简介本资源为面向YOLO目标检测学习者的太阳能光伏板检测数据集适合从事新能源运维、智能巡检及计算机视觉方向的研究者与开发者用于训练和验证光伏板识别与缺陷检测模型。压缩包共收录2000个文件以XML标注文件为主对应24577张高变焦图像整体约620.88MB标注信息涵盖光伏板位置及健康状况等细节便于直接接入YOLO训练流程。数据集覆盖不同视角、光照与环境背景高分辨率特性有利于识别裂纹、污渍、遮挡等微小缺陷。目前已有537人学习下载可为光伏电站自动化巡检、缺陷定位与维护决策提供数据支撑帮助读者快速搭建检测实验、评估模型鲁棒性并优化检测精度。1. 太阳能光伏板检测24577 张带标签图像到底能训出什么拿到一个 24577 张图像、带标签、主打高变焦的太阳能电池板数据集第一反应不该是「数据量真大」而是「这批标签的粒度能不能撑起 YOLO 的回归头」。光伏板检测在工业巡检里是个很具体的活无人机或固定机位拍回来的板阵图要框出每一块组件、标出热斑、隐裂、遮挡、积灰这些异常区域。24577 张的量级放在通用检测里不算夸张但放在单一品类光伏板上已经足够让一个中等规模的 YOLO 模型收敛到可用精度。高变焦意味着同一块板在不同焦距下尺度差异极大小目标占比高这对 YOLO 的 P3 特征层和 anchor 匹配策略是直接考验。这篇笔记面向的是手里已经拿到或准备找这类数据集、想跑通光伏板检测的工程师从标签格式、训练参数、显存占用一路讲到边缘部署的误检排查不绕弯子。2. 从 24577 张图到 YOLO 可读标签格式、划分与增强策略2.1 先搞清楚标签是 VOC XML 还是 YOLO TXT数据集标称「带标签」但标签格式决定了你后面要不要写转换脚本。光伏板检测数据集常见的两种Pascal VOC 的 XML每张图一个 xml含 bndbox 的 xmin/ymin/xmax/ymax和 YOLO 的 TXT每张图一个 txt每行class cx cy w h全部归一化到 0~1。24577 张的规模如果拿到的是 XML转换是第一步不能跳过。判断方法很直接解压后看标注目录里是.xml还是.txt。如果是 XML用下面这个脚本转成 YOLO 格式注意类别映射要和你自己的data.yaml对齐。import os import xml.etree.ElementTree as ET # 类别名到索引的映射必须和 data.yaml 里的 names 顺序一致 CLASS_MAP {panel: 0, hotspot: 1, crack: 2, dust: 3} def voc_to_yolo(xml_path, out_txt_path, img_w, img_h): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text.strip() if name not in CLASS_MAP: continue # 未定义类别直接丢弃避免训练时索引越界 bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 归一化并转为中心点宽高 cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h # 裁剪到 [0,1]防止标注越界导致 loss 爆炸 cx, cy min(max(cx, 0), 1), min(max(cy, 0), 1) w, h min(max(w, 0), 1), min(max(h, 0), 1) lines.append(f{CLASS_MAP[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(out_txt_path, w) as f: f.write(\n.join(lines))逻辑说明VOC 的坐标是绝对像素值YOLO 要的是归一化后的中心点加宽高这个转换里最容易翻车的是图像尺寸取错——必须用该图真实的width/height不能统一用 640。参数上CLASS_MAP的索引顺序一旦定了就不能改改了要重新生成所有标签。转换完抽查 5 张图用labelImg或cv2画框回显确认框位置没偏移。2.2 训练集/验证集/测试集怎么切才不泄漏24577 张图如果来自同一批无人机航拍同一块板阵的连续帧之间高度相似。随机切分会导致验证集里出现和训练集几乎一样的图mAP 虚高。正确做法是按「板阵编号」或「拍摄架次」分组切分同一组的图只进一个集合。常见比例 8:1:1但光伏巡检场景我一般用 7:2:1验证集留大一点因为异常样本热斑、隐裂本身稀少切太小验证集里可能一个正样本都没有。# 按文件名前缀分组后切分假设文件名格式为 arrayID_frameID.jpg python split_by_group.py --img_dir images --label_dir labels \ --group_regex ^(.*?)_ --ratios 0.7 0.2 0.1 --seed 42参数说明--group_regex用来提取分组键光伏数据集里通常是板阵 ID--seed固定后切分可复现。切完检查三个集合的类别分布如果验证集里某类为 0要么调整比例要么对该类做过采样。2.3 高变焦图像的增强mosaic 要慎用高变焦意味着同一目标在不同图里尺度跨度大YOLO 默认的 mosaic 增强四图拼接能提升小目标召回但在光伏板场景有个坑拼接后一块板的上下半部分可能来自不同焦距的图纹理断裂模型学到的是伪特征。我的做法是 mosaic 概率从 1.0 降到 0.3同时把scale抖动范围收窄到 0.3~0.7配合copy_paste对小目标热斑做复制粘贴增强。如果用的是 YOLOv8直接在data.yaml同级写hyp.yaml覆盖默认值。注意增强参数改完先跑 10 个 epoch 看 loss 曲线mosaic 概率过高时 cls loss 会震荡这是尺度不一致的典型信号。3. YOLO 训练光伏板检测显存、batch 与损失函数调参3.1 模型选型v8n 还是 v8m看你的显存和边缘设备24577 张图、单类别为主的光伏板检测YOLOv8n 在 V100 上 batch64 大概 6GB 显存v8m 要 14GB 左右。如果最终要部署到 RK3588 或树莓派这类边缘设备直接选 v8n别在训练阶段用大模型再蒸馏光伏板检测的类内差异小n 版本足够。如果只做服务器端巡检v8m 的 mAP 通常比 n 高 2~4 个点值得上。yolo 系列对比里v8 的 anchor-free 头对光伏板这种长宽比接近 1:2 的目标比 v5 的 anchor-based 更省心不用重新聚类 anchor。# YOLOv8 训练命令关键参数逐个说明 yolo detect train \ data./solar_panel.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch64 \ workers8 \ device0 \ optimizerSGD \ lr00.01 \ lrf0.01 \ momentum0.937 \ weight_decay0.0005 \ warmup_epochs3 \ mosaic0.3 \ scale0.5 \ close_mosaic10 \ patience30 \ projectruns/solar \ namev8n_24577参数说明imgsz640是起点如果小目标热斑漏检严重提到 1024 但 batch 要相应降到 16 或 32close_mosaic10表示最后 10 个 epoch 关闭 mosaic让模型在真实分布上收尾这个对光伏板检测的最终 mAP 影响很大patience30是早停光伏数据集容易过拟合验证 loss 连续 30 轮不降就停。lr00.01配合 SGD 是 v8 的推荐组合如果换 AdamWlr 要降到 0.001。3.2 损失函数里 cls 和 box 的权重怎么调YOLOv8 的损失是 box loss cls loss dfl loss 的加权和。光伏板检测的难点在 box 回归——板子边缘清晰但密集排列相邻板之间只有几个像素间隙box loss 权重不够时框会粘连。默认box7.5、cls0.5如果发现检测框把两块板框成一块把 box 提到 8.5~9.0cls 降到 0.3~0.4。反过来如果类别混淆严重把积灰判成热斑cls 提到 0.8。这些值在hyp.yaml里改不要动源码。# hyp.yaml 关键片段 box: 8.5 # 提高框回归权重缓解密集板粘连 cls: 0.4 # 降低分类权重光伏板类别少不需要太强分类信号 dfl: 1.5 # 分布式焦点损失默认 1.5小目标多可提到 2.0注意改损失权重后必须重新 warmup否则前期 loss 会突然跳变BN 统计量来不及适应严重时直接 NaN。3.3 BN 崩溃和显存溢出的排查顺序训练中 BN 崩溃loss 变 NaN在光伏数据集上不罕见原因通常是某个 batch 里全是纯色天空或纯色板面方差接近 0。排查顺序先看batch是不是太大导致单批内样本多样性下降降到 32 试再看学习率lr00.01对 v8n 偏大时前期容易炸降到 0.005最后检查数据里有没有损坏图像全黑或全白用下面脚本扫一遍。import cv2 import numpy as np from pathlib import Path bad [] for p in Path(images).glob(*.jpg): img cv2.imread(str(p)) if img is None: bad.append((p, read_fail)) continue std np.std(img) if std 5: # 方差过小近似纯色 bad.append((p, flow_std:{std:.2f})) print(f可疑图像 {len(bad)} 张) for b in bad[:20]: print(b)逻辑说明np.std低于 5 基本可以判定为纯色或损坏图这类图进训练会直接拉低 BN 统计量的稳定性。参数上阈值 5 是经验值光伏板正常图 std 通常在 30 以上。扫出来的图要么删要么单独放一个集合不参与训练。4. 光伏板检测的避坑与排查5 个血泪教训4.1 现象mAP 很高但实际巡检漏检严重原因验证集和训练集同源模型记住了背景纹理而不是板子本身。解决按板阵分组切分并且验证集里必须包含至少一个训练集没出现过的板阵。如果做不到至少做一次跨焦距验证——用长焦图训练短焦图验证。4.2 现象训练到 50 epoch 后 loss 突然 NaN原因BN 崩溃通常是某个 batch 里出现了纯色图或标注框宽高为 0。解决先扫损坏图再检查标签里有没有w0或h0的行有就删。然后把lr0降到 0.005warmup_epochs提到 5。4.3 现象小目标热斑召回率极低原因imgsz640下热斑可能只有 8×8 像素P3 特征层下采样 8 倍后只剩 1 个像素。解决训练imgsz提到 1024或者改用 YOLOv8 的p2配置增加一个更高分辨率的检测头但显存会翻倍。另一个办法是把热斑单独切图做二次分类检测阶段只框板子。4.4 现象相邻板框粘连NMS 后只剩一个大框原因box loss 权重不够或者 NMS 的 IoU 阈值太高。解决box提到 8.5NMS 的iou从默认 0.7 降到 0.5让重叠框更容易被抑制。如果还不行检查标注里相邻板之间有没有留间隙标注时框贴太紧也会导致这个问题。4.5 现象边缘部署后误检率飙升原因训练用的高变焦图和部署时的固定机位图分布不一致模型把云影、支架阴影判成热斑。解决部署前用现场图做一次微调至少 200 张lr00.001只训 20 个 epoch。另外在推理端加一个基于板面位置的过滤——热斑必须落在板子框内框外的检测结果直接丢弃。5. 从训练到 RK3588 部署量化、推理与一个验证技巧训练完的.pt要上 RK3588中间要过 ONNX 和 RKNN 两步。光伏板检测模型量化时有个细节热斑这类小目标对量化误差敏感INT8 量化后召回可能掉 5~10 个点。我的做法是量化校准集里必须包含至少 300 张有热斑的图否则校准出来的 scale 偏向背景。转换命令如下# pt - onnx yolo export modelruns/solar/v8n_24577/weights/best.pt formatonnx opset12 imgsz640 # onnx - rknn在 RK3588 的 docker 环境里 python convert_rknn.py --onnx best.onnx --output solar_v8n.rknn \ --dataset calibration_images/ --quantized_dtype asymmetric_quantized-8参数说明opset12是 RKNN 工具链兼容性最好的版本calibration_images/里放 300~500 张现场图必须覆盖不同光照asymmetric_quantized-8对光伏板这种对比度高的场景比对称量化精度好。部署后验证别只看 mAP用下面这个技巧把推理结果按板阵位置聚类统计每块板的检测框数量正常应该等于板子实际数量。如果某块板检测出 0 个框说明漏检检测出 2 个以上说明误检或框粘连。这个指标比 mAP 更贴近巡检业务能直接暴露模型在密集板阵上的问题。# 按板阵位置统计检测框数量快速定位漏检/误检 import numpy as np def check_per_array(detections, array_boxes): # detections: Nx4 检测框, array_boxes: Mx4 板阵区域 for i, ab in enumerate(array_boxes): x1, y1, x2, y2 ab count 0 for d in detections: cx, cy (d[0]d[2])/2, (d[1]d[3])/2 if x1 cx x2 and y1 cy y2: count 1 print(f板阵 {i}: 检测到 {count} 块)逻辑说明array_boxes是板阵的粗略区域可以人工标一次或从大框聚类得到。参数上如果某板阵的检测数和实际板数偏差超过 10%就重点看这个区域的图。这个习惯帮我省了很多后悔药——mAP 涨了但业务指标没动的情况十有八九是密集板阵在拖后腿。我自己的教训是光伏板检测别迷信 mAP24577 张图训出来的模型在验证集上 0.92 的 mAP到现场第一周就漏了三块热斑板。后来把验证集换成跨板阵、跨焦距的图mAP 掉到 0.85但现场漏检率降了一半。数据集的量级是底气但切分方式和验证指标才是决定能不能落地的黑匣子。希望帮到你。本文还有配套的精品资源点击获取
基于24577张图像的光伏板检测：YOLO训练与RK3588部署实战
简介本资源为面向YOLO目标检测学习者的太阳能光伏板检测数据集适合从事新能源运维、智能巡检及计算机视觉方向的研究者与开发者用于训练和验证光伏板识别与缺陷检测模型。压缩包共收录2000个文件以XML标注文件为主对应24577张高变焦图像整体约620.88MB标注信息涵盖光伏板位置及健康状况等细节便于直接接入YOLO训练流程。数据集覆盖不同视角、光照与环境背景高分辨率特性有利于识别裂纹、污渍、遮挡等微小缺陷。目前已有537人学习下载可为光伏电站自动化巡检、缺陷定位与维护决策提供数据支撑帮助读者快速搭建检测实验、评估模型鲁棒性并优化检测精度。1. 太阳能光伏板检测24577 张带标签图像到底能训出什么拿到一个 24577 张图像、带标签、主打高变焦的太阳能电池板数据集第一反应不该是「数据量真大」而是「这批标签的粒度能不能撑起 YOLO 的回归头」。光伏板检测在工业巡检里是个很具体的活无人机或固定机位拍回来的板阵图要框出每一块组件、标出热斑、隐裂、遮挡、积灰这些异常区域。24577 张的量级放在通用检测里不算夸张但放在单一品类光伏板上已经足够让一个中等规模的 YOLO 模型收敛到可用精度。高变焦意味着同一块板在不同焦距下尺度差异极大小目标占比高这对 YOLO 的 P3 特征层和 anchor 匹配策略是直接考验。这篇笔记面向的是手里已经拿到或准备找这类数据集、想跑通光伏板检测的工程师从标签格式、训练参数、显存占用一路讲到边缘部署的误检排查不绕弯子。2. 从 24577 张图到 YOLO 可读标签格式、划分与增强策略2.1 先搞清楚标签是 VOC XML 还是 YOLO TXT数据集标称「带标签」但标签格式决定了你后面要不要写转换脚本。光伏板检测数据集常见的两种Pascal VOC 的 XML每张图一个 xml含 bndbox 的 xmin/ymin/xmax/ymax和 YOLO 的 TXT每张图一个 txt每行class cx cy w h全部归一化到 0~1。24577 张的规模如果拿到的是 XML转换是第一步不能跳过。判断方法很直接解压后看标注目录里是.xml还是.txt。如果是 XML用下面这个脚本转成 YOLO 格式注意类别映射要和你自己的data.yaml对齐。import os import xml.etree.ElementTree as ET # 类别名到索引的映射必须和 data.yaml 里的 names 顺序一致 CLASS_MAP {panel: 0, hotspot: 1, crack: 2, dust: 3} def voc_to_yolo(xml_path, out_txt_path, img_w, img_h): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text.strip() if name not in CLASS_MAP: continue # 未定义类别直接丢弃避免训练时索引越界 bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 归一化并转为中心点宽高 cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h # 裁剪到 [0,1]防止标注越界导致 loss 爆炸 cx, cy min(max(cx, 0), 1), min(max(cy, 0), 1) w, h min(max(w, 0), 1), min(max(h, 0), 1) lines.append(f{CLASS_MAP[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(out_txt_path, w) as f: f.write(\n.join(lines))逻辑说明VOC 的坐标是绝对像素值YOLO 要的是归一化后的中心点加宽高这个转换里最容易翻车的是图像尺寸取错——必须用该图真实的width/height不能统一用 640。参数上CLASS_MAP的索引顺序一旦定了就不能改改了要重新生成所有标签。转换完抽查 5 张图用labelImg或cv2画框回显确认框位置没偏移。2.2 训练集/验证集/测试集怎么切才不泄漏24577 张图如果来自同一批无人机航拍同一块板阵的连续帧之间高度相似。随机切分会导致验证集里出现和训练集几乎一样的图mAP 虚高。正确做法是按「板阵编号」或「拍摄架次」分组切分同一组的图只进一个集合。常见比例 8:1:1但光伏巡检场景我一般用 7:2:1验证集留大一点因为异常样本热斑、隐裂本身稀少切太小验证集里可能一个正样本都没有。# 按文件名前缀分组后切分假设文件名格式为 arrayID_frameID.jpg python split_by_group.py --img_dir images --label_dir labels \ --group_regex ^(.*?)_ --ratios 0.7 0.2 0.1 --seed 42参数说明--group_regex用来提取分组键光伏数据集里通常是板阵 ID--seed固定后切分可复现。切完检查三个集合的类别分布如果验证集里某类为 0要么调整比例要么对该类做过采样。2.3 高变焦图像的增强mosaic 要慎用高变焦意味着同一目标在不同图里尺度跨度大YOLO 默认的 mosaic 增强四图拼接能提升小目标召回但在光伏板场景有个坑拼接后一块板的上下半部分可能来自不同焦距的图纹理断裂模型学到的是伪特征。我的做法是 mosaic 概率从 1.0 降到 0.3同时把scale抖动范围收窄到 0.3~0.7配合copy_paste对小目标热斑做复制粘贴增强。如果用的是 YOLOv8直接在data.yaml同级写hyp.yaml覆盖默认值。注意增强参数改完先跑 10 个 epoch 看 loss 曲线mosaic 概率过高时 cls loss 会震荡这是尺度不一致的典型信号。3. YOLO 训练光伏板检测显存、batch 与损失函数调参3.1 模型选型v8n 还是 v8m看你的显存和边缘设备24577 张图、单类别为主的光伏板检测YOLOv8n 在 V100 上 batch64 大概 6GB 显存v8m 要 14GB 左右。如果最终要部署到 RK3588 或树莓派这类边缘设备直接选 v8n别在训练阶段用大模型再蒸馏光伏板检测的类内差异小n 版本足够。如果只做服务器端巡检v8m 的 mAP 通常比 n 高 2~4 个点值得上。yolo 系列对比里v8 的 anchor-free 头对光伏板这种长宽比接近 1:2 的目标比 v5 的 anchor-based 更省心不用重新聚类 anchor。# YOLOv8 训练命令关键参数逐个说明 yolo detect train \ data./solar_panel.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch64 \ workers8 \ device0 \ optimizerSGD \ lr00.01 \ lrf0.01 \ momentum0.937 \ weight_decay0.0005 \ warmup_epochs3 \ mosaic0.3 \ scale0.5 \ close_mosaic10 \ patience30 \ projectruns/solar \ namev8n_24577参数说明imgsz640是起点如果小目标热斑漏检严重提到 1024 但 batch 要相应降到 16 或 32close_mosaic10表示最后 10 个 epoch 关闭 mosaic让模型在真实分布上收尾这个对光伏板检测的最终 mAP 影响很大patience30是早停光伏数据集容易过拟合验证 loss 连续 30 轮不降就停。lr00.01配合 SGD 是 v8 的推荐组合如果换 AdamWlr 要降到 0.001。3.2 损失函数里 cls 和 box 的权重怎么调YOLOv8 的损失是 box loss cls loss dfl loss 的加权和。光伏板检测的难点在 box 回归——板子边缘清晰但密集排列相邻板之间只有几个像素间隙box loss 权重不够时框会粘连。默认box7.5、cls0.5如果发现检测框把两块板框成一块把 box 提到 8.5~9.0cls 降到 0.3~0.4。反过来如果类别混淆严重把积灰判成热斑cls 提到 0.8。这些值在hyp.yaml里改不要动源码。# hyp.yaml 关键片段 box: 8.5 # 提高框回归权重缓解密集板粘连 cls: 0.4 # 降低分类权重光伏板类别少不需要太强分类信号 dfl: 1.5 # 分布式焦点损失默认 1.5小目标多可提到 2.0注意改损失权重后必须重新 warmup否则前期 loss 会突然跳变BN 统计量来不及适应严重时直接 NaN。3.3 BN 崩溃和显存溢出的排查顺序训练中 BN 崩溃loss 变 NaN在光伏数据集上不罕见原因通常是某个 batch 里全是纯色天空或纯色板面方差接近 0。排查顺序先看batch是不是太大导致单批内样本多样性下降降到 32 试再看学习率lr00.01对 v8n 偏大时前期容易炸降到 0.005最后检查数据里有没有损坏图像全黑或全白用下面脚本扫一遍。import cv2 import numpy as np from pathlib import Path bad [] for p in Path(images).glob(*.jpg): img cv2.imread(str(p)) if img is None: bad.append((p, read_fail)) continue std np.std(img) if std 5: # 方差过小近似纯色 bad.append((p, flow_std:{std:.2f})) print(f可疑图像 {len(bad)} 张) for b in bad[:20]: print(b)逻辑说明np.std低于 5 基本可以判定为纯色或损坏图这类图进训练会直接拉低 BN 统计量的稳定性。参数上阈值 5 是经验值光伏板正常图 std 通常在 30 以上。扫出来的图要么删要么单独放一个集合不参与训练。4. 光伏板检测的避坑与排查5 个血泪教训4.1 现象mAP 很高但实际巡检漏检严重原因验证集和训练集同源模型记住了背景纹理而不是板子本身。解决按板阵分组切分并且验证集里必须包含至少一个训练集没出现过的板阵。如果做不到至少做一次跨焦距验证——用长焦图训练短焦图验证。4.2 现象训练到 50 epoch 后 loss 突然 NaN原因BN 崩溃通常是某个 batch 里出现了纯色图或标注框宽高为 0。解决先扫损坏图再检查标签里有没有w0或h0的行有就删。然后把lr0降到 0.005warmup_epochs提到 5。4.3 现象小目标热斑召回率极低原因imgsz640下热斑可能只有 8×8 像素P3 特征层下采样 8 倍后只剩 1 个像素。解决训练imgsz提到 1024或者改用 YOLOv8 的p2配置增加一个更高分辨率的检测头但显存会翻倍。另一个办法是把热斑单独切图做二次分类检测阶段只框板子。4.4 现象相邻板框粘连NMS 后只剩一个大框原因box loss 权重不够或者 NMS 的 IoU 阈值太高。解决box提到 8.5NMS 的iou从默认 0.7 降到 0.5让重叠框更容易被抑制。如果还不行检查标注里相邻板之间有没有留间隙标注时框贴太紧也会导致这个问题。4.5 现象边缘部署后误检率飙升原因训练用的高变焦图和部署时的固定机位图分布不一致模型把云影、支架阴影判成热斑。解决部署前用现场图做一次微调至少 200 张lr00.001只训 20 个 epoch。另外在推理端加一个基于板面位置的过滤——热斑必须落在板子框内框外的检测结果直接丢弃。5. 从训练到 RK3588 部署量化、推理与一个验证技巧训练完的.pt要上 RK3588中间要过 ONNX 和 RKNN 两步。光伏板检测模型量化时有个细节热斑这类小目标对量化误差敏感INT8 量化后召回可能掉 5~10 个点。我的做法是量化校准集里必须包含至少 300 张有热斑的图否则校准出来的 scale 偏向背景。转换命令如下# pt - onnx yolo export modelruns/solar/v8n_24577/weights/best.pt formatonnx opset12 imgsz640 # onnx - rknn在 RK3588 的 docker 环境里 python convert_rknn.py --onnx best.onnx --output solar_v8n.rknn \ --dataset calibration_images/ --quantized_dtype asymmetric_quantized-8参数说明opset12是 RKNN 工具链兼容性最好的版本calibration_images/里放 300~500 张现场图必须覆盖不同光照asymmetric_quantized-8对光伏板这种对比度高的场景比对称量化精度好。部署后验证别只看 mAP用下面这个技巧把推理结果按板阵位置聚类统计每块板的检测框数量正常应该等于板子实际数量。如果某块板检测出 0 个框说明漏检检测出 2 个以上说明误检或框粘连。这个指标比 mAP 更贴近巡检业务能直接暴露模型在密集板阵上的问题。# 按板阵位置统计检测框数量快速定位漏检/误检 import numpy as np def check_per_array(detections, array_boxes): # detections: Nx4 检测框, array_boxes: Mx4 板阵区域 for i, ab in enumerate(array_boxes): x1, y1, x2, y2 ab count 0 for d in detections: cx, cy (d[0]d[2])/2, (d[1]d[3])/2 if x1 cx x2 and y1 cy y2: count 1 print(f板阵 {i}: 检测到 {count} 块)逻辑说明array_boxes是板阵的粗略区域可以人工标一次或从大框聚类得到。参数上如果某板阵的检测数和实际板数偏差超过 10%就重点看这个区域的图。这个习惯帮我省了很多后悔药——mAP 涨了但业务指标没动的情况十有八九是密集板阵在拖后腿。我自己的教训是光伏板检测别迷信 mAP24577 张图训出来的模型在验证集上 0.92 的 mAP到现场第一周就漏了三块热斑板。后来把验证集换成跨板阵、跨焦距的图mAP 掉到 0.85但现场漏检率降了一半。数据集的量级是底气但切分方式和验证指标才是决定能不能落地的黑匣子。希望帮到你。本文还有配套的精品资源点击获取
