YOLOV11-智慧无人机航拍-风机设备损伤、脏污检测数据集，2191张，yolo，voc，coco三种标注方式
图像尺寸:371*586
类别数量:2类
训练集图像数量:1534; 验证集图像数量:431； 测试集图像数量:226
类别名称: 每一类图像数 ，每一类标注数
damage: 1852,6380
dirt: 407,422
image num: 2191
模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch
提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示
PyQt5 界面功能
界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）
支持图片检测、视频检测、摄像头实时检测
界面实时显示：目标位置、目标总数、置信度等信息
支持检测结果保存导出
操作简单直观，无需命令行
4、零基础需远程配置
针对零基础不想或不会自己配置安装可包安装 CPU 版本环境
运行环境：Python=3.8、opencv-python、PyQt5、torch
支持 Windows、Linux 系统
智慧无人机航拍‑风机设备损伤、脏污检测数据集
数据集信息表格
| 项目 | 参数详情 |
|---|---|
| 数据集名称 | 智慧无人机航拍‑风机设备损伤、脏污检测数据集 |
| 总图像数量 | 2191张 |
| 标注格式 | YOLO、VOC、COCO 三种格式 |
| 图像尺寸 | 371×586 |
| 类别数量 | 2类 |
| 训练集 | 1534张 |
| 验证集 | 431张 |
| 测试集 | 226张 |
| 类别统计 | damage(损伤)：图像1852张，标注6380个 dirt(脏污)：图像407张，标注422个 |
| 训练模型 | YOLOv11‑n |
| 训练轮次 | 80 epoch |
| 界面工具 | PyQt5完整UI源码（.ui/.qrc/.py资源） |
| 界面功能 | 图片检测、视频检测、摄像头实时检测；显示目标坐标、目标数量、置信度；检测结果导出保存，免命令行操作 |
| 运行环境 | Python3.8、opencv‑python、PyQt5、torch；支持Windows / Linux；可提供CPU版本环境部署服务 |
| 应用场景 | 无人机风电巡检、风机叶片缺陷识别、风场设备运维检测 |
数据集yaml配置wind_turbine.yaml
path:./wind_turbine_datasettrain:images/trainval:images/valtest:images/testnames:0:damage1:dirtYOLOv11n简易训练代码
fromultralyticsimportYOLOif__name__=="__main__":#加载nano权重model=YOLO("yolo11n.pt")train_result=model.train(data="wind_turbine.yaml",epochs=80,imgsz=640,batch=8,device=0,#cpu运行改为 device="cpu"workers=2,patience=10,project="wind_turbine_run",name="yolov11n_train")推理示例代码
fromultralyticsimportYOLO model=YOLO("./wind_turbine_run/yolov11n_train/weights/best.pt")#图片推理res=model.predict("test_wind.jpg",conf=0.25,save=True)依赖安装
pipinstallultralytics opencv-python pyqt5 torchimportcv2importnumpyasnpdefremove_text_watermark(input_path,output_path):img=cv2.imread(input_path)h,w=img.shape[:2]hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)#适配半透浅灰色文字水印lower=np.array([0,0,160])upper=np.array([180,25,255])mask=cv2.inRange(hsv,lower,upper)dst=cv2.inpaint(img,mask,3,cv2.INPAINT_TELEA)cv2.imwrite(output_path,dst)if__name__=="__main__":remove_text_watermark("input.jpg","output_no_wm.jpg")