简介这份资源面向农业科学、植物学研究及计算机视觉方向的开发者与学习者提供一套基于YOLOv8的植物叶片检测完整项目用于自动识别与定位叶片可服务于病害诊断、生长监测与自动化农业管理等场景。压缩包共5个文件约5.11MB包含Jupyter Notebook实验代码、Python脚本、Markdown说明文档与依赖清单覆盖模型训练、检测推理及目标追踪等环节并涉及OpenCV图像预处理与增强、机器学习训练流程等内容。已有60人学习下载。读者可借助Notebook完整复现叶片检测流程通过说明文档快速配置环境利用脚本理解视频序列中的叶片追踪思路同时掌握从数据标注到模型迭代优化的实践方法适合具备一定深度学习基础、希望将YOLOv8落地到细粒度目标检测任务的学习者参考。1. 植物叶片检测为什么值得单独拆一个 YOLOv8 工程去年帮一个做智慧农业的朋友看他们棚里的叶片病害巡检方案发现一个反直觉的现象他们用通用 COCO 预训练模型直接推理健康叶片和病斑叶片的置信度几乎贴在一起误检率高得离谱。问题不在模型本身而在于叶片检测这个场景的视觉特征太特殊——目标密集、类间差异小、背景全是同色系植被通用权重根本压不住。这也是为什么「基于 YOLOv8 的植物叶片检测」这类垂直工程包一直有人找它把数据组织、类别定义、训练配置和推理脚本都按叶片场景调过一遍拿到手就能跑不用从零试错。这份资源适合三类人一是做农业视觉巡检、想快速验证叶片检测可行性的工程师二是拿 YOLOv8 做毕业设计、需要一套完整可复现流程的学生三是已经会跑官方 demo、但卡在「自己的叶片数据集怎么喂进去」这一步的从业者。它解决的核心问题不是教你 YOLOv8 是什么而是把叶片检测从数据到推理这条链路打通让你少走几段弯路。2. 拆开这个包目录结构、依赖与数据组织逻辑2.1 拿到压缩包先看什么解压之后别急着 pip install先花两分钟把目录扫一遍。一个规范的 YOLOv8 叶片检测工程结构通常长这样plant_leaf_detection/ ├── datasets/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ ├── labels/ │ │ ├── train/ │ │ └── val/ │ └── leaf_data.yaml ├── models/ │ └── yolov8n.pt ├── train.py ├── predict.py ├── requirements.txt └── runs/ # 训练输出首次运行自动生成这个结构的关键在于images和labels是平行目录文件名一一对应只是扩展名不同。很多人第一次自己整理数据集时会把标注和图片混在一个文件夹YOLOv8 直接报找不到标签。叶片检测尤其要注意如果同一片叶子有多处病斑是标成一个框还是多个框取决于你的检测目标定义这个在动手标注前就得定死不然后面返工成本极高。leaf_data.yaml是整个训练的数据入口内容一般是这样path: ./datasets train: images/train val: images/val nc: 3 names: [healthy, rust, blight]nc是类别数names的顺序必须和标注文件里类别 id 严格对应。我见过最常见的翻车就是改了names顺序但没改标注训练 loss 能降但推理全乱。叶片检测的类别命名建议用英文短词别用中文虽然新版 ultralytics 支持但在跨平台部署时容易出编码问题。2.2 环境依赖与版本选择requirements.txt里通常锁定了 ultralytics、torch、opencv-python 这几个核心包。这里有个血泪经验ultralytics 版本和 torch 版本是强耦合的不要盲目升级。如果你是在 Ubuntu 20.04 上搭 CPU 版本环境常见做法是conda create -n leaf_yolo python3.9 -y conda activate leaf_yolo pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install ultralytics opencv-python pyyaml第一行建虚拟环境Python 3.9 是兼容性最稳的版本第二行激活第三行装 CPU 版 torch注意--index-url指向的是 CPU 专用源如果你有 GPU 就换成对应的 CUDA 源第四行装 ultralytics 和 opencv。装完用yolo checks验证能打印出环境信息就说明通了。提示如果你用的是 GTX1660Ti 这类显卡装 GPU 版 torch 时 CUDA 版本别选太新11.8 是比较稳的选择太新的 CUDA 反而可能和 ultralytics 打架。数据组织这块还有一个容易被忽略的点叶片图片的尺寸。YOLOv8 默认输入 640但如果你原始图片是手机拍的 4000x3000直接训练会先被缩放小病斑可能缩到几个像素就没了。常见做法是训练前先把长边缩到 1280 左右再标注或者标注时就把小目标框画大一点留余量。这个决策在数据准备阶段做比训练完发现漏检再回头改要省事得多。3. 训练自己的叶片数据集参数怎么设、loss 怎么看3.1 从标注到训练的第一条命令假设你已经用 labelme 或 labelImg 标好了数据转成了 YOLO 格式的 txt。启动训练的核心命令就一行yolo detect train \ datadatasets/leaf_data.yaml \ modelmodels/yolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/leaf \ nameexp1逐参数说data指向你的 yamlmodel是预训练权重叶片检测建议从 yolov8n 或 yolov8s 起步n 最快、s 精度略高先跑通再换大的epochs100是训练轮数叶片数据集通常几千张100 轮够收敛imgsz640是输入尺寸和你的标注尺度匹配batch16看显存CPU 训练就调到 4 或 8lr00.01是初始学习率这是 YOLOv8 的默认值一般不用动patience20是早停20 轮没提升就停省时间project和name决定输出目录。训练开始后终端会打印每个 epoch 的 box_loss、cls_loss、dfl_loss 和 mAP。叶片检测最该盯的是 cls_loss 和 mAP50。如果 box_loss 降但 cls_loss 不降说明框定位没问题但类别分不开——这在叶片场景很常见因为健康叶和病叶的纹理差异小。解决办法通常是加数据增强里的色彩抖动或者干脆把类别合并成「有病害/无病害」二分类先跑通。3.2 损失曲线怎么读才算没白跑训练完在runs/leaf/exp1/下会有results.csv和results.png。results.png 里几条曲线要连起来看曲线正常表现异常信号对应动作box_loss平稳下降后趋平震荡不降降 lr0 或加 batchcls_loss下降但可能偏高长期高位检查类别是否可分mAP50上升后稳定早停前就平数据量可能不够mAP50-95低于 mAP50 正常差距过大框精度不足查标注如果 mAP50 卡在 0.5 以下上不去先别怀疑模型回去看标注。叶片检测里最常见的标注问题是边界框画得太松把大量背景框进去模型学到的特征里背景占比过高。我一般会抽 20 张训练图把框可视化出来肉眼过一遍比看曲线快。想自己画 loss 曲线做报告的话读 csv 用 matplotlib 就行import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/leaf/exp1/results.csv) df.columns df.columns.str.strip() # 列名可能带空格先清理 plt.plot(df[epoch], df[train/box_loss], labelbox_loss) plt.plot(df[epoch], df[train/cls_loss], labelcls_loss) plt.plot(df[epoch], df[metrics/mAP50(B)], labelmAP50) plt.legend() plt.xlabel(epoch) plt.savefig(loss_curve.png, dpi150)df.columns.str.strip()这行别省ultralytics 输出的 csv 列名有时带前导空格不清理会 KeyError。metrics/mAP50(B)里的 B 表示 box分割任务是 M。保存用 dpi150 够清晰论文里用 300。3.3 推理脚本与结果验证训练完拿best.pt做推理from ultralytics import YOLO import cv2 model YOLO(runs/leaf/exp1/weights/best.pt) results model.predict( sourcedatasets/images/val, conf0.25, iou0.45, saveTrue, projectruns/predict, nameval_check ) for r in results: boxes r.boxes for box in boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) print(model.names[cls_id], round(conf, 3))conf0.25是置信度阈值叶片检测如果漏检多就降到 0.15 试误检多就升到 0.4iou0.45是 NMS 的 IoU 阈值密集叶片场景可以适当降到 0.4 减少框合并saveTrue会把画框结果存到runs/predict/val_check。打印类别和置信度是为了快速看有没有系统性误判比如所有 rust 都被判成 blight那就是类别定义或标注的问题不是阈值能救的。4. 叶片检测专属的避坑与排查清单4.1 训练 loss 正常但推理一塌糊涂现象训练时 mAP 看着还行推理时框位置对但类别全错或者框飘到背景上。 原因最常见的是leaf_data.yaml里names顺序和标注 txt 里的类别 id 不一致。YOLO 格式的标注每行第一个数字是类别 id从 0 开始如果你标注时 healthy1、rust0但 yaml 里写反了训练照样收敛因为模型学的是 id 映射但推理时 names 对不上。 解决写个脚本统计所有 label 文件里出现过的类别 id和 yaml 的 names 逐一对。别靠记忆靠统计。4.2 小病斑漏检严重现象大片病斑能检出零星小斑点完全没框。 原因输入尺寸 640 下原图里几十像素的病斑缩放后只剩几像素特征图上下采样几次就没了。 解决三个方向——训练时imgsz提到 960 或 1280标注时把小病斑框适当放大留边或者用切片推理把大图切成小块分别检测再合并。切片推理对叶片这种密集小目标场景提升明显但要注意块与块之间的重叠区域去重。4.3 CPU 训练慢到怀疑人生现象Ubuntu 20.04 CPU 环境下一个 epoch 要跑十几分钟。 原因YOLOv8 默认 dataloader 的 workers 数和 batch 是按 GPU 场景设的CPU 上反而拖慢。 解决把workers调到 2 或 4太高反而抢 CPUbatch降到 4 或 8imgsz先降到 416 跑通流程再升。如果只是验证可行性先用 yolov8n 416 50 epoch 出一版结果别一上来就全量。4.4 换了数据集 mAP 突然掉一半现象同样的脚本换一批叶片图片后 mAP 从 0.8 掉到 0.4。 原因新数据的拍摄条件变了——光照、背景、叶片品种不同模型没见过这个分布。 解决别急着调参先做域适应。把新数据的一部分混进训练集微调或者至少用新数据做验证集看掉在哪类。叶片检测里光照变化是最大变量训练时开hsv_h、hsv_s、hsv_v增强能缓解但根治还是得让训练数据覆盖目标场景。4.5 推理速度不达标现象精度够了但单张推理要几百毫秒上不了产线。 原因模型太大或输入尺寸太高。 解决先换 yolov8n再考虑导出 ONNX 或 TensorRT。导出命令yolo export modelbest.pt formatonnxONNX 在 CPU 上通常比 PyTorch 快一截。如果目标是 RK3588 或 Hi3516CV610 这类板端导出后还要走量化转换那是另一条链路别在训练阶段就纠结。5. 把叶片检测推到能用的程度几个我反复验证过的技巧训练能跑通只是及格线真正让叶片检测在棚里、在无人机上、在手机端能用起来还有几件事值得做。第一个是类别体系的收敛。我一开始也想着把 rust、blight、mildew 分得清清楚楚后来发现实际巡检里用户只关心「有没有问题、在哪」细分到具体病害反而因为类间差异太小导致整体精度下降。常见做法是先做二分类「健康/异常」跑通再在异常里做二级分类两级模型比一个多分类模型稳得多。第二个是验证集的选择。很多人随手从训练集里切 10% 当验证结果 mAP 虚高。叶片检测的验证集必须覆盖不同光照、不同品种、不同拍摄距离否则你看到的 0.9 到了现场就是 0.5。我一般会强制留一个「跨场景」验证集专门放和训练集不同来源的图片这个集上的 mAP 才是真实水平。第三个是推理后处理。YOLOv8 输出的框在密集叶片场景会有重叠NMS 之后还是可能同一片叶子出多个框。加一层基于 IoU 或中心点距离的二次合并能明显改善观感。另外置信度阈值不要全局一刀切可以对小框用更低阈值、大框用更高阈值因为小目标本身置信度就偏低。第四个是模型导出后的对齐验证。导出 ONNX 或 TensorRT 后务必用同一批图片对比 PyTorch 和导出模型的输出看框数量和类别是否一致。我踩过一次坑ONNX 导出时没指定opset默认版本在板端不支持转换直接失败。后来固定用opset12兼容性最好。导出命令补上参数yolo export modelruns/leaf/exp1/weights/best.pt formatonnx opset12 simplifyTruesimplifyTrue会做一层图优化去掉冗余算子对推理速度有好处但偶尔会引入数值差异导出后必须回归验证。最后说个习惯。从那以后我每次拿到一个新的检测工程包都强制先跑一遍官方预训练权重在验证集上的表现作为 baseline 记下来再跑自己训练的模型。这样一旦精度不对我能立刻判断是数据问题还是训练问题而不是在一堆变量里瞎猜。叶片检测这个方向数据质量的决定性远大于模型结构的花哨改进把标注和验证集做扎实比换多少个注意力机制都管用。希望帮到你。本文还有配套的精品资源点击获取