简介这是一份小麦田地杂草检测已标注数据集面向目标检测学习与研究人群包含约1400张田间实拍图像与对应标签。数据涵盖8个杂草类别如RAD1、RAD2、RD2、RAD23等采用YOLO标注格式并已划分训练集与验证集可直接用于YOLOv5、YOLOv8等模型训练。全包共2000个文件以1414个txt标签文件为主配585张jpg原图和1个Python可视化脚本运行脚本可快速预览标注效果便于检查标签质量。压缩包整体约276MB文件按拍摄时间与地块信息命名目录结构清晰方便筛选与扩展。已有100人学习下载适合农业遥感、智慧植保、杂草识别等场景的算法开发与毕业设计借助该数据集可熟悉YOLO格式数据组织方式直接进行模型调参与精度对比为小麦田杂草精准识别提供可靠支撑。1. 小麦田地杂草图像目标检测数据先看这份 YOLO 标注数据能解决什么问题做农业视觉的同学应该都有同感模型选型、训练调参这些环节都能在网上找到大量教程真正卡脖子的反而是数据。小麦田地里的杂草检测就是一个典型场景——杂草种类多、尺度小、和麦苗混在一起背景还随光照和土壤湿度变化。我手上这份「小麦田地杂草图像目标检测数据」约 1400 张已经完成标注且是 YOLO 格式拿到的第一时间我先确认了三件事标注质量是否可靠、类别分布是否均衡、能不能直接进 YOLO 训练流程。这份数据适合谁适合正在做农田杂草识别、精准施药视觉系统、或者想用目标检测做农业落地验证的从业者。它的价值不在于数量大而在于它是已标注的 YOLO 格式省掉了最耗时的数据准备阶段。但「已标注」不等于「能直接训练」这 1400 张图里有哪些坑下文我会完整拆解。2. 理解 YOLO 标注格式解析标签文件与质量检查2.1 YOLO 标签文件到底长什么样YOLO 格式的核心是每个图像对应一个同名的 txt 文件放在 labels 目录下。每行代表一个目标实例格式是class_id x_center y_center width height需要注意的是这里的 x_center、y_center、width、height 全部是相对于图像宽高的归一化坐标值域在 0~1 之间。比如某个杂草框的中心点在图像正中央宽度占图像的 1/3那么这一行就是0 0.5 0.3333 0.3333 0.25这份小麦杂草数据既然标注为 YOLO 格式首先就要确认它是否遵守了上述约定。我见过不少自称 YOLO 格式的数据实际给出的是 VOC 坐标或者干脆是像素坐标这样的数据直接丢给 YOLO 训练模型会一直不收敛。拿到数据后我先写一个脚本做格式自检把每个 txt 的每一行读出来检查是否正好 5 个数值、每个数值是否在 0~1 范围内、类别 id 是否小于配置文件中的类别总数。python check_yolo_labels.py --img_dir images --label_dir labels检查脚本核心逻辑是遍历所有 txt 文件逐一校验数据和标签数量的一致性。import os import sys def check_label_file(img_dir, label_dir): img_files [f for f in os.listdir(img_dir) if f.endswith((.jpg, .png, .jpeg))] errors [] for img in img_files: stem os.path.splitext(img)[0] label_path os.path.join(label_dir, stem .txt) if not os.path.exists(label_path): errors.append(f{img} 缺少对应标签文件) continue with open(label_path, r) as f: lines f.readlines() for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: errors.append(f{img}: 第{i1}行不是5个字段) continue try: cls, cx, cy, w, h map(float, parts) except ValueError: errors.append(f{img}: 第{i1}行存在非数值字段) continue # 归一化坐标必须在0~1之间宽度高度不能为负 if not (0 cx 1 and 0 cy 1 and 0 w 1 and 0 h 1): errors.append(f{img}: 第{i1}行坐标越界) return errors这段脚本的价值在于把「人眼抽查」变成「全量自动校验」。1400 张图逐张看是不现实的机器检查可以在几秒钟内找出所有疑似问题。参数上坐标范围的判断标准是 YOLO 官方约定cx、cy 和 w、h 都应在 0~1 区间宽度和高度不允许为 0。跑完如果有报错看具体行数去修如果零报错才能进入下一步。2.2 用脚本统计类别分布与样本量格式通过之后还要看类别分布。杂草检测数据最常见的翻车点不是标注格式而是类别极度不平衡。比如「狗尾草」有 800 个实例「节节麦」只有 30 个实例训练出来的模型会对少样本类别产生严重漏检。统计类别分布可以直接读标签文件按类别 id 计数import os from collections import Counter def count_instances(label_dir): counter Counter() for f in os.listdir(label_dir): if not f.endswith(.txt): continue with open(os.path.join(label_dir, f), r) as fp: for line in fp: cls int(line.strip().split()[0]) counter[cls] 1 return counter stats count_instances(labels) for cls_id, cnt in sorted(stats.items()): print(f类别 {cls_id}: {cnt} 个实例)看到统计结果之后我的判断标准是如果最少的类别实例数少于 100这个类别在训练时大概率学不好需要考虑是否合并相似类别、做数据增强或者干脆先移除该类别。1400 张图像的总实例数通常会在 3000 到 8000 之间具体取决于每张图像里杂草的密集程度。类别数多但每类都偏少的情况下我一般会把任务简化为「杂草 vs 非杂草」的二分类检测先跑通流程再逐步细分。这一步能极大避免后面训练完发现某个类别完全没检测出来的尴尬属于典型的后悔药环节。2.3 检查标注边界目标是否过小或贴边除了格式和类别分布还要关注标注框的物理尺寸。杂草目标普遍偏小尤其是在远距离拍摄的麦田俯视图里一株杂草可能只占几十个像素。YOLO 模型对极小目标的检测能力本就有限如果这 1400 张图里有大量宽度或高度小于 0.05归一化后的框训练时就会因为正样本特征不足而漏检严重。可以用以下脚本筛选出小目标占比import os small_thresh 0.05 total 0 small_count 0 for f in os.listdir(labels): if not f.endswith(.txt): continue with open(os.path.join(labels, f), r) as fp: for line in fp: _, _, _, w, h map(float, line.strip().split()) total 1 if w small_thresh or h small_thresh: small_count 1 print(f小目标占比: {small_count / total:.2%})如果小目标占比超过 30%单纯调参很难解决问题需要从图像切块和多尺度训练两个方向入手。图像切块是指把大图切成若干小块分别训练让目标在切块后的尺寸变大多尺度训练则靠 YOLO 自带的 mosaic 和随机缩放来人为增加小目标样本。这个检查步骤很多新手会跳过等训练完可视化检测结果时才发现小目标一片空白再回头补数据就来不及了。3. 组织训练数据目录结构划分与数据集配置文件3.1 标准 YOLO 目录结构train/val 划分要提前做确认标注没问题后下一步是把 1400 张图按 YOLO 官方惯例组织成数据集目录。常见做法是这样wheat_weeds/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamlimages 和 labels 目录要一一对应train 放训练集val 放验证集test 放最终测试集。划分比例我习惯用 8:1:1 或者 7:2:1具体看数据量。1400 张的情况下8:1:1 比较稳妥训练集 1120 张验证集 140 张测试集 140 张。划分时需要保证每个类别在三个集合里都出现不能出现某一类只在训练集里、验证集里从未见过的情况。python split_dataset.py --full_dir wheat_weeds --train_ratio 0.8 --val_ratio 0.1下面是划分脚本的完整逻辑import os import random import shutil def split_dataset(root, train_ratio0.8, val_ratio0.1): random.seed(42) images [f for f in os.listdir(os.path.join(root, images)) if f.endswith((.jpg, .png, .jpeg))] random.shuffle(images) n_train int(len(images) * train_ratio) n_val int(len(images) * val_ratio) splits { train: images[:n_train], val: images[n_train:n_train n_val], test: images[n_train n_val:] } for split_name, files in splits.items(): os.makedirs(os.path.join(root, images, split_name), exist_okTrue) os.makedirs(os.path.join(root, labels, split_name), exist_okTrue) for img in files: src_img os.path.join(root, images, img) dst_img os.path.join(root, images, split_name, img) shutil.copy(src_img, dst_img) stem os.path.splitext(img)[0] src_lbl os.path.join(root, labels, stem .txt) if os.path.exists(src_lbl): dst_lbl os.path.join(root, labels, split_name, stem .txt) shutil.copy(src_lbl, dst_lbl)这里有个细节容易忽略随机划分时必须设置随机种子random.seed(42)否则每次划分结果不同后续实验之间无法对比。shutil.copy 而非 move是为了保留原始数据副本避免划分出错后无法恢复原图。划分完成后一定要检查 labels 目录下三个子目录的文件数量是否与 images 一一对应少了文件大概率是原数据里就有缺失要回到第 2 章去补。3.2 data.yaml 配置类别 id 顺序是命门接下来创建 data.yaml 文件这是 YOLO 训练的数据入口path: wheat_weeds train: images/train val: images/val test: images/test nc: 3 names: 0: crabgrass 1: greenfoxtail 2: shepherdspurse这里最需要注意的是 names 列表的顺序必须与标签文件里的 class_id 一一对应。如果原数据的类别 id 是 0、1、2但你在 names 里写成了 1、2、3训练时模型会把类别全部学错而且不会有任何报错。另一个常见坑是 path 字段用了相对路径却从错误的目录启动训练命令导致 YOLO 报找不到数据集。我的习惯是直接用绝对路径虽然配置文件在换机器时不够灵活但第一次跑通比可移植性更重要。标注格式、类别 id 映射、路径解析这三个环节全对了data.yaml 就稳了。3.3 用预训练模型验证数据可用性先跑一个最小训练数据组织完成后不要直接上大模型先用一个最小的训练任务验证数据链路完整性。常见做法是下载 YOLO 的预训练模型权重作为初始权重跑 10 个 epoch 看 loss 是否正常下降。这一步的主要目的是排查数据问题而不是追求精度。训练 10 个 epoch 之后如果 loss 从高位降到低位、验证集上有基本的检测框输出说明数据和配置全链路通了再进入正式训练。4. 训练小麦杂草检测模型从命令到参数调优4.1 最小可运行训练命令与参数解读YOLO 训练最核心的命令在 v8 工具链下是这样的yolo train datawheat_weeds/data.yaml \ modelyolov8n.pt \ epochs50 \ batch16 \ imgsz1280 \ patience10 \ device0逐项说明参数含义modelyolov8n.pt表示使用 nano 规模的预训练权重nano 体量小、训练快适合先验证数据imgsz1280是图像输入尺寸这里特意调大是因为杂草目标小分辨率越高小目标保留的像素越多batch16取决于 GPU 显存大小patience10表示连续 10 个 epoch 验证集指标不提升就提前停止训练防止过拟合。命令里没有写project和nameYOLO 会在默认的 runs/detect 目录下自动建一个以时间戳命名的文件夹保存产物训练结束可以直接用best.pt做推理。4.2 学习率、批次和图像尺寸的配合学习率在 YOLO 中通常不用手动设置默认的自动学习率调度器会随训练轮数调整。但如果训练过程中出现 loss 剧烈震荡我一般会手动降低初始学习率到 0.001 或 0.0005。批次大小和图像尺寸会互相制约显存不足时优先降低 batch而不是降低 imgsz。原因在于杂草检测的目标尺度问题降 imgsz 会让小目标彻底消失。表裸GPU显存配置参考GPU 显存batchimgsz备注8 GB8960先验证链路12 GB161280推荐起点24 GB321280可加 mosaic具体到这份小麦杂草数据我的建议是以 imgsz1280 为基准。如果目标杂草的平均像素宽度不足 30px这一步调整带来的精度提升比任何模型结构改动都明显。4.3 训练过程监控loss 曲线和验证指标训练启动后不要只盯着终端看进度条YOLO 会输出几个关键指标box_loss、cls_loss、dfl_loss 和 mAP50、mAP50-95。box_loss 衡量预测框与真实框的坐标误差cls_loss 衡量分类误差mAP50-95 是综合检测精度的核心指标。训练前 10 个 epoch 关注 loss 是否下降10 个 epoch 之后开始关注 mAP 变化。如果 loss 下降但 mAP 不升常见的玄学原因是类别样本量太少或者标注框本身偏大偏小模型学到了一个「中间值」导致交并比偏低。这种时候不要盲目加训练轮数而是回到第 2 章的类别统计结果检查是否有某类样本数过少。如果确认是样本问题后续章节会给出处理方案。4.4 验证集推理用 best.pt 做可视化训练完成之后立刻用验证集跑一次推理把检测框可视化出来。这一步最直观能看出哪些杂草被漏检、哪些误检到了麦苗上。yolo predict modelruns/detect/train/weights/best.pt \ sourcewheat_weeds/images/val \ save_txtTrue \ save_confTrue \ conf0.25 \ imgsz1280save_txtTrue会输出预测结果的 txt 文件格式与标注文件相同方便后续做指标计算conf0.25是置信度阈值低于 0.25 的检测框会被丢弃。可视化图片默认保存在 runs/detect/predict 目录下打开看一眼通常能瞬间发现问题大量框重叠说明 NMS 参数需要调某个类别完全没有框说明模型对这个类基本失效。5. 小麦杂草检测的踩坑记录类别不平衡、小目标与标注边界5.1 类别不平衡直接导致 mAP 虚高现象训练完成后总 mAP50 有 0.75看起来还不错但查看每一类的 mAP发现样本多的杂草类有 0.8 以上样本少的类别只有 0.3 不到。总指标被高样本类别「平均」掉了单看总指标会误以为模型可用。原因YOLO 默认的类别损失是等权的样本少的类别在总损失中占比过低模型倾向于把大类的特征学好小类则几乎被忽略。解决对少样本类别做复制粘贴式增强。具体做法是读取那些标注框数量较少的图像将其中的目标裁剪后随机粘贴到其他麦田背景图上生成新的训练样本。代码层面就是用 OpenCV 读取目标区域随机变换缩放后放进背景图同时生成对应的 YOLO 标注行。我一般会将最少类别的样本数量增强到大类的三分之一左右效果远好于修改损失函数权重。5.2 小目标在缩小图像上直接消失现象训练用 imgsz640训练完后检测小杂草完全空白但可视化标注时明确能看到杂草。原因640 分辨率下原本只有 20 像素宽的杂草被进一步压缩到 5~8 像素卷积下采样后特征图上一个点都分不清是草还是背景噪声。解决提高 imgsz 到 1280 或更高。这一步会显著增加显存和训练时间但收益是实打实的。如果显存不够就改用图像切块策略把 1280 甚至更高分辨率的大图切成 640 的小图训练推理时也切块预测再合并。另一个折中方案是开启 YOLO 的scale增强参数但实测对 20 像素级别的小目标收益有限。5.3 标注框贴边导致边界损失一直不降现象box_loss 在前 10 个 epoch 下降后进入平台期之后怎么调学习率都不降。原因部分杂草长在图像边缘标注人员给的框有一半在图像外归一化坐标计算时宽度和高度相对偏小且坐标偏移模型学到了「框的一半出界」的错误分布。解决训练前做一个边缘框过滤。对每个标注框如果它的 x_center width/2 接近 1 或 x_center - width/2 接近 0将这个框做裁剪或直接丢弃。1400 张图里这类样本通常是少数丢弃不影响大局但它们造成的梯度噪声很顽固。实际处理时我一般写脚本批量检查将出界超过 20% 的框去掉并重新保存标签文件。5.4 BN 崩溃是玄学多半是 batch 太小现象训练到中途 loss 突然飙升到 NaN训练进程终止反复重启都一样。原因BatchNorm 层在 batch 尺寸过小或图像内容过于单一时统计量方差失稳梯度爆炸。在 batch4 或 batch8 时尤其常见。解决最直接的方案是增大 batch 到 16 以上。如果显存不够减少 imgsz 而不是减小 batch保持 batch 在 16 以上是底线。另一个有效办法是开启 YOLO 的mosaic0关闭马赛克增强因为 mosaic 混合四张图时会引入极端的像素分布在 batch 小时加剧 BN 方差波动。BN 崩溃是训练中途最容易让人怀疑人生的坑先查 batch 大小再查增强配置大部分情况五分钟内解决。5.5 数据划分泄露导致验证集指标失真现象训练时验证集 mAP 到 0.9 以上换到实际拍摄的新图上一塌糊涂框不准、漏检多。原因划分数据时没有考虑图像来源同一性。1400 张图里可能包含同一块麦田连拍的多帧这些图像背景高度相似随机划分后同一来源的图像可能同时出现在训练集和验证集里验证时模型其实在「作弊」。解决按图像来源分组划分而不是按单张图像划分。具体方法是先把图像按文件名前缀或拍摄时间分组然后把整组划分到 train 或 val 中。很多开源数据集是按帧连拍的文件名前半部分相同写一个按前缀分组的划脚本就能规避这个问题。6. 验证模型没白训练混淆矩阵、PR 曲线与交叉验证模型训练到满意后最后一个关键步骤是用工具验证它的真实水平。光看 YOLO 终端打印的 mAP 不够我每次都会打开 runs/detect/train 目录下的混淆矩阵和 PR 曲线图。混淆矩阵能看出哪两类之间最容易互相误判。小麦杂草场景里最典型的是「麦苗」和「杂草」互相误检因为苗期麦苗和阔叶杂草在形状、颜色上高度相似。如果混淆矩阵中这两类交叉点的数值偏高说明模型学到的特征还停留在颜色和纹理表层可以考虑引入更多不同生长时期的图像或者用多光谱数据增强特征差异。PR 曲线关注的是召回率随置信度阈值变化的趋势。我的判断标准如果曲线在召回率达到 0.8 之前准确率就开始大幅下降说明模型对低置信度检测的信心不足部署时调低置信度阈值会带来大量误检。最后我想说一个自己的习惯任何数据训练出的模型我都会在正式投入前用一批完全独立拍摄的麦田图像做一次「蒙眼测试」。这批图像不参与训练也不参与验证集划分拿来检验模型在真实场景下的表现。测试结果往往比 mAP 数字更真实。1400 张的小数据量能撑到这一步已经完成了它的使命但后续要提升精度你需要继续补充不同地块、不同光照、不同生长周期的数据这是数据型项目最朴素的路径。希望这份踩坑记录能帮你在小麦杂草检测方向上少走几段弯路。本文还有配套的精品资源点击获取