数据集描述:
电力设备类输电线路覆冰检测数据集 json格式
2千张

1

1

1

采用了点标注的方式，味着每个标注点代表了覆冰区域的一个关键点。训练能够识别和检测输电线路覆冰的模型，需要将这些点标注转换为边界框标注，以便于目标检测模型（如YOLOv8）进行学习。

1. 数据预处理

1.1 将点标注转换为边界框标注

假设JSON文件中存储了每个图像的点标注信息，编写一个脚本来将这些点标注转换为边界框标注。以下是一个简单的Python示例，说明如何实现这一点：

import json
import os
from collections import defaultdict

def points_to_bbox(points):
    """将点列表转换为边界框"""
    x_coords = [point[0] for point in points]
    y_coords = [point[1] for point in points]
    x_min, x_max = min(x_coords), max(x_coords)
    y_min, y_max = min(y_coords), max(y_coords)
    return [x_min, y_min, x_max, y_max]

def convert_json_to_yolo(json_dir, img_dir, output_dir, class_mapping):
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)

    for filename in os.listdir(json_dir):
        if filename.endswith('.json'):
            with open(os.path.join(json_dir, filename), 'r') as f:
                data = json.load(f)

            image_filename = data['imagePath']
            image_path = os.path.join(img_dir, image_filename)
            img = cv2.imread(image_path)
            height, width, _ = img.shape

            label_filename = os.path.splitext(filename)[0] + '.txt'
            label_path = os.path.join(output_dir, label_filename)

            with open(label_path, 'w') as out_file:
                for shape in data['shapes']:
                    label = shape['label']
                    if label not in class_mapping:
                        continue
                    cls_id = class_mapping[label]

                    points = shape['points']
                    bbox_2d = points_to_bbox(points)
                    x_min, y_min, x_max, y_max = bbox_2d

                    # 转换为YOLO格式
                    x_center = ((x_min + x_max) / 2) / width
                    y_center = ((y_min + y_max) / 2) / height
                    w = (x_max - x_min) / width
                    h = (y_max - y_min) / height

                    out_file.write(f"{cls_id} {x_center} {y_center} {w} {h}\n")

# 示例使用
class_mapping = {"Ice": 0}
json_dir = 'path/to/jsons'
img_dir = 'path/to/images'
output_dir = 'path/to/labels'

convert_json_to_yolo(json_dir, img_dir, output_dir, class_mapping)

2. 训练模型

2.1 准备数据集

数据集按照YOLOv8的要求组织好，包括images和labels目录，并且有一个data.yaml文件来描述数据集的信息。

2.2 开始训练

使用Ultralytics的YOLOv8库开始训练模型。如果您已经安装了必要的依赖项，可以使用以下代码开始训练：

from ultralytics import YOLO

model = YOLO('yolov8s.pt')  # 加载预训练模型

results = model.train(
    data='path/to/data.yaml',  # 数据集配置文件路径
    epochs=100,                 # 训练周期数
    imgsz=640,                  # 输入图像大小
    batch=16,                   # 每批次样本数量
    device=0,                   # 使用第0号GPU
    project='runs/detect/icedetection',  # 结果保存位置
    name='exp',                # 实验名称
    save=True,                 # 是否保存最佳模型
)

📊 YOLOv8 评估及推理代码详解

---

✅ 一、推理代码（Inference）

1. 单张图片推理

from ultralytics import YOLO
import cv2

# 加载训练好的模型权重
model = YOLO('runs/ice_detection/exp/weights/best.pt')

# 图像路径
img_path = 'dataset/images/val/0001.jpg'

# 执行推理
results = model(img_path)

# 可视化结果
for r in results:
    im_array = r.plot()  # 绘制检测结果
    im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)  # 转换颜色空间以便OpenCV显示
    cv2.imshow('Detection Result', im)
    cv2.waitKey(0)  # 等待按键
    cv2.destroyAllWindows()  # 关闭窗口

2. 视频流推理

cap = cv2.VideoCapture('video.mp4')  # 替换为你的视频路径

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame)  # 对每一帧进行推理

    for r in results:
        im_array = r.plot()
        im = cv2.cvtColor(im_array, cv2.COLOR_RGB2BGR)
        cv2.imshow('Video Detection', im)
        if cv2.waitKey(1) == ord('q'):  # 按下 'q' 键退出
            break

cap.release()
cv2.destroyAllWindows()

---

📈 二、模型评估（Validation）

YOLOv8 提供了内置的验证功能，可以快速评估模型在验证集上的性能。

1. 使用命令行评估

yolo task=detect mode=val model=runs/ice_detection/exp/weights/best.pt data=data.yaml

2. 使用 Python API 进行评估

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/ice_detection/exp/weights/best.pt')

# 执行验证
metrics = model.val(data='data.yaml')  # data.yaml 是你的数据配置文件

# 打印关键指标
print("mAP50:", metrics.box.map50)  # 在 IoU=0.5 时的 mAP
print("mAP50-95:", metrics.box.map)   # 在 IoU=0.5~0.95 时的 mAP
print("Precision:", metrics.box.precision)  # 精度
print("Recall:", metrics.box.recall)        # 召回率

3. 评估结果说明

指标	含义
map50	在 IoU 阈值为 0.5 时的平均精度
map	在 IoU 阈值从 0.5 到 0.95 的平均精度
precision	精度，即预测为正类中真正为正类的比例
recall	召回率，即实际为正类中被正确预测的比例

---

📁 三、数据集结构回顾

确保你的数据集结构如下：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

data.yaml 示例内容：

train: dataset/images/train
val: dataset/images/val

nc: 1
names: ['Ice']

---

🧪 四、选：自定义评估指标（如 PR 曲线）

YOLOv8 会自动保存 PR 曲线和混淆矩阵在 runs/val/exp/ 目录下。你也可以使用 sklearn 自定义绘制 PR 曲线：

from sklearn.metrics import precision_recall_curve
import matplotlib.pyplot as plt

# 假设你有真实标签 y_true 和预测置信度 y_scores
precision, recall, thresholds = precision_recall_curve(y_true, y_scores)

plt.plot(recall, precision, marker='.')
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('Precision-Recall Curve')
plt.grid()
plt.show()

---