光伏面板缺陷检测数据集，![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/66d9cc439ed6ccccab5cae68ea51418b.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/ba5c8484c66e6d300a142073c3d42295.png)
3636张，yolo和voc两种标注方式
6类，标注数量：
Defective-缺陷: 2090
Bird Drop-鸟粪: 2217
Snow-积雪: 2185
Non Defective-无缺陷: 2273
Dust-尘土: 2185
Physical Damage-物理损坏: 2302
image num: 3636![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/72c8630dce3da54678582ea0b19c0c78.png)


2.模型代码：模型训练使用yolov11n训练，30个epoch训练结果，map如描述图所示，附全套代码和训练好的权重文件。![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/9367813cd79aed99e65b9821d888c598.png)



3.qt界面：可视化运行界面采用pyqt编写，可视化界面简单友好，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/fd3daf06ef50a53e66d7c85198d0f18f.png)




![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/d8945fb95862bd76a1b66f5e78ea894a.png)


)
```


# YOLOv11光伏面板污损检测完整工程代码
## pv.yaml
```yaml
path: ./datasets/pv
train: images/train
val: images/val
test: images/test
names:
  0: Defective
  1: Bird Drop
  2: Snow
  3: Non Defective
  4: Dust
  5: Physical Damage
```
## train.py
```python
from ultralytics import YOLO
model=YOLO("yolo11n.pt")
model.train(data="pv.yaml",epochs=80,imgsz=640,batch=16,device=0)
```
## PyQt5界面
```python
import sys,cv2
from PyQt5.QtWidgets import *
from PyQt5.QtGui import *
from PyQt5.QtCore import Qt,QTimer
from ultralytics import YOLO
class PvDetect(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLOv11的光伏面板污损检测系统")
        self.resize(1250,820)
        self.model=YOLO("runs/train/pv/weights/best.pt")
        self.cap=None
        self.timer=QTimer()
        self.timer.timeout.connect(self.frame)
        self.ui()
    def ui(self):
        w=QWidget()
        self.setCentralWidget(w)
        lay=QGridLayout(w)
        self.imgLab=QLabel("图像区")
        self.imgLab.setFixedSize(640,640)
        self.imgLab.setStyleSheet("border:1px solid #666")
        lay.addWidget(self.imgLab,0,0,4,1)
        lay.addWidget(QPushButton("图片检测",clicked=self.imgDet),0,1)
        lay.addWidget(QPushButton("视频检测",clicked=self.vidDet),1,1)
        lay.addWidget(QPushButton("摄像头",clicked=self.openCam),2,1)
        self.info=QTextEdit()
        self.info.setReadOnly(True)
        lay.addWidget(self.info,3,1)
        self.table=QTableWidget(0,5)
        self.table.setHorizontalHeaderLabels(["序号","路径","类别","置信度","坐标"])
        lay.addWidget(self.table,4,0,1,2)
    def imgDet(self):
        p,_=QFileDialog.getOpenFileName()
        if not p:return
        res=self.model.predict(p,conf=0.5)[0]
        img=cv2.imread(p)
        self.table.setRowCount(0)
        for i,box in enumerate(res.boxes):
            x1,y1,x2,y2=map(int,box.xyxy[0])
            conf=float(box.conf[0])
            cls=self.model.names[int(box.cls[0])]
            cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)
            cv2.putText(img,f"{cls} {conf:.2f}",(x1,y1-8),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)
            r=self.table.rowCount()
            self.table.insertRow(r)
            self.table.setItem(r,0,QTableWidgetItem(str(i+1)))
            self.table.setItem(r,1,QTableWidgetItem(p))
            self.table.setItem(r,2,QTableWidgetItem(cls))
            self.table.setItem(r,3,QTableWidgetItem(f"{conf*100:.2f}%"))
            self.table.setItem(r,4,QTableWidgetItem(f"[{x1},{y1},{x2},{y2}]"))
        rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
        hh,ww,c=rgb.shape
        qim=QImage(rgb.data,ww,hh,c*ww,QImage.Format_RGB888)
        self.imgLab.setPixmap(QPixmap.fromImage(qim).scaled(640,640,Qt.KeepAspectRatio))
        self.info.append(f"检测目标总数:{len(res.boxes)}")
    def vidDet(self):
        f,_=QFileDialog.getOpenFileName()
        if not f:return
        self.cap=cv2.VideoCapture(f)
        self.timer.start(30)
    def openCam(self):
        self.cap=cv2.VideoCapture(0)
        self.timer.start(30)
    def frame(self):
        ret,frm=self.cap.read()
        if not ret:
            self.timer.stop()
            return
        res=self.model.predict(frm,conf=0.5)[0]
        for box in res.boxes:
            x1,y1,x2,y2=map(int,box.xyxy[0])
            conf=float(box.conf[0])
            cls=self.model.names[int(box.cls[0])]
            cv2.rectangle(frm,(x1,y1),(x2,y2),(0,255,0),2)
            cv2.putText(frm,f"{cls} {conf:.2f}",(x1,y1-8),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)
        rgb=cv2.cvtColor(frm,cv2.COLOR_BGR2RGB)
        hh,ww,c=rgb.shape
        qim=QImage(rgb.data,ww,hh,c*ww,QImage.Format_RGB888)
        self.imgLab.setPixmap(QPixmap.fromImage(qim).scaled(640,640,Qt.KeepAspectRatio))
if __name__=="__main__":
    app=QApplication(sys.argv)
    win=PvDetect()
    win.show()
    sys.exit(app.exec_())
```
依赖安装
```bash
pip install ultralytics opencv-python pyqt5
```


光伏面板缺陷检测数据集，3636张，yolo和voc两种标注方式6类，标注数量：Defective-缺陷: 2090Bird Drop-鸟粪: 2217Snow-积雪: 2185Non Defective-无缺陷: 2273Dust-尘土: 2185Physical Damage-物理损坏: 2302image num: 3636

光伏面板缺陷检测数据集

人工智能

开发工具

硬件

基于YOLOv11的光伏面板污损检测系统，包含3636张标注图像与6类缺陷（鸟粪、积雪、尘土等），提供YOLO/VOC双格式数据集、完整训练代码及预训练权重，附带PyQt5可视化界面，支持图片、视频和摄像头实时检测，配置环境即可直接运行。

代码解释

YOLO

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

光伏面板缺陷检测数据集-腾讯云开发者社区-腾讯云

光伏面板缺陷检测数据集

光伏面板缺陷检测数据集

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐