目录一、市政照明运维行业研究背景二、街灯检测数据集完整基础信息与识别难点2.1 数据集基础参数2.2 街灯检测固有识别难点三、改进YOLOv8-CoordAtt模型架构与标准化训练配置3.1 改进模型适配优势3.2 完整训练参数配置3.2.1 硬件与尺度基础参数3.2.2 损失与优化器配置3.2.3 道路场景数据增强配置3.2.4 推理阈值参数四、市政照明运维落地应用场景4.1 车载道路沿线实时路灯巡检4.2 无人机全域航拍照明普查4.3 园区/隧道固定监控24小时监测4.4 市政图纸对照资产数字化归档五、模型训练与验证结果5.1 训练环境配置5.2 训练过程监控5.3 模型性能对比六、模型部署与优化建议6.1 模型量化与压缩6.2 边缘设备部署指南6.2.1 NVIDIA Jetson平台部署6.2.2 RK3588平台部署七、结论与展望一、市政照明运维行业研究背景城市道路、园区、桥梁、隧道内的街灯是基础公共照明设施，其完好度直接影响夜间通行安全。传统路灯运维依赖人工驾车沿路巡查、高空登高车登杆排查，存在明显短板：人工巡检覆盖速度慢，城市环线、郊区道路单次巡查耗时数小时；远距离、被树木遮挡的路灯易被人眼漏统计；夜间巡查存在行车、登高双重安全风险；台账依靠手工记录，路灯点位更新滞后，无法实现全域资产数字化盘点。计算机视觉目标检测方案依托车载采集设备、无人机航拍、道路固定摄像头自动识别画面内所有街灯，完成点位计数、缺失点位标记，为路灯资产台账、故障排查提供图像数据支撑。本文采用1893张街灯单类别VOC+YOLO双标注实景数据集，针对街灯细长杆体、远距离微小目标、植被遮挡、昼夜光照差异问题，选用嵌入CoordAtt坐标注意力模块的改进YOLOv8-CoordAtt模型完成完整训练、验证、推理全工程流程，配套车载道路巡检、无人机全域航拍、园区固定监控三类市政落地场景，提供VOC标注转换、均衡数据集划分、完整训练、批量图像/视频 基于YOLOv8-CoordAtt的街灯检测方案：从数据集到市政场景落地
目录一、市政照明运维行业研究背景二、街灯检测数据集完整基础信息与识别难点2.1 数据集基础参数2.2 街灯检测固有识别难点三、改进YOLOv8-CoordAtt模型架构与标准化训练配置3.1 改进模型适配优势3.2 完整训练参数配置3.2.1 硬件与尺度基础参数3.2.2 损失与优化器配置3.2.3 道路场景数据增强配置3.2.4 推理阈值参数四、市政照明运维落地应用场景4.1 车载道路沿线实时路灯巡检4.2 无人机全域航拍照明普查4.3 园区/隧道固定监控24小时监测4.4 市政图纸对照资产数字化归档五、模型训练与验证结果5.1 训练环境配置5.2 训练过程监控5.3 模型性能对比六、模型部署与优化建议6.1 模型量化与压缩6.2 边缘设备部署指南6.2.1 NVIDIA Jetson平台部署6.2.2 RK3588平台部署七、结论与展望一、市政照明运维行业研究背景城市道路、园区、桥梁、隧道内的街灯是基础公共照明设施，其完好度直接影响夜间通行安全。传统路灯运维依赖人工驾车沿路巡查、高空登高车登杆排查，存在明显短板：人工巡检覆盖速度慢，城市环线、郊区道路单次巡查耗时数小时；远距离、被树木遮挡的路灯易被人眼漏统计；夜间巡查存在行车、登高双重安全风险；台账依靠手工记录，路灯点位更新滞后，无法实现全域资产数字化盘点。计算机视觉目标检测方案依托车载采集设备、无人机航拍、道路固定摄像头自动识别画面内所有街灯，完成点位计数、缺失点位标记，为路灯资产台账、故障排查提供图像数据支撑。本文采用1893张街灯单类别VOC+YOLO双标注实景数据集，针对街灯细长杆体、远距离微小目标、植被遮挡、昼夜光照差异问题，选用嵌入CoordAtt坐标注意力模块的改进YOLOv8-CoordAtt模型完成完整训练、验证、推理全工程流程，配套车载道路巡检、无人机全域航拍、园区固定监控三类市政落地场景，提供VOC标注转换、均衡数据集划分、完整训练、批量图像/视频