目录

一、github下载代码

二、代码训练准备

1.数据集准备

2.训练

3.测试结果

测试结果展示：

---

        随着无人机对输电线路的智能化巡检越来越普遍，为了提升对无人机巡检的图像缺陷识别水平及效率，降低人工查看缺陷图片的工作强度，提升输电巡检业务生产作业效率和作业质量。尝试使用yolov6对无人机抓拍的绝缘子自爆图片进行识别。

目录

一、代码下载  

二、代码训练准备

1.数据集准备

2.训练

  3.测试结果

eval代码如下： 

测试代码如下：

部分测试结果展示：

一、代码下载  

        YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。

目前，项目已开源至Github:https://github.com/meituan/YOLOv6

二、代码训练准备

1.数据集准备

         在网上下载3400多张绝缘子自爆数据集，其中有一部分为数据增强，且基本上都为放大型图片（视野中仅存在几个绝缘子片），和业务实际场景下的巡检图片差异较大。然后通过业务需求，收集1300多张真实电力系统运维巡检下无人机巡检绝缘子自爆图片，并进行标注。共计数据4786张。参考手把手教你运行YOLOv6（超详细）_Mr Dinosaur的博客-CSDN博客_yolov6完成yolov6数据集制作。

2.训练

下载相关预训练模型，修改dadaset.yaml相关参数以及configs里面与训练模型路径。

 

训练代码如下：

python tools/train.py --batch 8 --conf configs/yolov6s_finetune.py --data data/dataset.yaml

  3.测试结果

eval代码如下： 

python tools/eval.py --data data/dataset.yaml  --weights runs/train/exp1/weights/best_ckpt.pt

测试代码如下：

​​​​​​​python tools/infer.py --weights runs/train/exp1/weights/best_ckpt.pt --source data/images/

部分测试结果展示：​​​​​​​

 

 ​​​​​​​

​​​​​​​