在电力设备运维场景中,二次设备指示状态异常(如压板状态、空开状态、指示灯、面板显示异常)往往依赖人工巡检发现,效率与一致性都受限于人员经验。将这类巡检图像组织成可训练、可复现、可版本管理的视觉数据集,并在云上完成 YOLO11 目标检测模型的训练与评估,是当前比较务实的一条工程路径。本文围绕一个变电站缺陷类数据集,梳理从数据存储、标注组织、训练任务设计到评估复核与推理服务落地的完整流程,重点讨论可迁移到云上环境的工程化管理方式。
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/12bgZ0hgGxqW01ZugLm7oxg?pwd=M0rt
- 提取码:M0rt
请按数据集说明合理使用。
业务场景与问题拆解
变电站控制面板上的开关、按钮、指示灯和标签数量多、外观相似度高,人工核对容易出现遗漏。目标检测模型的价值在于把“看图判断”转化为“框选 + 类别 + 置信度”的结构化输出,便于后续接入巡检记录、告警复核等流程。工程上需要关注三件事:数据是否覆盖足够多的状态变化、标注体系是否稳定一致、训练与评估流程是否可重复。YOLO11 作为本系统使用的目标检测训练模型,其训练脚本、数据配置和评估指标都相对成熟,适合作为这类中小规模缺陷数据集的首选基线。

数据集说明(来源:数据集说明表)
该数据集面向二次设备指示状态异常场景,覆盖压板状态、空开状态、指示灯、面板显示异常等方向。数据以 YOLO 格式组织,共 7 个类别,编号与标签数量对应关系如下:
- 0:kgg_ybf,2850
- 1:kgg_ybh,2996
- 2:kk_f,859
- 3:kk_h,996
- 4:zsd_l,2946
- 5:zsd_m,7899
- 6:mbhp,229
数据集为高清图片,未做任何数据增强。除完整数据集外,另有一份用于流程验证的子集:图片 100 张,对应 Label Studio 任务 100 个,并附有一段由这批图片合成的预览视频,可用于数据集预览或项目展示。需要说明的是,上述类别名称来自数据集说明表,属于标注体系中的客观命名,本文不对其具体语义做额外推断。
从标签数量分布看,类别 5 的样本量明显高于其他类别,类别 6 相对偏少,这种不均衡在训练时需要重点关注,后文评估部分会展开。
云上存储与版本管理建议
把视觉数据集放到云上,核心诉求是可追溯和可协作。建议按“原始数据 / 标注中间产物 / 训练输入 / 模型产物”四层组织对象存储路径,例如按批次号与数据集名分层,避免不同批次互相覆盖。原始图片一旦入库即视为只读,后续所有处理(裁剪、格式转换、划分)都写入新目录,保证任何一次训练都能回溯到确定的输入快照。
版本管理上,建议为每个数据集批次打一个不可变标签,记录图片数量、类别清单、标注文件校验值。标注文件(如 Label Studio 导出的 JSON)与转换后的 YOLO 标签目录应成对保存,转换脚本本身也纳入代码仓库,做到“数据 + 脚本 + 配置”三者同版本。这样当模型效果出现波动时,可以快速判断是数据变化还是训练配置变化导致。

标注组织与格式转换
标注环节建议使用 Label Studio 这类支持矩形框标注的工具,先定义好类别配置,再批量导入图片创建任务。标注规范要提前写清楚:框的边界如何贴合、相似部件如何区分、模糊样本如何处理。对于指示灯、按钮这类高相似度目标,建议在规范中给出正反例,减少不同标注人员之间的口径差异。

标注完成后,从 Label Studio 导出 JSON,再通过脚本转换为 YOLO 格式的 images/ 与 labels/ 目录结构。转换脚本需要处理坐标归一化、类别 ID 映射和空标注样本,并在转换后做一次抽样核对。建议把这一步做成可重复执行的流水线步骤,而不是手工操作,便于在标注补充后快速重新生成训练输入。
YOLO11 训练任务设计
训练任务设计上,建议把数据配置、超参数和运行环境分离。数据配置使用 YOLO11 支持的 YAML 描述训练集、验证集路径与类别名称;超参数集中在训练命令或配置文件中,便于对比实验。下面是一个可迁移的配置示例,路径按云上对象存储挂载后的本地目录书写:
# substation_defects.yaml
path: /data/datasets/substation_defects
train: images/train
val: images/val
names:
0: kgg_ybf
1: kgg_ybh
2: kk_f
3: kk_h
4: zsd_l
5: zsd_m
6: mbhp
训练命令示例:
yolo detect train \
model=yolo11n.pt \
data=substation_defects.yaml \
epochs=100 \
imgsz=640 \
batch=16 \
project=/data/runs \
name=substation_defects_baseline

在云上执行时,建议把训练任务容器化,镜像内固定 YOLO11 版本与依赖,数据通过挂载或下载到本地缓存目录。训练日志、权重和评估曲线统一写入对象存储的运行目录,便于多任务并行时互不干扰。对于样本不均衡的类别,可以在配置中调整采样策略或损失权重,但应作为独立实验记录,避免与基线混淆。
模型评估与复核
训练结束后,评估不能只看一个总体指标。建议按类别查看 precision、recall 与 mAP,重点关注样本量偏少的类别是否被“淹没”。从本数据集的分布看,类别 6 的样本量最小,类别 5 最大,评估时应单独观察小样本类别的召回情况。同时要结合验证集的可视化结果,检查高相似度部件(如多个旋钮或按钮)之间的误检与漏检。

复核环节建议引入人工抽检:从验证集中抽取一定比例样本,对照模型输出逐张核对,记录误检类型和漏检原因。这些记录反过来可以指导下一轮标注补充,形成“训练—评估—补标—再训练”的闭环。需要提醒的是,单张验证截图只能说明该样本的输出情况,不能据此推断整体精度,模型结论应以完整验证集统计为准。

工程化落地注意点
第一,推理服务与训练环境解耦。训练产物导出后,推理侧只依赖固定版本的权重和预处理逻辑,避免训练侧改动影响线上服务。第二,建立数据回流机制,把推理中置信度偏低或人工复核存疑的样本回收进待标注池,定期补充训练集。第三,关注输入分布变化,巡检图像的光照、角度、设备型号都可能变化,建议定期用新样本做一次离线评估。第四,类别命名与业务语义的映射表要单独维护,模型输出的类别 ID 与业务系统中的状态描述之间保持清晰对应。

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,substation_defect_0、substation_defect_1、substation_defect_2、substation_defect_3、substation_defect_4、substation_defect_5 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 的变电站缺陷检测,工程难点往往不在模型本身,而在数据组织与流程管理。把数据集按批次做不可变存储、把标注与转换脚本纳入版本管理、把训练配置与运行环境解耦、把评估从单一指标扩展到分类别复核,这些做法可以迁移到云上环境,也能在数据规模扩大后保持可维护性。对于样本不均衡和高相似度部件的识别问题,建议通过持续补标和分阶段评估逐步收敛,而不是一次性追求指标。
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。







