企业官网建设流程全解析

配套数据集：管道监测目标检测数据集，2 个类别leak(泄漏)、pipe(管道)，共 8718 张图

像，YOLO 标准标注格式，已划分 train/valid/test。

数据集是面向工业管道巡检场景的目标检测数据集，用于识别管道本体以及管道泄漏缺陷，可训练 AI 模型自动定位管道位置、识别管道泄漏点，适用于油气管道、市政输水管道、化工管线的视觉智能巡检任务。 数据集总图像数量8718 张，目标检测类别共 2 类：leak（泄漏）、pipe（管道），采用标准 YOLO 系列标注格式，可直接用于 YOLOv5/v8 等主流目标检测模型训练。管道监测与控制计算机视觉数据集介绍

一、环境准备

1. 硬件推荐

• 最低：GPU 显存 ≥6G（如 1660S/3060）；推荐显存 ≥8G，训练速度更快
• CPU 仅可做推理，训练速度极慢，不推荐

2. 软件环境安装（Python 3.8 ~ 3.11）

# 安装 ultralytics YOLOv8库 pip install ultralytics # 可选依赖（可视化、数据处理） pip install opencv-python matplotlib

安装完成后，可执行下面命令验证环境

yolo --version

二、数据集目录结构 & yaml 配置

1. 文件夹目录（固定结构）

pipeline_dataset/ ├─ images/ │ ├─ train/ # 训练集图片 │ ├─ valid/ # 验证集图片 │ └─ test/ # 测试集图片 ├─ labels/ │ ├─ train/ # 训练集txt标注 │ ├─ valid/ # 验证集txt标注 │ └─ test/ # 测试集txt标注 └─ pipeline.yaml # 数据集配置文件

2. pipeline.yaml 文件内容

train: ../train/images val: ../valid/images test: ../test/images nc: 2 names: ['leak', 'pipe']

注意：根据你实际存放位置，修改 train/val/test 的路径，使用相对路径或者绝对路径。 nc=2 代表 2 个类别，顺序必须和标注 txt 里面的类别 id 保持一致：0=leak，1=pipe。

三、数据校验（重要，提前排查标注错误）

运行代码检查图片、标签是否一一对应，排查空标注、损坏图片、类别 ID 越界问题：

from ultralytics import YOLO import os # 加载配置做数据集检查 model = YOLO("yolov8n.yaml") model.val(data="pipeline.yaml")

或者用命令行快速校验：

yolo val data=pipeline.yaml model=yolov8n.pt

若出现警告：存在空标签、图片损坏，需要提前清理，否则会影响训练效果。

四、模型训练

命令行训练（推荐）

yolo train data=pipeline.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=8 device=0

参数说明：

• data=pipeline.yaml：数据集配置文件
• model=yolov8n.pt：预训练权重，n = 轻量模型；s/m/l 依次精度更高、显存占用更大。项目落地优先 yolov8s
• epochs=100：训练轮次，管道检测场景一般 80~150 轮足够
• imgsz=640：输入图像分辨率
• batch=8：批次大小，显存不够就调小为 4、2
• device=0：使用 0 号 GPU；CPU 训练写device=cpu

Python 代码方式训练

from ultralytics import YOLO # 加载预训练权重 model = YOLO('yolov8s.pt') # 启动训练 results = model.train( data="pipeline.yaml", epochs=100, imgsz=640, batch=8, device=0, patience=15, # 早停，连续15轮无提升自动停止训练 project="pipeline_leak_exp", name="train_run1" )

训练输出结果位置

训练完成后，结果自动保存在runs/detect/train/

• best.pt：效果最优权重（推荐用于后续测试推理）
• last.pt：最后一轮权重
• 各类指标曲线、混淆矩阵、预测样例图片

五、模型测试 & 评估（在 test 测试集上验证）

使用训练得到的 best.pt 在独立测试集做评估，输出 mAP、精确率、召回率等指标

命令行

yolo val data=pipeline.yaml model=runs/detect/train/weights/best.pt split=test

Python 代码

from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") # 在test数据集评估 metrics = model.val(data="pipeline.yaml", split="test") print(f"mAP@0.5: {metrics.box.map50}") print(f"Precision: {metrics.box.p}") print(f"Recall: {metrics.box.r}")

重点关注指标： mAP@0.5：整体检测精度；leak泄漏属于小目标，召回率会低于 pipe 管道本体。

六、图片 / 视频实时推理（模拟现场巡检）

单张图片检测

yolo predict model=runs/detect/train/weights/best.pt source=test_img.jpg conf=0.3

视频推理（无人机巡检视频）

yolo predict model=runs/detect/train/weights/best.pt source=pipe_video.mp4 conf=0.3 save=True

• conf=0.3：置信度阈值，泄漏目标容易特征微弱，可降低阈值减少漏检；误报多时调高至 0.5
• 推理结果默认保存至runs/detect/predict/

Python 代码推理示例：

from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") res = model("test_img.jpg", conf=0.3) for r in res: boxes = r.boxes print(boxes.cls, boxes.conf) # 输出类别与置信度

七、模型导出（用于边缘设备部署，无人机 / 摄像头端）

导出 ONNX 格式，可部署在工控机、边缘盒子、AI 摄像头：

yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640

支持导出格式：onnx /tflite/torchscript，根据硬件平台选择。

八、调优建议（针对管道泄漏场景）

1. 泄漏 leak 属于小目标，容易漏检
   • 开启多尺度训练：增加参数scale=0.5
   • imgsz 可提升至 800，代价是显存占用翻倍
2. 背景杂草、泥土容易产生误检
   • 增加数据增强：hsv_h=0.015, hsv_s=0.7, hsv_v=0.4
   • 对泄漏样本做复制增强，平衡样本（很多数据集 pipe 样本远多于 leak 泄漏样本）
3. 训练不收敛 / 指标低：
   • 检查 yaml 类别顺序和标注 id 是否匹配
   • 清洗标注，剔除模糊、错标图片

九、常见问题

1. OOM 显存溢出：减小 batch 值，如 batch=2
2. 训练后泄漏识别效果差：泄漏样本数量偏少，可对 leak 类别做样本增强
3. 路径报错：yaml 里面路径不要包含中文、空格