智慧工厂-工业厂区监控疑似泄漏隐患检测数据集1969张yolovoccoco三种标注方式图像尺寸:960*960类别数量:1类训练集图像数量:1630; 验证集图像数量:287 测试集图像数量:52类别名称: 每一类图像数 每一类标注数leakage: 1476,1991image num: 1969工业厂区泄漏隐患监控检测数据集完整文档一、数据集参数汇总表项目详细参数数据集名称工业厂区监控疑似泄漏隐患检测数据集总图像数量1969张单张图像尺寸960 × 960 像素目标类别总数1类类别名称leakage工业泄漏隐患含该目标图像数1476张该类别总标注框总数1991个数据集划分比例训练集验证集测试集训练集图片1630张验证集图片287张测试集图片52张支持标注格式YOLO TXT、VOC XML、COCO JSON 三种格式配套二、数据集关键词、标签、应用场景1. 核心关键词工业厂区泄漏检测、管道渗漏、流体泄漏、厂区安防监控、工业隐患识别、YOLO目标检测、厂区安全生产、危化品管道泄漏、监控画面隐患巡检、自动化安防预警2. 标签定义leakage工业管道、阀门、罐体、管路接口产生的液体/气体泄漏痕迹、渗漏区域、水雾、积液等泄漏隐患区域3. 应用场景化工厂/炼油厂区全天候视频安防巡检厂区摄像头实时画面接入算法自动识别管道、储罐阀门渗漏替代人工巡检危化品储存库区泄漏预警针对液体化工原料、油品储罐渗漏进行实时抓拍告警热力/供水工业管网厂区监控厂区热力管道、工业供水管道漏水检测智慧工厂安全生产数字化平台后端AI推理模块7×24小时不间断监测发现泄漏立即推送报警信息离线视频复盘检测调取历史监控录像批量排查过往泄漏隐患记录边缘端工业摄像头部署嵌入式设备本地轻量化推理无需云端传输数据保障厂区内网数据安全。三、简易训练推理代码YOLOv8通用适配本数据集环境依赖pipinstallultralytics torch opencv-python pillow1. 数据集yaml配置文件leakage.yaml# 数据集路径根据自己本地存放路径修改path:./leakage_datasettrain:images/trainval:images/valtest:images/test# 类别配置nc:1names:[leakage]文件夹结构YOLO格式标准leakage_dataset/ ├── leakage.yaml ├── images/ │ ├── train │ ├── val │ └── test └── labels/ ├── train ├── val └── test2. 模型训练代码fromultralyticsimportYOLO# 加载预训练权重n轻量化/s中端/l高精度可选modelYOLO(yolov8s.pt)# 开始训练resultsmodel.train(dataleakage.yaml,# 数据集配置文件epochs100,# 训练轮数imgsz960,# 图像尺寸匹配数据集960*960batch8,device0,# 0为GPUcpu则填写cpupatience15,saveTrue,projectleakage_train,nameleakage_v8)3. 图片/视频实时推理检测代码fromultralyticsimportYOLO# 加载训练完成的最优权重modelYOLO(./leakage_train/leakage_v8/weights/best.pt)# 单张图片检测res_imgmodel.predict(sourcetest_leak.jpg,imgsz960,conf0.3,# 置信度阈值saveTrue# 保存带检测框结果图)# 厂区监控视频/摄像头实时流检测res_videomodel.predict(sourcertsp://厂区摄像头rtsp地址,# 本地视频填视频路径imgsz960,conf0.3,saveTrue,streamTrue)# 遍历推理结果forrinres_video:boxesr.boxes# 泄漏检测框坐标、置信度、类别ifboxesisnotNoneandlen(boxes)0:print(检测到工业泄漏隐患数量,len(boxes))四、三种标注格式简要说明YOLO格式TXT每张图片对应同名txt内容类别id x_center y_center w h归一化坐标训练首选格式VOC格式XMLxml文件存储像素坐标、图片宽高、目标名称适配传统机器学习框架COCO格式JSON整体一个annotations.json文件汇总所有图片标注信息适配MMDetection、模型评测、数据分析场景。