附:配套数据资源
本文为工程实践记录,用于说明数据集组织、标注与训练流程,不涉及商业推广。下列入口仅用于复现文中实验。
- 资源入口(百度网盘,纯文本):https://pan.baidu.com/s/1P8FZG7okJEwNwNulbql0_g?pwd=W8qa
- 提取码:W8qa
请按数据集说明合理使用。
业务场景与目标定义
变电站属于典型的少人值守、连续运行场景,设备表面的液体渗漏往往在早期并不明显,而红外热成像能够通过温度分布差异,把渗漏引起的热异常从背景中区分出来。把这类红外画面接入计算机视觉系统,目标是在巡检视频或定时抓拍图上自动给出可疑区域的检测框,辅助运维人员缩小排查范围。
本文围绕一个可迁移到云上流程的工程实践展开:使用 YOLO11 作为目标检测训练模型,以单类别 leak 为检测目标,把数据存储、标注、训练、评估和推理服务的组织方式串成一条可复用的流水线。文中不涉及具体商业部署结果,重点放在流程设计与工程注意点上。

红外图像与可见光图像存在明显差异:整体对比度偏低、细节纹理少、目标边界依赖温度梯度。这决定了后续的数据清洗、标注规范和增强策略都需要针对红外特性单独考虑,而不能直接照搬可见光数据集的经验。
数据集说明(来源:数据集说明表)
根据数据集说明表,该数据集名称为“变电站液体泄露红外检测YOLO数据集”,面向变电站巡检与红外安全监控场景。数据集为 1 分类任务,标注类别为 leak,共包含 100 张图片,对应 Label Studio 任务数为 100,即图片与标注任务一一对应。素材中包含一个视频文件(100 张图片视频.mp4),可用于数据集预览或短视频形式的项目展示。
标注数据以 Label Studio 导入格式组织,配套提供标注配置文件,便于复现标注界面与类别体系。数据集规模属于小样本范畴,适合作为流程验证、标注规范打磨和训练脚本调试的起点,在正式训练前需要评估样本量与场景覆盖度是否满足目标需求。
数据集准备与标注流程
小样本红外数据集的质量控制,核心在于标注一致性。建议在 Label Studio 中固定标注配置,明确检测框的贴合规则:框应覆盖热异常区域的可见范围,对边界模糊的样本统一标注口径,并在标注说明中记录“不确定样本”的处理方式,避免同一现象在不同标注员之间出现口径漂移。

标注完成后,建议做一次导出校验:检查类别名是否与训练配置中的 names 完全一致、坐标是否归一化到 0~1、是否存在空标注文件或越界框。对于单类别任务,这类校验脚本很短,但能避免大量训练阶段的隐性错误。
从视频抽帧到图片样本的转换环节也值得工程化处理。可以按固定间隔抽帧、剔除高度重复的相邻帧,并保留原始帧号作为元数据,方便后续把检测结果回溯到视频时间点。
云上存储与版本管理建议
迁移到云上时,建议把数据集拆成三层组织:原始素材层(视频、原始帧)、标注层(Label Studio 导出 JSON、转换后的 YOLO 标签)、训练输入层(划分后的 images/labels 目录)。三层分别放在对象存储的不同前缀下,通过清单文件记录每层的版本与生成时间。
版本管理上,不建议只依赖目录命名。可以为每次数据集发布生成一份清单,包含样本数量、类别统计、划分比例、校验和以及对应的标注导出文件标识。训练任务只读取带清单的数据集版本,这样当模型指标波动时,能够快速定位是数据变更还是训练配置变更导致的。
对于红外图像,还建议在存储层保留原始位深与格式信息,避免在转换过程中无意做位深压缩,影响温度梯度的可分辨性。
训练任务设计(YOLO11)
训练侧以 YOLO11 为基础模型。数据组织遵循 YOLO 检测任务的通用结构:images/train、images/val、labels/train、labels/val,并通过一个 YAML 描述文件声明路径、类别数和类别名。单类别配置示例如下:
# data.yaml
path: /data/leak_ir
train: images/train
val: images/val
names:
0: leak
训练入口可使用 YOLO11 的命令行或 Python 接口,示例配置如下:
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # 以轻量规格起步,便于快速验证流程
results = model.train(
data="data.yaml",
epochs=100,
imgsz=640,
batch=16,
patience=20,
project="runs/leak_ir",
name="exp01",
seed=42,
)

几点工程建议:
- 输入尺寸与目标尺度匹配:红外画面中渗漏区域可能较小,
imgsz过小会进一步压缩目标像素,建议结合原始分辨率做对比实验。 - 增强策略收敛:红外图像色彩信息有限,颜色类增强收益通常不大,可适当降低相关强度,把重点放在几何变换与对比度扰动上。
- 小样本下的验证集稳定性:100 张样本做划分时,验证集过小会导致指标抖动明显,建议固定随机种子并记录划分清单,必要时采用交叉验证评估。
- 训练可复现:把随机种子、依赖版本、数据清单标识写入训练记录,云上训练任务尤其需要这一点。
在云上执行时,训练任务适合以容器化方式提交,数据通过挂载或下载到本地缓存目录读取,日志与权重输出到独立存储路径,便于任务中断后恢复与结果归档。
模型评估与复核
评估阶段除了看 mAP 类指标,更要关注与业务相关的表现。红外场景的典型问题是低对比度与模糊画面下的漏检,因此建议单独构建一个“困难样本子集”,把低对比度、目标边缘模糊、背景热源干扰明显的样本集中评估,观察召回率变化。

复核流程建议包含人工抽检:从验证集和推理输出中各抽取一批结果,由熟悉现场的人员确认检测框是否落在真实异常区域。对于误检,记录其成因(如设备正常发热、反光、画面噪声),这些记录反过来指导数据补充和标注规范修订。
置信度阈值不应只看默认值。可以在验证集上扫描不同阈值,绘制精确率—召回率曲线,再结合业务对漏检和误报的容忍度确定工作点。
工程化落地注意点
- 推理服务与训练解耦:训练产物(权重 + 预处理配置 + 类别映射)打包为版本化制品,推理服务只依赖制品,不直接依赖训练目录结构。
- 预处理一致性:训练与推理的缩放、填充、归一化方式必须一致,建议把预处理参数写入制品元数据,由服务端读取。
- 输入质量门控:对严重模糊或过曝的红外帧,可在推理前做质量判断并标记为“需人工复核”,避免把低质量输入的低置信结果直接当作结论。
- 结果可追溯:每条检测结果保留来源帧号、时间戳、模型版本和阈值配置,便于事后复盘。
- 持续迭代闭环:把线上复核确认的困难样本回流到数据集版本中,形成“标注—训练—评估—回流”的循环,而不是一次性交付。

从工程落地看,上面这条「数据整理—标注—训练—验证」链路也可以放到 ThinkCV 一体化训练平台上完成:数据集接入后,leak 等标注结果可直接对接训练任务,提交后由平台调度并自动生成模型,再经过模型评估、导出与下游对接,把推理中发现的难例回流数据集形成数据飞轮。它减少的是环境搭建和手工搬运的摩擦,模型效果仍取决于标注质量与场景覆盖。
总结
基于 YOLO11 的红外液体泄露检测,技术难点更多集中在数据侧而非模型侧:小样本、低对比度、标注口径一致性,都会直接影响最终可用性。把数据集按原始素材、标注、训练输入分层管理,用清单做版本控制,把训练配置与预处理参数写入制品,再通过困难样本复核形成回流闭环,这套组织方式可以迁移到云上的对象存储与容器化训练环境中。对于单类别红外检测任务,先把流程跑通、把数据质量守住,再逐步扩充场景覆盖,通常比一开始追求复杂模型结构更稳妥。
附:样本与标注图集
以下图片均取自该数据集真实样本、YOLO 标注效果图与 Label Studio 标注工作台界面,用于对照上文的数据组织与标注流程说明。







