红外漏水 渗水 数据集核心信息一、数据集基础信息表信息类别具体内容数据集类别计算机视觉领域 - 目标检测数据集专注于 “leakage泄漏” 类目标的识别与标注数据数量包含 381 张标注图像涵盖 2 个子数据集可满足基础目标检测模型的训练需求数据集格式种类适配主流计算机视觉框架如 YOLO 系列提供符合目标检测任务的标注格式最重要应用价值可用于工业场景如厦门地区相关设施的泄2漏目标检测模型开发助力设备故障早期排查与风险预警二、数据集类别解析该数据集聚焦目标检测细分方向仅定义 “leakage” 单一类别标注针对性极强。这种单一类别设计能减少无关标注干扰让模型更专注于泄漏目标的特征学习尤其适合对特定故障目标检测精度要求高的场景。三、数据集数量说明381 张标注图像搭配 2 个子数据集的规模虽不算大型数据集但每张图像均经过专业标注数据质量有保障。对于初期模型验证、算法调试或小范围场景应用而言该数量能平衡数据获取成本与训练需求为后续扩充数据规模奠定基础。红外漏水渗水数据集 YOLO 训练代码一、数据集配置文件leakage.yamlpath:./infrared_leakage_datasettrain:images/trainval:images/valtest:images/testnc:1names:0:leakage二、环境依赖安装pipinstallultralytics opencv-python numpy三、Python 训练脚本YOLOv8 / YOLOv11 通用fromultralyticsimportYOLOdeftrain_leakage_model():# 加载预训练模型可选 yolov8n.pt / yolov11n.ptmodelYOLO(yolov8n.pt)# 训练参数配置model.train(dataleakage.yaml,epochs80,batch4,# 数据量小建议调低batch显存不足可改为2imgsz640,device0,# 无GPU改为 devicecpupatience12,# 小数据集提前停止防止过拟合pretrainedTrue,mosaic0.5# 适度数据增强)print(训练完成权重保存在 runs/detect/train/weights/ 目录下)if__name____main__:train_leakage_model()四、命令行训练指令# YOLOv8 训练yolo detect trainmodelyolov8n.ptdataleakage.yamlepochs80batch4imgsz640device0# YOLOv11 训练yolo detect trainmodelyolov11n.ptdataleakage.yamlepochs80batch4imgsz640device0五、推理测试代码图片/视频/摄像头fromultralyticsimportYOLOimportcv2# 加载训练完成的最优模型modelYOLO(runs/detect/train/weights/best.pt)# 单张图片检测defdetect_img(img_path):imgcv2.imread(img_path)resmodel(img,conf0.2)out_imgres[0].plot()cv2.imwrite(leakage_result.jpg,out_img)cv2.imshow(红外漏水检测,out_img)cv2.waitKey(0)cv2.destroyAllWindows()# 视频/实时流检测defdetect_video(source0):capcv2.VideoCapture(source)whilecap.isOpened():ret,framecap.read()ifnotret:breakresmodel(frame,conf0.2)frameres[0].plot()cv2.imshow(实时漏水检测,frame)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()# 调用示例# detect_img(test.jpg)# detect_video(test.mp4)六、使用说明数据集共381 张红外图像单类别leakage标签为标准YOLO TXT格式可直接训练小数据集易过拟合因此降低训练轮数、启用早停、减小批次大小适用于工业设备、管道红外漏水/渗水故障检测场景。