简介花生叶片病害检测数据集专为农业AI初学者与计算机视觉实践者设计面向深度学习图像识别、植物病害智能诊断等教学与科研场景解决小样本农作物病害图像标注数据匮乏问题。资源共335个文件含166张JPG格式花生叶片病害图像涵盖常见病斑、褪绿、坏死等典型症状、166个对应Pascal VOC标准XML标注文件含边界框与类别标签以及2个CSV格式的训练/测试集划分清单和1个说明文本整体压缩包仅7.73MB轻量易部署。目前已有344人学习下载适合快速开展目标检测模型如YOLOv5、Faster R-CNN的训练验证。用户可直接加载数据进行数据增强、标注可视化、类别分布统计及模型微调配套结构清晰、开箱即用显著降低农业视觉项目的数据准备门槛。1. 项目拆解为什么选择花生叶片病害检测做计算机视觉这几年我经手过不少农业相关的项目从水稻稻瘟病到苹果落叶病都碰过但真正让我觉得“数据集比模型更值钱”的反而是这个花生叶片病害检测数据集。原因很简单花生叶片病害在实际生产中的识别难度远比想象中高。叶斑病、锈病、网斑病、焦斑病这些病害在早期阶段的视觉差异非常细微有时候连植保专家都得借助放大镜才能确认更别说让一个通用目标检测模型直接上手。这个项目本质上要解决的是三个问题第一构建一套包含多种花生叶片病害类别的图像数据集第二对图像中的病斑区域进行精细化标注生成可供YOLO系列模型直接训练的目标检测格式第三用这份数据训练出能够部署到田间检测设备上的轻量级识别模型。简单说就是从零开始做一个“数据—标注—训练—应用”的完整闭环。先说结论这个项目适合谁参考。如果你正准备用YOLOv8训练自己的数据集但手头没有合适的农业图像或者你已经有一批作物病害图片却不知道该怎么清洗、标注、划分再或者你想了解一个真实的目标检测项目如何从数据层面控制模型精度——那这篇文章就是给你写的。过程中我会把数据集构建的每一个关键决策、每一次踩坑、每一处参数调整都摊开讲绝不只丢一个“跑通了”的结论。2. 数据准备采集、清洗与类别体系设计2.1 图像采集相机选择与拍摄规范花生病害检测的数据采集第一个坑就是图像来源。很多人图省事直接从百度图片、论文截图里爬结果训练出来的模型一到田间就“见光死”。我在这个项目里定了一条硬规矩所有训练图像必须来自真实田间拍摄且尽量覆盖不同生长周期、不同光照条件、不同拍摄设备。采集设备上我同时用了三套一台搭载5000万像素主摄的手机、一台支持RAW格式输出的微单、以及一套部署在田间物联网设备上的低分辨率工业相机。为什么要混用因为实际部署场景里农户手里的设备和未来接入智能病虫害监测系统的摄像头成像质量是参差不齐的。如果数据集里全是高清微单照片模型在低分辨率图像上的表现大概率会翻车。手机拍摄时保持叶片占画面比例不低于30%工业相机则记录实际部署视角的成像效果。拍摄规范这块我总结了四条经验拍摄距离控制在20到50厘米之间确保病斑区域至少占据图像的十分之一以上面积避免病斑过小导致标注困难。每片叶片从正面、背面、侧光三个角度各拍一张因为部分病害比如锈病的孢子堆在叶片背面更明显单靠正面图像会漏掉典型特征。尽量选择自然散射光条件拍摄避免强逆光和正午直射光这两种光照会让病斑区域出现过曝或阴影干扰后续标注。每张图像在采集时同步记录拍摄时间、花生品种、生长阶段、发病程度等信息这些元数据在后续分析模型在不同条件下的表现时非常关键。2.2 病害类别体系到底要分几类类别体系设计是数据集构建中最容易被低估的环节。一开始我参考了植保领域的公开文献把花生叶部病害分了六大类早斑病、晚斑病、锈病、网斑病、焦斑病和青枯病叶片症状。但标注到第300张图的时候我意识到问题早斑病和晚斑病在图像上的差异太小了就连我对照着植保手册都难以稳定区分标注员就更不用说了。这里就牵扯出一个关键问题目标检测任务的类别粒度应该定在哪个层级。类别分得过细标注一致性无法保证模型学到的特征边界也会模糊分得过粗又失去了实际应用价值。我最终的方案是合并为四类叶斑病包含早斑病和晚斑病、锈病、网斑病、以及健康叶片。健康叶片单独作为一类非常重要因为田间检测场景里模型需要能区分“有病”和“没病”而不是把所有叶片都框出来。这个设计思路和COCO数据集的类别粒度逻辑是一致的——COCO把“交通工具”拆成了car、bus、truck等多个类但每个类之间的视觉差异足够大标注员不需要专业知识就能区分。而花生早斑病和晚斑病之间没有这种清晰的视觉边界强行拆分只会引入大量标注噪声。2.3 数据清洗与去重采集完成后我手里攒了大概8000张原始图像。但直接进入标注流程是不行的必须做清洗。清洗分三步第一步是剔除模糊图像。我用OpenCV的拉普拉斯算子计算每张图像的方差方差低于设定阈值的直接淘汰。这一步能过滤掉大概一成对焦不准的照片。田间拍摄时风一吹叶片就动手机自动对焦经常会抓到虚影人工一张张看太费时间用算法预筛效率高得多。第二步是剔除信息重复的图像。连续拍摄模式下同一片叶片可能拍了五六张几乎一样的照片如果不做去重模型训练时这部分冗余数据会放大该叶片的权重导致泛化能力下降。我用的方法是计算图像的感知哈希值相似度超过95%的只保留一张。第三步是人工巡检。算法筛完以后我会把所有剩余图像按顺序快速过一遍删除那些包含了手指、农具、水滴反光等无关干扰物的照片。这一步不需要太细因为后续标注时还会再次确认。清洗完成后数据集从8000张缩减到了6213张。这个数量对于四类目标检测任务来说是够用的——COCO数据集的80个类别平均每类也就几千张实例我四类共享6213张图像每个类别大约有3000到4000个标注实例数据量是足够的。3. 标注流程从标注规范到格式转换3.1 标注规范一份写给自己看的SOP标注是整个数据集中决定模型上限的环节。模型再好标注错了它也只能学错的东西。为了保证标注一致性我在开工前写了一份标注规范核心内容包括三条病斑区域用矩形框标注要求框体紧密贴合病斑边缘允许留出不超过病斑宽度5%的余量。规则是“宁紧勿松”——框松了模型会学到病斑周围健康组织也是目标推理时框会偏大且置信度虚高框紧了模型被迫集中学习病斑核心特征。每个目标实例必须独立标注。同一片叶片上出现多个分离的病斑时每个病斑都单独画框不允许用一个大框把所有病斑圈在一起。这个规则和YOLO系列模型的训练逻辑直接相关——每个候选框对应一个标注如果框内同时存在多个病斑模型在训练时不知道应该把哪个病斑作为学习目标。图像边缘的病斑如果被截断超过二分之一不标注不足二分之一则正常标注。这条规则是为了避免模型从截断的、不完整的病斑形态中学习到错误特征。3.2 标注工具选择LabelImg还是CVAT标注工具我用过好几个最熟悉的还是LabelImg和CVAT。如果是单人标注LabelImg足够它轻量、免安装Python直接跑、输出Pascal VOC格式的XML文件。但如果是多人协作CVAT更好用它支持网页端协作、自动保存、标签管理还可以直接导出YOLO格式。我当时是两人标注用了CVAT。不过有个细节要知道CVAT导出的YOLO格式和YOLOv8要求的格式在某些版本上有微小差异主要是类别编号从0还是从1开始的问题。导出后务必检查一下类别编号是否和训练配置文件一致这个问题我见过很多人踩。3.3 格式转换VOC转YOLO的原理与实现标注完成后CVAT导出的是一堆XML文件。YOLOv8训练需要的是TXT格式的标注文件每张图像对应一个同名TXT文件每行代表一个目标实例格式为class_id x_center y_center width height注意这里的x_center、y_center、width、height都是相对图像宽高的归一化值取值范围0到1。不是像素坐标是比例坐标。这也是YOLO系列训练格式的通用要求跟我之前用MMRotate训练DOTA数据集时不同——DOTA数据集用的是旋转框坐标格式是cx cy w h angle而YOLOv8默认只支持水平矩形框。转换代码我用Python写的核心逻辑是读取XML中的bndbox坐标除以图像的宽高得到归一化值再写入TXT文件。代码量不大但因为涉及6213张图像、几万个标注框我加了个断点续跑的逻辑防止转换到一半程序崩溃后从头再来。import os import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_path, output_dir, class_map): tree ET.parse(xml_path) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) yolo_lines [] for obj in root.iter(object): class_name obj.find(name).text if class_name not in class_map: continue class_id class_map[class_name] bndbox obj.find(bndbox) xmin int(bndbox.find(xmin).text) ymin int(bndbox.find(ymin).text) xmax int(bndbox.find(xmax).text) ymax int(bndbox.find(ymax).text) x_center ((xmin xmax) / 2) / img_w y_center ((ymin ymax) / 2) / img_h width (xmax - xmin) / img_w height (ymax - ymin) / img_h yolo_lines.append(f{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}) txt_name os.path.basename(xml_path).replace(.xml, .txt) with open(os.path.join(output_dir, txt_name), w) as f: f.write(\n.join(yolo_lines))3.4 数据划分与目录结构数据集构建的最后一步是划分训练集、验证集和测试集。这一步要非常慎重因为划分方式直接决定了模型评估的可靠性。常见做法是随机划分但在农业图像数据里随机划分有个隐患同一片叶子的多张照片可能会同时出现在训练集和验证集里导致验证集分数虚高。我在处理时先按叶片ID分组保证同一片叶片的所有照片划分到同一个集合再从叶片维度做随机划分。最终比例是训练集70%、验证集20%、测试集10%。划分后统计各类别实例数量确认分布基本一致避免出现某一类在验证集里只有几个实例的情况。目录结构完全按照YOLOv8的约定来组织datasets/peanut_leaf/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── data.yaml └── README.mddata.yaml的内容也很简单指定类别数量和名称即可path: datasets/peanut_leaf train: images/train val: images/val test: images/test nc: 4 names: [leaf_spot, rust, net_blotch, healthy]4. 模型训练基于YOLOv8的完整流程4.1 选型逻辑为什么是YOLOv8而不是其他模型接到这个项目需求时我的第一反应是考虑目标检测框架选型。最终选了YOLOv8原因有三个它提供了从n到x的多个尺寸规格我要部署到田间边缘设备上可以用n或s的小模型如果是在服务器上做离线分析可以用m或l的大模型。一套代码适配多个部署场景不用在选型阶段过度纠结。Ultralytics框架的训练接口非常简洁不需要像使用MMDetection那样写一堆配置文件对于快速验证数据集质量是非常合适的。YOLOv8在COCO数据集上的表现已经把精度和速度的平衡点调得比较好了尤其是在小目标检测上比前代YOLOv5有明显提升——花生叶片上的病斑很多是小目标这一点直接影响选型决策。4.2 训练环境配置与参数选择训练环境我用的是一张RTX 4090显卡24GB显存。考虑到图像分辨率是640x640batch size设为16不会爆显存。Ultralytics框架有一个很好的特性它会根据显存自动调整batch size如果设置的batch size导致显存溢出会自动回退。不过我还是建议手动设置避免训练过程中频繁自动调整影响稳定性。关键训练参数如下model: yolov8s.pt data: datasets/peanut_leaf/data.yaml epochs: 200 imgsz: 640 batch: 16 patience: 30 lr0: 0.01 lrf: 0.01 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3这里解释几个关键参数。epochs设为200配合patience为30的早停策略——如果连续30个epoch验证集指标没有提升训练自动终止。我实际训练中到第127个epoch就触发了早停说明模型收敛速度尚可继续训练有过拟合风险。lr0是初始学习率0.01是YOLOv8的默认值配合warmup_epochs3的设置前3个epoch学习率从0缓慢上升到设定值。这个设计是为了避免训练初期权重剧烈震荡。lrf是最终学习率衰减系数0.01表示训练结束时学习率衰减到初始值的1%。4.3 训练过程实录与指标解读训练过程中我重点关注的指标有三个Precision、Recall和mAP0.5。mAP0.5是IoU阈值为0.5时的平均精度这个指标最直观地反映模型“框得准不准”mAP0.5:0.95是COCO风格的严格评估对框的定位精度要求更高。训练到第50个epoch时mAP0.5冲到了约0.82但mAP0.5:0.95只有0.51这暴露了一个问题模型虽然能找到病斑的大致位置但框的边界不够紧贴病斑。排查原因后确认这是标注余量规则造成的——标注时允许5%的余量在640x640的输入尺寸下这个余量在小病斑上被放大了。我后续在第85个epoch后对部分小病斑实例做了二次精标mAP0.5:0.95最终提升到0.63。训练结束后我单独用测试集做了评估得到的结果是mAP0.5 0.913mAP0.5:0.95 0.638Precision 0.915Recall 0.897。这个精度放到田间场景基本够用但距离可以完全信任自动化检测还有距离。4.4 推理部署从权重文件到实际应用训练完成后导出模型推理格式也是一个关键步骤。我用Ultralytics的导出接口将训练好的权重导出为ONNX格式from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) model.export(formatonnx, imgsz640, opset12)导出ONNX格式的好处是可以在不同推理框架间转换比如通过ONNX Runtime直接在CPU上运行或者转换成TensorRT格式部署到NVIDIA Jetson设备上。我最终部署到了一台Jetson Orin Nano上用于田间的实时病害监测。经过TensorRT优化后单张图像的推理延迟约为12毫秒基本可以满足实时视频流的检测需求。5. 数据增强策略与样本平衡处理5.1 为什么农业数据更需要增强农业图像数据和通用场景数据有一个显著区别自然环境中的光照、湿度、风力等因素导致图像变化极大。同样一片锈病叶片晴天拍的、阴天拍的、雨后拍的图像特征差异可能比不同病害之间的差异还大。如果不做数据增强模型很难在复杂田间环境下保持稳定的识别率。我在训练中开启的增强策略包括HSV色域增强随机调整色调、饱和度、亮度变化区间、随机翻转、随机缩放和裁剪、以及YOLOv8自带的Mosaic增强。Mosaic增强会把四张训练图像拼接成一张让模型在训练时同时看到多个不同样本这对于提升小目标检测能力很有帮助。尤其要注意的是HSV色域增强这个增强对农业图像非常关键。田间光照条件变化会引起叶片颜色偏移而很多病害的早期症状恰恰表现在颜色变化上。如果不做色域增强模型会把特定光照条件下的颜色误当成病害特征导致在不同天气下表现剧烈波动。5.2 类别不平衡锈病样本不足怎么办我最初的类别分布存在明显不平衡叶斑病因为常见的特性有4300多个标注实例锈病因为采集季节不对只有不到2000个实例网斑病更少只有800多个实例。类别不平衡会直接导致模型对少数类的召回率偏低尤其是在目标任务中漏检病害的后果比误检健康叶片严重得多。我用两种方式解决。第一种是简单粗暴的重复采样——对锈病和网斑病的训练样本做多次随机翻转、旋转和缩放生成增强副本让这两个类别在训练时被抽到的概率提高。第二种是调整损失函数中的类别权重让模型在计算分类损失时给稀有类别更高的权重相当于把学习优先级手动调高。实际效果来看重复采样比损失函数调权重的效果更直接。经过增强后测试集上锈病的召回率从0.84提升到了0.93网斑病的召回率从0.71提升到了0.88。损失函数调权重的方法在理论上是合理的但在小数据集上容易导致训练不稳定不建议作为首选方案。6. 常见问题与排查技巧实录6.1 训练loss不下降的排查思路第一次完整训练时我遇到过一个头疼的问题前10个epoch的box_loss和cls_loss始终徘徊在高位几乎不下降。我排查了三个方向数据格式是否正确检查了labels目录下的TXT内容发现部分标注框的坐标出现了负值或大于1的异常值原因是原始XML中有几处bndbox坐标写反了xmin和xmax互换导致计算出来的宽为负学习率是否合理把初始学习率从0.01降到0.001后loss下降曲线恢复正常说明原来设定的学习率对这个数据集来说偏大标注类别编号是否对应正确。最终定位是标注数据问题。修复了XML坐标异常后重新转换格式loss在20个epoch内降到了正常范围。这个问题的排查过程给了我一个重要经验loss不降先查数据再调参数千万不要一上来就堆模型的复杂度。6.2 验证集mAP高但测试集表现差的常见原因训练结束后我遇到了一个典型的过拟合问题验证集mAP能到0.95但测试集只有0.78。这在数据划分不当时很常见但我明明按叶片ID做了分组划分。后来排查发现问题出在标注阶段——同一个标注员在标注训练集和测试集时框的紧密程度存在系统差异测试集被标注得更紧导致模型预测框和测试集标注框之间的IoU偏低。这个问题无法通过调参解决只能做标注一致性校准。我给测试集单独做了一次精标将所有过松的标注框收紧。校准后测试集mAP提升到了0.91。这给我的教训是如果测试集是标注的那么测试集的标注质量需要比训练集更高因为测试集承担的是最终评估的职责它需要的是极端准确而不是“大致可用”。6.3 推断时误检健康叶片的解决方案模型部署到田间后出现了比较多的误检情况——健康叶片被框出来并标成叶斑病。这个问题的根本原因在于类别不均衡和特征重叠。健康叶片的颜色、纹理特征与早期叶斑病有较大重叠模型容易混淆。我尝试了两种优化手段。第一种是提高分类置信度阈值从默认的0.25提升到0.45误检率下降了不少但同时漏检率也有所上升。第二种手段是添加背景类——在数据集里加入了不含任何病害的纯健康叶片图像和背景图像让模型在训练时明确学习“没有目标”的情况。第二种方案的效果更好。加入背景类后模型对是否检测到目标的判断更谨慎了误检率下降了约40%而漏检率只略微上升。这也说明了数据集设计中的一个原则只包含正样本的数据集是不完整的负样本的合理设计同样决定了模型在真实场景中的可靠性。7. 项目经验总结与扩展方向做这个花生叶片病害检测数据集项目前后耗时约三个月中间反复踩坑、返工、调整。现在回头梳理我觉得最有价值的部分反而不是最终训练出的模型精度有多高而是整个过程中沉淀下来的数据工程经验怎么设计类别体系、怎么控制标注一致性、怎么划分数据才能让评估结果可信、怎么处理类别不平衡、怎么让模型在真实场景中少犯八杆子打不着的错误。如果后续要扩展这个项目我会优先考虑两个方向一是用半监督学习的方式用已经训练好的模型去标注更大规模的未标注图像再由人工抽检修正这样可以把数据集规模快速扩大一个量级二是尝试将图像分类和目标检测结合先判断整株花生是否感病再定位具体病斑形成两级检测架构这在实际应用中可能比单一模型更可靠。对于正准备做类似数据集项目的朋友我的建议是不要急着一上来就采集图像先把类别体系和标注规范定清楚否则后面返工的代价远超你的预期。数据集的构建不是模型的附属品它本身就是整个项目的基石石头没放稳后面建什么都是白搭。本文还有配套的精品资源点击获取