能帮你省下大量无效训练时间。如果要换模型版本把model换成yolov8n.pt或者yolov8m.pt即可其他配置不用动对比实验时注意固定data和imgsz否则指标没有可比性。3.3 验证命令与第一次预测先看框再谈精度训练结束后必须做两件事离线评估和在线推理预览。离线评估看的是统计指标在线推理看的是直觉判断两个互相补充。命令如下yolo detect val \ modelrun_pv_dust/exp_dust_v1/weights/best.pt \ datadatasets/pv_dust/pv_dust.yaml \ imgsz640 \ conf0.25 yolo predict \ modelrun_pv_dust/exp_dust_v1/weights/best.pt \ sourcetest_images/ \ imgsz640 \ conf0.25 \ saveTrue逻辑说明val命令在验证集上评估best.pt输出Precision、Recall、mAP50和mAP50-95predict命令对source指定的一张图或一个目录做推理saveTrue会把带框的结果图存到runs/detect/predict目录。调试阶段不要只盯着终端里的mAP数字一定要打开结果图看。如果框都压在积灰最重的区域并且没有横跨光伏板边界说明模型学到的是积灰区域本身如果框大面积乱飘先回去查标签而不是换模型结构。参数说明这里的conf0.25是评估和推理的置信度阈值验证时用0.25是惯例预测时应该按业务场景调整。上面两个命令中val的conf改动会直接改变P和R的输出同一个模型在conf0.1和conf0.4下的指标可以差出20个百分点所以对比实验时conf必须固定不能今天0.25明天0.3。predict阶段我习惯单独跑一个不看conf的版本做排查比如加一行超参数改成conf0.05看看低阈值下模型到底能召回多少目标这对判断“漏检是模型没学会”还是“阈值卡太死”非常关键。4. 避坑手册1463张单类别样本最容易翻车的4个坑4.1 现象loss正常下降验证集却几乎没有框输出原因验证集和训练集分布不一致。1463张数据如果随机划分验证集里可能全是远距离俯拍帧或者全是逆光帧训练时模型没见过这些形态推理置信度全部低于阈值终端打印的框数量接近零。解决先用2.3的组件ID分组重做划分然后回到predict命令把conf临时降到0.1跑一遍。如果低阈值下框能出现说明模型学进去了问题出在阈值或尺度如果降到0.05还是没框说明验证集本身和训练集差异大到模型无法泛化这个时候不要调参回去做数据分桶或者补充验证集样本。还有一个辅助判断打开val输出目录里的原始图片肉眼确认验证集里有没有和训练集同构图但不同光照的极端场景这类场景往往是“看起来像验证集实际是另一个域”。4.2 现象mAP50很高但实际巡检漏检率依然大原因mAP50只看IoU大于0.5的框积灰区域的边界本来就模糊框稍微偏一点照样算命中所以mAP50很容易虚高。我做光伏项目时目标不光是“检测到灰”还要估算积灰覆盖面积框的边界偏移四分之一面积估算就差出30%以上这是mAP50看不出来的。解决把评估指标的重点转到mAP50-95上这个指标统计IoU从0.5到0.95多个档位的平均值对框的定位精度更敏感。如果mAP50-95明显低优先做法是把imgsz从640提到960再检查标注框是否本身画得不齐人工修一批边界离谱的框比换模型收益更大。处理这类单类别弱纹理目标时很多团队会直接用默认评估结果结果部署时被打得措手不及。我的经验是单类别积灰检测里mAP50和mAP50-95之间的差值超过0.2就说明定位精度不合格必须先解决这个问题再谈上线。4.3 现象batch16一个epoch没跑完显存先崩原因光伏板巡检图片往往来自无人机或高清相机原始分辨率可能到4000×3000。训练时如果imgsz不小心设成原图尺寸显存会被直接吃爆数据加载阶段没报错跑起来才崩。解决训练统一用imgsz640或960不要喂原图。推理阶段如果确实要处理高清大图先把原图裁剪成若干640或960的子图分别推理再合并结果。这段“训练用小图、推理用滑窗”的做法比单纯买大显存实惠得多。如果batch降到8还是崩再检查workers是否设得过高导致内存占用叠加。显存不足的另一个常见原因是开启了mosaic增强合成长图需要额外显存4.4里关闭mosaic之后显存压力通常会下降一截。4.4 现象数据增强一开灰尘标签反而被“增强”没了原因YOLOv8默认开启mosaic、随机透视、翻转等增强但灰尘是弱纹理目标旋转45度后视觉特征几乎消失mosaic把四张图拼在一起时灰尘区域可能被裁到拼接缝上标签跟着失效。数据增强是为了增加多样性对强纹理目标有效对弱纹理目标常常是帮倒忙。解决在yaml中先关闭强增强保留轻量增强# pv_dust.yaml 追加增强覆盖 mosaic: 0.0 flipud: 0.0 fliplr: 0.0 hsv_h: 0.01 hsv_s: 0.2 hsv_v: 0.2 scale: 0.3 translate: 0.1参数说明mosaic、flipud、fliplr都是翻转和拼接类强增强灰尘标签在这种变换下容易失真直接置0hsv_h、hsv_s、hsv_v保留很小的扰动模拟不同光照下的板面颜色变化scale和translate控制随机缩放和平移0.3和0.1是相对克制的取值。这些参数可以直接追加到pv_dust.yaml末尾YOLOv8训练时会自动读取并覆盖默认增强配置。调试原则是小样本、弱纹理目标宁可用弱增强把训练稳住也不要让强增强把标签“洗掉”。这是我从血泪经验里换来的结论第一批模型翻车几乎都卡在这上面。5. 从1463张到能上巡检现场评估不看单帧部署要防三类干扰5.1 指标取舍P、R、mAP50和mAP50-95各自盯什么1463张单类别样本训练出来的模型P和R很难同时拉到0.9以上。业务上“少漏报”和“少误报”常常冲突把置信度阈值调低R上升但P下降误报区域会让运维人员白白跑一趟电站阈值调高P上去了漏检的积灰板又会导致发电量损失。我一般会画出Precision-Recall曲线找一个兼顾两者的工作点而不是盲目用默认0.25。下面的表是我常用的阈值参考业务诉求推荐阈值区间代价少漏检、允许人工复核0.10~0.15误报增多运维复查压力大巡检初筛、平衡误报与漏报0.25~0.30两者兼顾适合跑第一版少误报、自动化直接派单0.40~0.50漏检风险升高适合配合其他传感器参数说明阈值不是模型参数是推理阶段的后处理参数改阈值不需要重训所以可以反复试。对1463张小样本模型我建议先按0.25跑基线再做两次阈值扫描分别看0.15和0.4下的预测图最后根据运维人工成本挑一个工作点。YOLOv8的val输出里自带pr_curve.png这张图能直观看出P和R的拉扯关系选点时以它为参考比盯着终端数字更可靠。5.2 部署时的三类干扰反光、污渍、纹理数据集里的样本大多是“干净背景明显灰尘”的清晰画面但真实光伏板现场的反光、污渍和纹理都会骗过模型。玻璃反光会产生大范围高亮区域颜色和积灰接近鸟粪和水渍在色调上常常和灰尘混在一起板面本身的栅格纹理在某些光照下也会被模型当成边缘特征。我部署第一版模型时最典型的翻车就是反光导致大量误报最后是靠把图像输入从彩色图换成了经过灰度归一化的图同时加了一个“反光区域强度阈值”的后处理才压下来。另一个有效办法是先做光伏板区域分割只对板面区域做积灰检测这样背景里的护栏、支架、地面反光都能被提前滤掉。后处理这层不能省。我见过不少项目把模型输出的框直接送到工单系统结果反光导致的误报让运维团队一天跑三次空趟。轻量做法是对每个检测框计算框内区域的亮度方差和边缘密度如果方差过高且边缘密度过低就判定为反光区域降置信度或直接丢弃。这个规则不复杂却能把误报率压下一个数量级代价只是误伤一小部分边界模糊的真实积灰。5.3 扩充数据集的方向抽帧复用、自采和电力公开数据1463张只能打底。最稳妥的扩充是在同一批电站上再飞一段视频按间隔抽帧然后用已有模型做半自动标注人工修框。这里有个原则扩充要加“难样本”不要加大量相似帧。相似帧只会让训练集变大验证集虚高指标涨的是水份不是能力。去重可以用简单的帧间差分实现把连续帧转成灰度图计算相邻帧的像素差均值低于阈值就说明几乎没变化直接丢弃。抽帧间隔也要从视频运动速度反推无人机缓慢飞行时每2秒抽一帧就足够抽太密全是重复信息。想要让模型对弱纹理更鲁棒可以找firc-dataset这类电力红外数据集做辅助预训练红外图像里温差形成的轮廓能帮助模型学习“板面区域”的结构再迁移回可见光数据也可以纳入公开的绝缘子、光伏板检测数据做域对齐训练。需要留意的是不同数据集之间类别的含义可能不一样合并训练前要先把类别体系统一框的坐标也要重新检查。对1463张这种规模的打底数据集我的建议是第一版先单独训拿到基线后再做域增强和混合训练否则一开始就把多个来源的数据揉在一起出了问题很难定位。6. 进阶技巧训练前先跑一次数据体检把坏框和空标签清干净训练前的最后一道工序我习惯跑一个简短的数据体检脚本。它的作用不是训练模型而是用一个数字告诉你这批数据里有多少空标签、多少个框的面积占比异常小、多少张图的框尺度分布严重分裂。脚本如下import os import numpy as np import xml.etree.ElementTree as ET voc_dir labels_voc empty_files [] box_ratio [] for xml_name in os.listdir(voc_dir): if not xml_name.endswith(.xml): continue tree ET.parse(os.path.join(voc_dir, xml_name)) root tree.getroot() objs root.findall(object) if len(objs) 0: empty_files.append(xml_name) size root.find(size) w, h int(size.find(width).text), int(size.find(height).text) for obj in objs: b obj.find(bndbox) bw (float(b.find(xmax).text) - float(b.find(xmin).text)) / w bh (float(b.find(ymax).text) - float(b.find(ymin).text)) / h box_ratio.append(bw * bh) print(empty label files:, len(empty_files)) print(total objects:, len(box_ratio)) print(avg box area ratio: %.3f % np.mean(box_ratio)) print(small boxes ratio(0.01): %.3f % (sum(1 for x in box_ratio if x 0.01) / len(box_ratio)))逻辑说明脚本读每个XML先统计没有object节点的空标签文件数再计算每个框相对整张图的面积占比最后输出平均值和占比小于0.01的框比例。空标签文件多说明负样本不少要在训练配置里打开空标签开关小框比例高说明场景以小目标为主训练时imgsz要考虑用960并配合滑窗推理。参数说明0.01这个阈值对应640分辨率下大约64×64像素的框如果框面积占比再小模型很难学到有效特征这类框要么清洗掉要么在标注阶段就不该被画出来。我在第一个光伏项目上就吃过标签脏的亏。当时拿到的数据里有一批框比正常值大30%模型训完肉眼看着没问题一换电站就崩。后来养成了一个习惯不管数据集是谁给的先跑一遍体检脚本再进训练顺手把脚本输出的几行数字贴到工单里。这个习惯帮我少走了很多弯路也省掉了不少重复训练的时间。从1463张出发做出一个能用的初版模型并不难难的是在每一步都对数据保持怀疑。希望帮到你。本文还有配套的精品资源点击获取