YOLOV11-智慧无人机航拍-风机设备损伤、脏污检测数据集2191张yolovoccoco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: 1852,6380dirt: 407,422image 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Python3.8、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.yamlpath:./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modelYOLO(yolo11n.pt)train_resultmodel.train(datawind_turbine.yaml,epochs80,imgsz640,batch8,device0,#cpu运行改为 devicecpuworkers2,patience10,projectwind_turbine_run,nameyolov11n_train)推理示例代码fromultralyticsimportYOLO modelYOLO(./wind_turbine_run/yolov11n_train/weights/best.pt)#图片推理resmodel.predict(test_wind.jpg,conf0.25,saveTrue)依赖安装pipinstallultralytics opencv-python pyqt5 torchimportcv2importnumpyasnpdefremove_text_watermark(input_path,output_path):imgcv2.imread(input_path)h,wimg.shape[:2]hsvcv2.cvtColor(img,cv2.COLOR_BGR2HSV)#适配半透浅灰色文字水印lowernp.array([0,0,160])uppernp.array([180,25,255])maskcv2.inRange(hsv,lower,upper)dstcv2.inpaint(img,mask,3,cv2.INPAINT_TELEA)cv2.imwrite(output_path,dst)if__name____main__:remove_text_watermark(input.jpg,output_no_wm.jpg)