La inspección de líneas eléctricas es una parte importante de la red inteligente. La detección eficiente en tiempo real de dispositivos eléctricos en la línea de energía es un problema desafiante para la inspección de líneas eléctricas. En los últimos años, los métodos de aprendizaje profundo han logrado resultados notables en la clasificación de imágenes y la detección de objetos. Sin embargo, en la inspección de líneas eléctricas basada en visión por computadora, los conjuntos de datos tienen un impacto significativo en el aprendizaje profundo. La falta de datos de escenas eléctricas de alta calidad y públicos obstaculiza la aplicación del aprendizaje profundo. Para abordar este problema, construimos un conjunto de datos para escenas de inspección de líneas eléctricas, llamado RSIn-Dataset. RSIn-Dataset contiene 4 categorías y 1887 imágenes, con abundantes fondos. Luego, utilizamos métodos de detección de objetos convencionales para construir un punto de referencia, proporcionando una referencia para la detección de aisladores. Además, para abordar el problema de la ineficiencia en la detección causada por grandes parámetros del modelo, se propone una versión mejorada de YoloV4, llamada YoloV4++. Utiliza una red ligera, es decir, MobileNetv1, como columna vertebral, y emplea la convolución separable en profundidad para reemplazar la convolución estándar. Mientras tanto, se implementa la pérdida focal en la función de pérdida para resolver el impacto del desequilibrio de muestras. Los resultados experimentales muestran la efectividad de YoloV4++. El mAP y el FPS pueden alcanzar el 94.24% y 53.82 FPS, respectivamente.