深度学习框架模型YOLO如何训练胶皮导线 输电线皮质导线 配网绝缘导线烧伤检测图像数据集，

配网绝缘导线烧伤检测图像数据集总共1500多张图像标注为voc (xml)格式,也可以转yolo (txt)格式111配网绝缘导线烧伤检测数据集信息表信息项详细内容数据集名称配网绝缘导线烧伤检测数据集任务类型2D目标检测图像总量1500余张标注格式原生VOC(XML)格式可转换为YOLO(TXT)格式目标类别绝缘导线烧伤缺陷单类别适用场景配网线路巡检、导线缺陷识别、电力设备故障检测算法训练一、格式转换VOC → YOLO TXT转换脚本voc2yolo.pyimportosimportxml.etree.ElementTreeasET# 路径配置xml_dirlabels_xmlimg_dirimagessave_label_dirlabelsclasses[burn]# 类别名os.makedirs(save_label_dir,exist_okTrue)defconvert(size,box):dw1.0/size[0]dh1.0/size[1]x(box[0]box[1])/2.0y(box[2]box[3])/2.0wbox[1]-box[0]hbox[3]-box[2]xx*dw ww*dw yy*dh hh*dhreturn(x,y,w,h)forxml_fileinos.listdir(xml_dir):ifnotxml_file.endswith(.xml):continuetreeET.parse(os.path.join(xml_dir,xml_file))roottree.getroot()sizeroot.find(size)wint(size.find(width).text)hint(size.find(height).text)label_txtos.path.join(save_label_dir,xml_file.replace(.xml,.txt))withopen(label_txt,w)asf:forobjinroot.iter(object):clsobj.find(name).textifclsnotinclasses:continuecls_idclasses.index(cls)bndboxobj.find(bndbox)box[float(bndbox.find(xmin).text),float(bndbox.find(xmax).text),float(bndbox.find(ymin).text),float(bndbox.find(ymax).text)]bbconvert((w,h),box)f.write(f{cls_id}{ .join(map(str,bb))}\n)二、数据集目录结构YOLO标准wire_burn/ ├── train/ │ ├── images │ └── labels ├── val/ │ ├── images │ └── labels ├── test/ │ ├── images │ └── labels └── data.yaml三、data.yaml 配置文件path:./wire_burntrain:train/imagesval:val/imagestest:test/imagesnc:1names:0:burn四、YOLOv26 训练代码train_wire_burn.pyfromultralyticsimportYOLOif__name____main__:modelYOLO(yolov26s.pt)model.train(data./wire_burn/data.yaml,epochs100,imgsz640,batch8,device0,workers0,lr00.01,patience15,mosaic1.0,projectruns/train,nameyolov26_wire_burn,exist_okTrue)五、评估与推理代码fromultralyticsimportYOLO modelYOLO(runs/train/yolov26_wire_burn/weights/best.pt)# 精度评估metricsmodel.val(data./wire_burn/data.yaml)# 图像推理model(test.jpg,saveTrue)说明先运行转换脚本将XML标注转为YOLO TXT格式再划分训练/验证/测试集显存不足可减小batch无GPU设置devicecpu单类别缺陷检测可按需调高epochs提升拟合效果。