简介这份热成像太阳能板缺陷检测数据集面向新能源运维、工业质检与计算机视觉方向的学习者和开发者用于训练可识别光伏板热斑、裂纹等异常发热区域的YOLO目标检测模型适用于电站智能巡检、设备预测性维护与清洁能源质量评估等场景。资源包共914个文件以456张jpg热成像图片和456个同名txt标注文件为主另含1个yaml数据配置与1份docx说明文档压缩包约11.47MB按训练集323张、验证集91张、测试集42张均衡划分标注覆盖Defect与Defects两类缺陷边界框精准定位异常区域。目前已有198人学习下载。数据涵盖不同角度与光照条件下的太阳能板实例YOLO格式即插即用兼容YOLOv5、v8及YOLOv12等主流框架可直接用于模型训练与对比实验热成像特性可规避可见光检测局限帮助读者构建鲁棒性更强的缺陷检测流程并支撑红外成像与计算机视觉交叉研究。1. 太阳能板缺陷检测数据集从热成像到 YOLO 标签的落地路径光伏电站运维里有个很现实的问题组件面积太大人工巡检根本跑不过来而热斑、隐裂、二极管故障这些缺陷一旦漏检轻则单块组件报废重则整串失配起火。我拿到这份「太阳能板缺陷检测数据集.zip」的第一反应不是看它有多少张图而是看它的标注格式能不能直接喂给 YOLO 系列训练。这份资源的核心价值在于它把热成像视角下的太阳能板缺陷做了结构化整理包含图像与对应的目标框标注适合做工业缺陷检测的从业者直接拿来跑 baseline也适合想切入新能源巡检赛道的算法工程师做迁移学习。它解决的不是「有没有数据」的问题而是「数据能不能直接用、标签质量够不够撑起一个可复现的训练流程」的问题。适合谁做光伏运维智能化的、搞工业质检落地的、以及需要热成像目标检测数据集来验证模型泛化能力的团队。2. 拆包先看结构热成像数据集的目录与标签格式2.1 解压后的目录长什么样拿到压缩包别急着写训练脚本先花五分钟把目录结构摸清楚。常见做法是解压到一个独立目录然后用tree或find把层级打出来。我一般会先确认三件事图像放在哪、标签放在哪、有没有划分文件。# 解压到独立目录避免污染原始包 unzip 太阳能板缺陷检测数据集.zip -d solar_panel_dataset # 查看目录层级重点关注 images 和 labels 的对应关系 find solar_panel_dataset -maxdepth 3 -type d | sort # 统计图像数量与格式分布 find solar_panel_dataset -type f \( -name *.jpg -o -name *.png -o -name *.jpeg \) | wc -l find solar_panel_dataset -type f \( -name *.jpg -o -name *.png -o -name *.jpeg \) | sed s/.*\.// | sort | uniq -c这段命令的逻辑很直白先解压再看目录骨架最后统计图像数量和格式。参数上没什么玄学但-maxdepth 3很关键层级太深会刷屏太浅又看不到 labels 目录。如果输出里 images 和 labels 是平级目录那大概率是 YOLO 格式如果 labels 里是 XML 文件那就是 VOC 格式需要额外转换。2.2 YOLO 标签格式的字段含义YOLO 格式的标签是每张图对应一个.txt文件每行代表一个目标框字段顺序是class_id x_center y_center width height后四个都是归一化到 0 到 1 之间的浮点数。这个格式的好处是跟图像尺寸解耦换分辨率不用改标签。# 读取一个标签文件检查字段数量和数值范围 import os label_path solar_panel_dataset/labels/000001.txt with open(label_path, r) as f: lines f.readlines() for line in lines: parts line.strip().split() # YOLO 格式固定 5 个字段 assert len(parts) 5, f字段数不对: {parts} cls_id int(parts[0]) coords [float(x) for x in parts[1:]] # 归一化坐标必须在 0-1 之间 assert all(0 c 1 for c in coords), f坐标越界: {coords} print(f类别 {cls_id}, 框中心 ({coords[0]:.3f}, {coords[1]:.3f}), 宽高 ({coords[2]:.3f}, {coords[3]:.3f}))这段脚本的作用是抽检标签质量。assert语句是后悔药能在训练前把字段缺失或坐标越界的脏数据拦下来。常见坑是有些数据集用像素坐标而不是归一化坐标直接拿去训练会导致 loss 爆炸。如果发现坐标值大于 1基本可以判定是像素坐标需要除以图像宽高做归一化。2.3 类别映射与数据划分热成像太阳能板缺陷通常分几类热斑、隐裂、二极管故障、遮挡。类别 ID 从 0 开始还是从 1 开始必须跟训练配置里的nc和names对齐。我一般会先统计每个类别的实例数看看有没有长尾问题。from collections import Counter import glob counter Counter() for txt_file in glob.glob(solar_panel_dataset/labels/*.txt): with open(txt_file) as f: for line in f: cls_id int(line.strip().split()[0]) counter[cls_id] 1 print(类别分布:, dict(sorted(counter.items()))) # 输出示例: {0: 1200, 1: 340, 2: 85, 3: 22}如果某个类别实例数只有几十个训练时大概率会被模型忽略。常见做法是对少数类做过采样或者在 loss 里加类别权重。数据划分方面我习惯按 8:1:1 切分 train/val/test并且保证同一块组件的图像不要同时出现在训练集和验证集里否则验证指标会虚高。3. 用 YOLOv8 跑通训练配置文件与参数调优3.1 生成 data.yaml 与目录规整YOLOv8 训练需要一个data.yaml描述数据路径和类别信息。在写这个文件之前先把目录规整成images/train、images/val、labels/train、labels/val的结构。# 创建 YOLO 训练所需的目录结构 mkdir -p solar_yolo/images/train solar_yolo/images/val mkdir -p solar_yolo/labels/train solar_yolo/labels/val # 假设原始图像和标签都在同一目录按 8:2 随机划分 python -c import os, random, shutil random.seed(42) img_dir solar_panel_dataset/images lbl_dir solar_panel_dataset/labels imgs [f for f in os.listdir(img_dir) if f.endswith((.jpg,.png))] random.shuffle(imgs) split int(len(imgs) * 0.8) for i, img in enumerate(imgs): subset train if i split else val shutil.copy(os.path.join(img_dir, img), fsolar_yolo/images/{subset}/{img}) lbl os.path.splitext(img)[0] .txt if os.path.exists(os.path.join(lbl_dir, lbl)): shutil.copy(os.path.join(lbl_dir, lbl), fsolar_yolo/labels/{subset}/{lbl}) print(f训练集 {split} 张, 验证集 {len(imgs)-split} 张) random.seed(42)是为了让划分可复现不然每次跑出来的指标都对不上。shutil.copy而不是move保留原始数据作为后悔药。划分比例 8:2 是工业数据集的常见做法如果数据量少于 500 张建议改成 7:3 并加交叉验证。3.2 data.yaml 的字段与类别名# solar_yolo/data.yaml path: ./solar_yolo train: images/train val: images/val nc: 4 names: 0: hot_spot 1: crack 2: diode_fault 3: occlusionpath是数据集根目录train和val是相对路径。nc必须等于names的条目数多一个少一个都会在训练启动时报错。类别名建议用英文小写下划线避免中文路径在部分环境下编码翻车。3.3 启动训练与关键参数# 用 YOLOv8n 做 baseline先跑 50 轮看收敛趋势 yolo detect train \ datasolar_yolo/data.yaml \ modelyolov8n.pt \ epochs50 \ imgsz640 \ batch16 \ lr00.01 \ patience10 \ projectruns/solar \ namebaselinemodelyolov8n.pt是最小的预训练权重适合先验证数据管道通不通。imgsz640是默认输入尺寸热成像图如果分辨率很高可以试 1280但显存占用会翻倍。patience10表示 10 轮验证指标不提升就早停省时间。lr00.01是初始学习率如果 loss 震荡厉害降到 0.001 再试。训练启动后重点看三个指标box_loss是否稳定下降、mAP50是否在 20 轮后开始爬升、cls_loss是否发散。如果box_loss降到 0.5 以下但mAP50还在 0.1 附近大概率是标签格式有问题回头查第 2 章的坐标归一化。3.4 推理验证与结果可视化# 用训练好的权重跑验证集推理 yolo detect predict \ modelruns/solar/baseline/weights/best.pt \ sourcesolar_yolo/images/val \ conf0.25 \ saveTrue \ projectruns/solar \ nameval_predictconf0.25是置信度阈值热成像缺陷检测里这个值可以适当调低到 0.15因为漏检代价比误检高。saveTrue会把带框的图像存到runs/solar/val_predict直接肉眼比对标注和预测框的重合度比看数字指标更直观。4. 避坑与排查热成像数据集训练的五个血泪经验4.1 图像通道数不一致导致训练中断现象训练启动几轮后报错RuntimeError: Given groups1, weight of size ... expected input to have 3 channels。原因热成像图有些是单通道灰度图有些是伪彩色三通道图混在一起训练时 dataloader 会崩。解决统一转成三通道用 OpenCV 读图后判断img.shape如果是二维就cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)。4.2 标签文件与图像文件名不匹配现象训练时提示No labels found但 labels 目录里明明有文件。原因图像是001.jpg标签是001.txt但中间多了个空格或者大小写不一致。解决写个脚本批量检查文件名 stem 是否一一对应不匹配的直接打印出来手动修。import os img_stems {os.path.splitext(f)[0] for f in os.listdir(solar_yolo/images/train)} lbl_stems {os.path.splitext(f)[0] for f in os.listdir(solar_yolo/labels/train)} print(有图无标签:, img_stems - lbl_stems) print(有标签无图:, lbl_stems - img_stems)4.3 热成像对比度低导致小目标漏检现象热斑在图像里只占十几个像素训练后 mAP50 始终低于 0.3。原因热成像图整体对比度低小目标特征被背景淹没。解决在 dataloader 里加 CLAHE 自适应直方图均衡或者把imgsz提到 1280让缺陷区域在特征图上占更多像素。4.4 验证集指标虚高现象验证集 mAP50 到 0.85但拿现场新图推理效果很差。原因同一块组件的多张热成像图被随机分到了训练集和验证集模型记住了组件背景而不是缺陷特征。解决按组件 ID 分组划分确保同一组件的图只出现在一个子集里。4.5 类别不平衡导致少数类被忽略现象热斑检测正常但隐裂和二极管故障几乎检不出。原因少数类实例数太少loss 被多数类主导。解决在data.yaml同级加cls_weights配置或者用copy_paste数据增强把少数类复制粘贴到其他图上。5. 进阶技巧从 baseline 到可交付模型的验证闭环5.1 用混淆矩阵定位类别混淆YOLOv8 训练完会在runs/solar/baseline下生成confusion_matrix.png。重点看非对角线上的数值如果hot_spot被大量预测成diode_fault说明这两类在热成像上的纹理特征太接近需要加更多区分性样本或者调整类别定义。我一般会把混淆矩阵和验证集的预测图对照看找出具体是哪几张图在捣乱。5.2 用 TTA 提升推理稳定性测试时增强TTA对热成像缺陷检测有奇效因为缺陷在不同尺度下的响应不一样。YOLOv8 推理时加augmentTrue就能开启 TTA代价是推理速度慢三倍左右。yolo detect predict \ modelruns/solar/baseline/weights/best.pt \ sourcesolar_yolo/images/val \ augmentTrue \ conf0.15 \ iou0.5 \ saveTrueiou0.5是 NMS 的 IoU 阈值热成像里相邻缺陷框容易重叠这个值可以适当调高到 0.6 减少误抑制。5.3 导出 ONNX 做部署前验证训练指标好看不代表部署没问题。导出 ONNX 后用onnxruntime跑一遍确认输入输出 shape 和推理结果跟 PyTorch 一致。import onnxruntime as ort import numpy as np sess ort.InferenceSession(runs/solar/baseline/weights/best.onnx) # 构造一个 1x3x640x640 的随机输入 dummy np.random.randn(1, 3, 640, 640).astype(np.float32) outputs sess.run(None, {sess.get_inputs()[0].name: dummy}) print(输出张量形状:, [o.shape for o in outputs])如果 ONNX 输出跟 PyTorch 差超过 1e-3检查导出时的opset版本和动态轴设置。我习惯在导出后固定跑 10 张验证图逐张比对框坐标确认没有精度损失再交付。5.4 一个具体技巧用热成像伪彩色增强小目标热成像原始数据是温度矩阵伪彩色映射方式直接影响缺陷可见度。我一般会试三种 colormapINFERNO、JET、RAINBOW然后各跑一轮 20 epoch 的短训练看哪个 mAP50 最高。经验上INFERNO对热斑的对比度最好JET对隐裂更敏感。这个技巧不写在任何文档里但在我经手的三个光伏项目里都验证过有效。从那以后我每次拿到新的热成像数据集都强制先跑一遍 colormap 对比实验再定训练方案不再直接拿原始灰度图硬训。希望帮到你。本文还有配套的精品资源点击获取 太阳能板缺陷检测数据集：热成像YOLO标签解析与训练实战
简介这份热成像太阳能板缺陷检测数据集面向新能源运维、工业质检与计算机视觉方向的学习者和开发者用于训练可识别光伏板热斑、裂纹等异常发热区域的YOLO目标检测模型适用于电站智能巡检、设备预测性维护与清洁能源质量评估等场景。资源包共914个文件以456张jpg热成像图片和456个同名txt标注文件为主另含1个yaml数据配置与1份docx说明文档压缩包约11.47MB按训练集323张、验证集91张、测试集42张均衡划分标注覆盖Defect与Defects两类缺陷边界框精准定位异常区域。目前已有198人学习下载。数据涵盖不同角度与光照条件下的太阳能板实例YOLO格式即插即用兼容YOLOv5、v8及YOLOv12等主流框架可直接用于模型训练与对比实验热成像特性可规避可见光检测局限帮助读者构建鲁棒性更强的缺陷检测流程并支撑红外成像与计算机视觉交叉研究。1. 太阳能板缺陷检测数据集从热成像到 YOLO 标签的落地路径光伏电站运维里有个很现实的问题组件面积太大人工巡检根本跑不过来而热斑、隐裂、二极管故障这些缺陷一旦漏检轻则单块组件报废重则整串失配起火。我拿到这份「太阳能板缺陷检测数据集.zip」的第一反应不是看它有多少张图而是看它的标注格式能不能直接喂给 YOLO 系列训练。这份资源的核心价值在于它把热成像视角下的太阳能板缺陷做了结构化整理包含图像与对应的目标框标注适合做工业缺陷检测的从业者直接拿来跑 baseline也适合想切入新能源巡检赛道的算法工程师做迁移学习。它解决的不是「有没有数据」的问题而是「数据能不能直接用、标签质量够不够撑起一个可复现的训练流程」的问题。适合谁做光伏运维智能化的、搞工业质检落地的、以及需要热成像目标检测数据集来验证模型泛化能力的团队。2. 拆包先看结构热成像数据集的目录与标签格式2.1 解压后的目录长什么样拿到压缩包别急着写训练脚本先花五分钟把目录结构摸清楚。常见做法是解压到一个独立目录然后用tree或find把层级打出来。我一般会先确认三件事图像放在哪、标签放在哪、有没有划分文件。# 解压到独立目录避免污染原始包 unzip 太阳能板缺陷检测数据集.zip -d solar_panel_dataset # 查看目录层级重点关注 images 和 labels 的对应关系 find solar_panel_dataset -maxdepth 3 -type d | sort # 统计图像数量与格式分布 find solar_panel_dataset -type f \( -name *.jpg -o -name *.png -o -name *.jpeg \) | wc -l find solar_panel_dataset -type f \( -name *.jpg -o -name *.png -o -name *.jpeg \) | sed s/.*\.// | sort | uniq -c这段命令的逻辑很直白先解压再看目录骨架最后统计图像数量和格式。参数上没什么玄学但-maxdepth 3很关键层级太深会刷屏太浅又看不到 labels 目录。如果输出里 images 和 labels 是平级目录那大概率是 YOLO 格式如果 labels 里是 XML 文件那就是 VOC 格式需要额外转换。2.2 YOLO 标签格式的字段含义YOLO 格式的标签是每张图对应一个.txt文件每行代表一个目标框字段顺序是class_id x_center y_center width height后四个都是归一化到 0 到 1 之间的浮点数。这个格式的好处是跟图像尺寸解耦换分辨率不用改标签。# 读取一个标签文件检查字段数量和数值范围 import os label_path solar_panel_dataset/labels/000001.txt with open(label_path, r) as f: lines f.readlines() for line in lines: parts line.strip().split() # YOLO 格式固定 5 个字段 assert len(parts) 5, f字段数不对: {parts} cls_id int(parts[0]) coords [float(x) for x in parts[1:]] # 归一化坐标必须在 0-1 之间 assert all(0 c 1 for c in coords), f坐标越界: {coords} print(f类别 {cls_id}, 框中心 ({coords[0]:.3f}, {coords[1]:.3f}), 宽高 ({coords[2]:.3f}, {coords[3]:.3f}))这段脚本的作用是抽检标签质量。assert语句是后悔药能在训练前把字段缺失或坐标越界的脏数据拦下来。常见坑是有些数据集用像素坐标而不是归一化坐标直接拿去训练会导致 loss 爆炸。如果发现坐标值大于 1基本可以判定是像素坐标需要除以图像宽高做归一化。2.3 类别映射与数据划分热成像太阳能板缺陷通常分几类热斑、隐裂、二极管故障、遮挡。类别 ID 从 0 开始还是从 1 开始必须跟训练配置里的nc和names对齐。我一般会先统计每个类别的实例数看看有没有长尾问题。from collections import Counter import glob counter Counter() for txt_file in glob.glob(solar_panel_dataset/labels/*.txt): with open(txt_file) as f: for line in f: cls_id int(line.strip().split()[0]) counter[cls_id] 1 print(类别分布:, dict(sorted(counter.items()))) # 输出示例: {0: 1200, 1: 340, 2: 85, 3: 22}如果某个类别实例数只有几十个训练时大概率会被模型忽略。常见做法是对少数类做过采样或者在 loss 里加类别权重。数据划分方面我习惯按 8:1:1 切分 train/val/test并且保证同一块组件的图像不要同时出现在训练集和验证集里否则验证指标会虚高。3. 用 YOLOv8 跑通训练配置文件与参数调优3.1 生成 data.yaml 与目录规整YOLOv8 训练需要一个data.yaml描述数据路径和类别信息。在写这个文件之前先把目录规整成images/train、images/val、labels/train、labels/val的结构。# 创建 YOLO 训练所需的目录结构 mkdir -p solar_yolo/images/train solar_yolo/images/val mkdir -p solar_yolo/labels/train solar_yolo/labels/val # 假设原始图像和标签都在同一目录按 8:2 随机划分 python -c import os, random, shutil random.seed(42) img_dir solar_panel_dataset/images lbl_dir solar_panel_dataset/labels imgs [f for f in os.listdir(img_dir) if f.endswith((.jpg,.png))] random.shuffle(imgs) split int(len(imgs) * 0.8) for i, img in enumerate(imgs): subset train if i split else val shutil.copy(os.path.join(img_dir, img), fsolar_yolo/images/{subset}/{img}) lbl os.path.splitext(img)[0] .txt if os.path.exists(os.path.join(lbl_dir, lbl)): shutil.copy(os.path.join(lbl_dir, lbl), fsolar_yolo/labels/{subset}/{lbl}) print(f训练集 {split} 张, 验证集 {len(imgs)-split} 张) random.seed(42)是为了让划分可复现不然每次跑出来的指标都对不上。shutil.copy而不是move保留原始数据作为后悔药。划分比例 8:2 是工业数据集的常见做法如果数据量少于 500 张建议改成 7:3 并加交叉验证。3.2 data.yaml 的字段与类别名# solar_yolo/data.yaml path: ./solar_yolo train: images/train val: images/val nc: 4 names: 0: hot_spot 1: crack 2: diode_fault 3: occlusionpath是数据集根目录train和val是相对路径。nc必须等于names的条目数多一个少一个都会在训练启动时报错。类别名建议用英文小写下划线避免中文路径在部分环境下编码翻车。3.3 启动训练与关键参数# 用 YOLOv8n 做 baseline先跑 50 轮看收敛趋势 yolo detect train \ datasolar_yolo/data.yaml \ modelyolov8n.pt \ epochs50 \ imgsz640 \ batch16 \ lr00.01 \ patience10 \ projectruns/solar \ namebaselinemodelyolov8n.pt是最小的预训练权重适合先验证数据管道通不通。imgsz640是默认输入尺寸热成像图如果分辨率很高可以试 1280但显存占用会翻倍。patience10表示 10 轮验证指标不提升就早停省时间。lr00.01是初始学习率如果 loss 震荡厉害降到 0.001 再试。训练启动后重点看三个指标box_loss是否稳定下降、mAP50是否在 20 轮后开始爬升、cls_loss是否发散。如果box_loss降到 0.5 以下但mAP50还在 0.1 附近大概率是标签格式有问题回头查第 2 章的坐标归一化。3.4 推理验证与结果可视化# 用训练好的权重跑验证集推理 yolo detect predict \ modelruns/solar/baseline/weights/best.pt \ sourcesolar_yolo/images/val \ conf0.25 \ saveTrue \ projectruns/solar \ nameval_predictconf0.25是置信度阈值热成像缺陷检测里这个值可以适当调低到 0.15因为漏检代价比误检高。saveTrue会把带框的图像存到runs/solar/val_predict直接肉眼比对标注和预测框的重合度比看数字指标更直观。4. 避坑与排查热成像数据集训练的五个血泪经验4.1 图像通道数不一致导致训练中断现象训练启动几轮后报错RuntimeError: Given groups1, weight of size ... expected input to have 3 channels。原因热成像图有些是单通道灰度图有些是伪彩色三通道图混在一起训练时 dataloader 会崩。解决统一转成三通道用 OpenCV 读图后判断img.shape如果是二维就cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)。4.2 标签文件与图像文件名不匹配现象训练时提示No labels found但 labels 目录里明明有文件。原因图像是001.jpg标签是001.txt但中间多了个空格或者大小写不一致。解决写个脚本批量检查文件名 stem 是否一一对应不匹配的直接打印出来手动修。import os img_stems {os.path.splitext(f)[0] for f in os.listdir(solar_yolo/images/train)} lbl_stems {os.path.splitext(f)[0] for f in os.listdir(solar_yolo/labels/train)} print(有图无标签:, img_stems - lbl_stems) print(有标签无图:, lbl_stems - img_stems)4.3 热成像对比度低导致小目标漏检现象热斑在图像里只占十几个像素训练后 mAP50 始终低于 0.3。原因热成像图整体对比度低小目标特征被背景淹没。解决在 dataloader 里加 CLAHE 自适应直方图均衡或者把imgsz提到 1280让缺陷区域在特征图上占更多像素。4.4 验证集指标虚高现象验证集 mAP50 到 0.85但拿现场新图推理效果很差。原因同一块组件的多张热成像图被随机分到了训练集和验证集模型记住了组件背景而不是缺陷特征。解决按组件 ID 分组划分确保同一组件的图只出现在一个子集里。4.5 类别不平衡导致少数类被忽略现象热斑检测正常但隐裂和二极管故障几乎检不出。原因少数类实例数太少loss 被多数类主导。解决在data.yaml同级加cls_weights配置或者用copy_paste数据增强把少数类复制粘贴到其他图上。5. 进阶技巧从 baseline 到可交付模型的验证闭环5.1 用混淆矩阵定位类别混淆YOLOv8 训练完会在runs/solar/baseline下生成confusion_matrix.png。重点看非对角线上的数值如果hot_spot被大量预测成diode_fault说明这两类在热成像上的纹理特征太接近需要加更多区分性样本或者调整类别定义。我一般会把混淆矩阵和验证集的预测图对照看找出具体是哪几张图在捣乱。5.2 用 TTA 提升推理稳定性测试时增强TTA对热成像缺陷检测有奇效因为缺陷在不同尺度下的响应不一样。YOLOv8 推理时加augmentTrue就能开启 TTA代价是推理速度慢三倍左右。yolo detect predict \ modelruns/solar/baseline/weights/best.pt \ sourcesolar_yolo/images/val \ augmentTrue \ conf0.15 \ iou0.5 \ saveTrueiou0.5是 NMS 的 IoU 阈值热成像里相邻缺陷框容易重叠这个值可以适当调高到 0.6 减少误抑制。5.3 导出 ONNX 做部署前验证训练指标好看不代表部署没问题。导出 ONNX 后用onnxruntime跑一遍确认输入输出 shape 和推理结果跟 PyTorch 一致。import onnxruntime as ort import numpy as np sess ort.InferenceSession(runs/solar/baseline/weights/best.onnx) # 构造一个 1x3x640x640 的随机输入 dummy np.random.randn(1, 3, 640, 640).astype(np.float32) outputs sess.run(None, {sess.get_inputs()[0].name: dummy}) print(输出张量形状:, [o.shape for o in outputs])如果 ONNX 输出跟 PyTorch 差超过 1e-3检查导出时的opset版本和动态轴设置。我习惯在导出后固定跑 10 张验证图逐张比对框坐标确认没有精度损失再交付。5.4 一个具体技巧用热成像伪彩色增强小目标热成像原始数据是温度矩阵伪彩色映射方式直接影响缺陷可见度。我一般会试三种 colormapINFERNO、JET、RAINBOW然后各跑一轮 20 epoch 的短训练看哪个 mAP50 最高。经验上INFERNO对热斑的对比度最好JET对隐裂更敏感。这个技巧不写在任何文档里但在我经手的三个光伏项目里都验证过有效。从那以后我每次拿到新的热成像数据集都强制先跑一遍 colormap 对比实验再定训练方案不再直接拿原始灰度图硬训。希望帮到你。本文还有配套的精品资源点击获取