电路绝缘检测（【2023-Pytorch-检测教程】手把手教你使用YOLOV5做电线绝缘子缺陷检测）
随着社会和经济的持续发展 ，电力系统的投资与建设也日益加速 。在电力系统中 ，输电线路作为电能传输的载体 ，是最为关键的环节之一 。而绝缘子作为输电环节中的重要设备 ，在支撑固定导线 ，保障绝缘距离的方面有着重要作用 。大多数高压输电线路主要架设在非城市内地区 ，绝缘子在输电线路中由于数量众多 、跨区分布 ，且长期暴露在空气中 ，受恶劣自然环境的影响 ，十分容易发生故障 。随着大量输电工程的快速建设 ，传统依靠人工巡检的模式 ，已经越来越难以适应高质量运维的要求 。随着国网公司智能化要求的提升 ，无人机技术的快速应用 ，采取无人机智能化巡视 ，能够大幅度减少运维人员及时间 ，提升质量 ，因此得到快速发展 。
深度学习技术的大量应用 ，计算机运算性能的不断提高 ，为无人机准确识别和定位绝缘子 ，实时跟踪拍摄开辟了新的解决途径 。本文对输电线路中绝缘子进行识别及定位 ，利用深度学习技术采取基于YOLOv5 算法的目标检测手段 ，结合绝缘子数据集的特点 ，对无人机拍摄图片进行训练 ，实现对绝缘子精准识别和定位 ，大幅提升无人机巡检时对绝缘子设备准确跟踪 、判定的效率 ，具有十分重要的应用效果 。
废话不多说 ，咱们先看两张实际效果 。
注意事项
尽量使用英文路径 ，避免中文路径 ，中文路径可能会导致代码安装错误和图片读取错误 。 pycharm运行代码一定要注意左下角是否在虚拟环境中 。 库的版本很重要 ，使用本教程提供的代码将会事半功倍遇到解决不了的问题可以通过私信（QQ:3045834499）联系我 ，粉丝儿朋友远程调试该项目（包含数据集和训练好的三组模型）仅需99个圆子 。
前期准备
项目下载地址： YOLOV5电线绝缘子缺陷检测数据集+代码+模型+教学视频+参考论文资源-CSDN文库
电脑设置
大部分小伙伴使用的电脑一般都是windows系统 ，在windows系统下跑代码 ，难免会遇到各种各样的bug ，首先是编码问题 ，为了防止代码在运行过程中 ，出现编码错误 ，我们首先要将我们电脑的语言设置为utf-8格式 ，具体如下 。首先在搜索框搜索语言 ，点击这里 。
找到管理语言设置 。
勾选utf-8即可 。
另外有的电脑初始设置的时候内存是由电脑自行分配的 ，很可能在运行训练代码的时候出现显存溢出的情况 ，为了防止该情况的出现 ，我们需要在高级系统设置中对虚拟内存进行设置 ，如下 。
首先打开高级系统设置 ，点开性能中的设置 。
在高级中找到虚拟内存的设置 。
以d盘为例 ，这里我们将虚拟内存设置在4G到8G之间 ，其余操作一样 。
其他盘也设置完成之后 ，点击确定之后按照电脑提示重启即可 。
相关软件安装
Nvidia驱动安装（可选）
首先是驱动的安装 ，这个小节主要是针对电脑带有Nvidia显卡的小伙伴 ，如果你的电脑没有Nvidia显卡 ，你直接跳过就可以了 ，你可以通过右下方的任务栏判断是是否具有这个显卡 ，如果是笔者这里的绿色小眼睛图标 ，说明你是具有Nvidia显卡的 。
驱动下载的地址为：官方驱动 | NVIDIA
注意请按照你电脑具体的型号来选择驱动文件 ，不清楚的可以通过设备管理器来查看你显卡的具体型号 。
下载exe文件之后 ，直接下一步下一步按照默认安装就好 ，注意这里最好按照默认目录安装 ，否则可能导致安装失败的情况如下 ，安装完毕之后重启电脑 ，在命令行中输入nvidia-smi ，如果正常输出显卡的信息说明显卡驱动安装已经成功 。
另外 ，这里多叭叭两句 。
很多的远古教程会教你去安装cuda和cudnn ，这个过程非常麻烦 ，并且需要你注册nvidia的账户 ，由于众所周知的原因 ，账户注册就很繁琐 。其实 ，在新版本的驱动安装中 ，就已经自带最新版本的cuda ，比如我上图所示的在笔者驱动安装完毕之后已经自带了12.0的cuda ，cuda这个东西是向下兼容的 ，后续的cudnn那些我们直接通过anaconda来安装就可以了 ，这样真的省心很多 。
Anaconda安装
conda是一个开源的包 、环境管理器 ，可以用于在同一个机器上安装不同版本的软件包及其依赖 ，并能够在不同的环境之间切换 。我强烈推荐你使用他 ，他的作用类似于java中的maven和我们平时使用的虚拟机 ，他能够保证的项目之间互相是隔离的 。举个简单的例子 ，如果你同时有两个项目 ，你一个使用的pytorch1.8 ，一个用的是pytorch1.10 ，这样一个环境肯定就不够了 ，这个时候anaconda就派上大用场了 ，他可以创建两个环境 ，各用各的 ，互不影响 。
Anaconda有完全版本和Miniconda ，其中完整版太臃肿了 ，我这边推荐使用miniconda ，下载地址在：Index of /anaconda/miniconda/ | 北京外国语大学开源软件镜像站 | BFSU Open Source Mirror
下滑到最下方 ，点击这个版本的下载即可 。
同样的 ，下载之后安装即可 ，注意不要安装在C盘！！！ ，另外 ，添加到系统路径这个选项也请务必选上 ，后面使用起来会带来很多便捷 ，并且这里的安装位置请你一定要记得 ，后面我们在Pycharm中将会使用到 。
Pycharm安装
OK ，Anaconda安装完成之后 ，我们还需要一个编辑器来写代码 ，这里推荐大家使用Pycharm ，Pycharm有专业版和社区版 ，社区版是免费的 ，专业版如果你有教育邮箱的话也可以通过教育邮箱注册账户来使用 ，但是社区版的功能已经够绝大多数小伙伴来用了 ，Pycharm的下载地址在：Download PyCharm: Python IDE for Professional Developers by JetBrains
注意也是安装的时候不要安装在c盘 ，并且安装过程中这些可选的选项要勾上 。
完成之后 ，比如我们用pycharm打开一个项目 ，在新版本的下方会出现命令行无法使用的情况 。请使用管理员模型打开powershell 。
然后执行执行指令set-ExecutionPolicy RemoteSigned ，输入Y然后enter完成即可 。
另外 ，在Pycharm的右下方是表示的是你所处的虚拟环境 ，这里先简单说下在pycharm中如何使用anaconda中创建的虚拟环境 。
点击ok之后 ，右下角出现你的虚拟环境名称就表示成功了 。
以上这些步骤完成之后 ，恭喜你 ，差不多一半的工作就完事了 ，剩下无非就是根据不同的项目来配置环境和执行代码了 。
嗷 ，对这里我们也说一下 ，如何在Pycharm中选Anaconda的虚拟环境 。
环境配置
OK ，来到关键环境配置的部分 ，首先大家下载代码之后会得到一个压缩包 ，在当前文件夹解压之后 ，进入CMD开始我们的环境配置环节 。
为了加快后期第三方库的安装速度 ，我们这里需要添加几个国内的源进来 ，直接复制粘贴下面的这些指令到你的命令行即可 。
conda config --remove-key channels conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple执行完毕大概是下面这个样子 ，后面你就可以飞速下载这些库了 。
创建虚拟环境
首先 ，我们需要根据我们的项目来创建一个虚拟环境 ，通过下面的指令创建并激活虚拟环境 。
我们创建一个Python版本为3.8.5 ，环境名称为yolo的虚拟环境 。
conda create -n yolo python==3.8.5 conda activate yolo切记！这里一定要激活你的虚拟环境 ，否则后续你的库会安装在基础环境中 ，前面的小括号表示你处于的虚拟环境 。
Pytorch安装
注意Pyotorch和其他库不太一样 ，Pytorch的安装涉及到conda和cudnn ，一般而言 ，对于30系的显卡 ，我们的cuda不能小于11 ，对于10和20系的显卡 ，一般使用的是cuda10.2 。下面给出了30系显卡 、30系以下显卡和cpu的安装指令 ，请大家根据自己的电脑配置自行下载 。笔者这里是3060的显卡 ，所以执行的是第一条指令 。
conda install pytorch==1.10.0 torchvision torchaudio cudatoolkit=11.3 # 30系列以上显卡gpu版本pytorch安装指令 conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 10系和20系以及mx系列的执行这条 conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly # CPU的小伙伴直接执行这条命令即可安装之后 ，可以和笔者一样 ，输入下面的指令测试以下gpu是否可用 ，如果输出的是true表示GPU是可用的 。
其余库安装
其余库的安装就非常简单了 ，我们通过pip来进行安装 ，注意这里一定要确保你执行的目录下有requirements.txt这个文件 ，否则你将会遇到文件找不到的bug ，你可以通过dir指令来查看是否有这个文件 。
pip install -r requirements.txtPycharm中运行
一是为了查看代码方便 ，二是为了运行方便 ，这里我们使用Pycharm打开项目 ，点击这里右键文件夹直接打开项目即可非常方便 。
打开之后你将会看到这样的一个界面 ，其中左侧是文件浏览器 ，中间是编辑器 ，下方是一些工具 ，右下角是你所处的虚拟环境 。
之后 ，我们就需要为当前的项目选择虚拟环境了 ，这一步非常重要 ，有的兄弟配置好了没选环境 ，你将会遇到一堆奇怪的bug ，选环境的步骤如下 。
首先点击 ，添加解释器 。
三步走选择我们刚才创建的虚拟环境 ，点击ok 。
之后你可以你可以右键执行main_window.py这个文件 ，出现下面的画面说明你就成功了 。
数据集准备
数据集这里我放在了CSDN中 ，大家可以执行标注准备数据集 ，或者使用这里我处理好的数据集 ，数据集下载之后放在和代码目录同级的data目录下 。
数据集打开之后你将会看到两个文件夹 ，images目录存放图片文件 ，labels目录存放标签文件 。
之后记住你这里的数据集路径 ，在后面的训练中我们将会使用到 ，比如笔者这里的F:\new_project\sfid\data\target_sfid 。
训练和测试
注：这里你可以选择去自己尝试以下 ，笔者在runs的train目录下已经放了训练好的模型 ，你是可以直接使用 。
下面就是训练的过程 ，笔者这里已经将数据集和模型的配置文件写好了 ，你只需要将数据集中的数据路径替换成你的路径 ，执行go_train.py即可开始训练了 。
执行go_train.py文件中 ，包含三条指令 ，分别表示yolov5中small模型 、medium模型和large模型 ，比如我这里要训练s模型 ，我就将其他两个模型训练的指令注释掉就好了 。
运行之后 ，下方会输出运行的信息 ，这里的红色只是日志信息 ，不是报错 ，大家不要惊慌 。
以笔者这里的s模型为例 ，详细含义如下 。
图形化程序
最后就是执行我们的图形化界面程序了 。
直接右键执行window_main.py执行即可 ，这里上两章效果图 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！