简介这份资源面向从事农业图像识别、目标检测算法学习与落地的开发者及学生提供烟草叶片病害检测的YOLOv5格式数据集可直接用于模型训练与验证省去繁琐的数据清洗与格式转换环节。压缩包共约2000个文件以txt标注文件为主另附一个可视化py脚本整体大小约134.51MB图像为640×640的RGB图片边界框标注清晰、图像完整。数据集覆盖蛀虫、霉菌、细菌斑点等15个类别训练集含2246张图片及对应标签验证集含211张图片及对应标签并附带15类别文本说明。资源还提供随机可视化脚本传入图片即可绘制并保存边界框无需修改即可运行便于快速检查标注质量。目前已有521人学习下载适合需要快速搭建病害检测基线、验证算法效果或开展课程实验的读者参考使用。1. 烟草叶片病害检测数据集15 类目标框标注训练验证集开箱即用烟草叶片病害检测这个方向做的人不算多但真落到田间地头需求是实打实的。烟叶从苗期到采收赤星病、黑胫病、花叶病这些病害一旦蔓延整片地的收成就悬了。传统靠植保员肉眼巡田一个人一天走不了几亩地漏检、误判都是常事。这套 yolov5 目标检测数据集就是冲着这个场景来的15 个病害类别训练集和验证集已经切分好标注格式直接适配 YOLO 系列拿到手就能挂到 yolov5 或者 yolov8 上跑训练。适合谁用做农业 AI 落地的算法工程师、搞智慧农业课题的研究生、想拿真实场景练手目标检测的开发者。它解决的不是有没有数据的问题而是数据能不能直接用、类别够不够细、标注质量扛不扛得住训练的问题。下面我从数据组织、环境配置、训练调参到踩坑排查把这份资源拆开讲透。2. 数据集结构与 YOLO 格式适配15 类标签怎么读、怎么切2.1 目录组织与标注文件格式拿到数据集先别急着写训练脚本花十分钟把目录结构摸清楚后面能省掉一堆路径报错的破事。这类烟草叶片病害数据集常见做法是按images和labels分开放训练集和验证集各自独立结构大致如下tobacco_leaf_disease/ ├── images/ │ ├── train/ # 训练集图片jpg/png │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集标注txt │ └── val/ # 验证集标注 └── data.yaml # 数据集配置文件标注文件是 YOLO 标准的 txt 格式每行一个目标框五个字段class_id center_x center_y width height。注意后四个值都是归一化到 0~1 的相对坐标不是像素值。这一点新手最容易翻车——直接拿像素坐标填进去训练 loss 会大得离谱模型根本学不动。0 0.4523 0.6187 0.1234 0.0891 3 0.7210 0.3345 0.2015 0.1567第一列0和3就是类别索引对应 15 个病害类别中的某一个。具体哪个索引对应哪种病害得看data.yaml里的names列表。常见做法是赤星病、黑胫病、花叶病、野火病、角斑病等各占一个索引但不同数据集编排顺序可能不一样务必以实际data.yaml为准别凭经验猜。2.2 data.yaml 配置与类别映射data.yaml是 YOLO 训练入口文件路径和类别名都从这里读。一个典型的配置长这样path: ./tobacco_leaf_disease train: images/train val: images/val nc: 15 names: 0: brown_spot 1: black_shank 2: mosaic_virus 3: wild_fire 4: angular_leaf_spot 5: frogeye_leaf_spot 6: target_spot 7: powdery_mildew 8: downy_mildew 9: anthracnose 10: leaf_blight 11: root_knot 12: bacterial_wilt 13: vein_banding 14: healthync必须和names的条目数严格一致写错了训练启动时就会报维度不匹配。path建议用相对路径方便整个数据集目录迁移。如果你要把数据集挪到别的机器上跑只改path一行就行不用动训练脚本。提示改完data.yaml后用python -c import yaml; print(yaml.safe_load(open(data.yaml)))快速验证 YAML 语法缩进错了会直接抛异常比训练时报错好排查得多。2.3 标注质量自检脚本数据集标注质量直接决定模型上限。我一般拿到新数据集先跑一遍自检看有没有越界框、零面积框、类别索引超范围的问题import os import glob def check_labels(label_dir, nc15): issues [] for txt_path in glob.glob(os.path.join(label_dir, *.txt)): with open(txt_path, r) as f: for line_no, line in enumerate(f, 1): parts line.strip().split() if len(parts) ! 5: issues.append(f{txt_path}:{line_no} 字段数{len(parts)}) continue cls_id int(parts[0]) cx, cy, w, h map(float, parts[1:]) # 类别索引越界 if cls_id 0 or cls_id nc: issues.append(f{txt_path}:{line_no} 类别越界 cls{cls_id}) # 坐标越界 if not all(0 v 1 for v in (cx, cy, w, h)): issues.append(f{txt_path}:{line_no} 坐标越界) # 零面积框 if w 0 or h 0: issues.append(f{txt_path}:{line_no} 零面积框) return issues if __name__ __main__: problems check_labels(labels/train) print(f发现 {len(problems)} 个问题) for p in problems[:20]: print(p)这段脚本遍历标注目录下所有 txt逐行检查字段数、类别索引范围、坐标归一化范围和框面积。nc参数要和data.yaml里的nc保持一致。跑完如果问题数为零说明标注格式基本干净可以进入训练环节如果有问题先修标注再训练别指望模型能自己扛过去。3. yolov5 环境配置与训练启动从 conda 到第一个 epoch3.1 环境搭建与依赖安装yolov5 的环境配置不算复杂但版本对不上就是各种玄学报错。我一般用 conda 建独立环境避免和系统 Python 打架conda create -n yolov5_tobacco python3.9 -y conda activate yolov5_tobacco git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txtPython 版本建议 3.8~3.10太新了有些依赖轮子还没跟上。requirements.txt里锁定了 torch、torchvision、numpy 等核心库的版本范围直接装就行。如果你机器有 CUDA装完之后用python -c import torch; print(torch.cuda.is_available())确认一下 GPU 能不能用。返回True才说明 CUDA 和 cuDNN 都对上了返回False就是 CPU 硬跑训练速度差几十倍。注意如果你之前装过其他版本的 torch先pip uninstall torch torchvision清干净再装残留的旧版本会导致ImportError或者 CUDA 初始化失败。3.2 训练命令与关键参数环境就绪后把数据集目录放到 yolov5 项目同级或者任意位置改好data.yaml里的path然后启动训练python train.py \ --data ./tobacco_leaf_disease/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0 \ --project runs/train \ --name tobacco_exp1逐项说下参数含义。--data指向数据集配置文件路径别写错。--weights指定预训练权重yolov5s.pt是最小的模型速度快、显存占用低适合先跑通流程如果精度不够再换yolov5m.pt或yolov5l.pt。--img 640是输入分辨率烟草叶片病害的病灶区域有的比较小640 是起步值后面可以试 800 甚至 1024。--batch 16是批大小显存不够就降到 8 或 4。--epochs 100是训练轮数15 类病害的数据集一般 100~300 轮能看到收敛。--device 0指定第一块 GPUCPU 训练就写--device cpu。训练启动后终端会打印每个 epoch 的 box_loss、obj_loss、cls_loss 和 mAP。前几个 epoch loss 下降快是正常的后面会逐渐平缓。如果 loss 一直震荡不降大概率是学习率太大或者标注有问题先回去查标注。3.3 训练过程监控与中断恢复yolov5 训练过程中会在runs/train/tobacco_exp1/下生成results.csv、weights/和若干可视化文件。results.csv记录了每个 epoch 的详细指标可以用 pandas 快速画曲线import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/train/tobacco_exp1/results.csv) df.columns df.columns.str.strip() fig, axes plt.subplots(1, 2, figsize(12, 4)) axes[0].plot(df[epoch], df[train/box_loss], labelbox_loss) axes[0].plot(df[epoch], df[train/cls_loss], labelcls_loss) axes[0].legend(); axes[0].set_title(Train Loss) axes[1].plot(df[epoch], df[metrics/mAP_0.5], labelmAP0.5) axes[1].legend(); axes[1].set_title(Val mAP) plt.savefig(training_curve.png, dpi150)results.csv的列名前后可能有空格读进来先strip()一下。box_loss 反映边界框回归质量cls_loss 反映分类准确度mAP0.5 是综合指标。正常情况下 box_loss 和 cls_loss 单调下降mAP 单调上升最后趋于平稳。如果 mAP 中途突然掉下去检查是不是学习率调度或者数据增强太激进。训练中断了也别慌yolov5 支持断点续训python train.py \ --data ./tobacco_leaf_disease/data.yaml \ --weights runs/train/tobacco_exp1/weights/last.pt \ --resume--weights指向上次训练保存的last.pt加上--resume就能从断点继续优化器状态和学习率调度都会恢复。4. 避坑与排查烟草叶片病害训练里最容易翻车的五件事4.1 现象训练 loss 正常下降但 mAP 始终接近零原因通常是类别索引和data.yaml里的names对不上。比如标注文件里0代表赤星病但data.yaml里0写的是黑胫病模型学到的分类头和验证集评估的类别完全错位loss 能降但 mAP 上不去。解决方法是拿自检脚本把训练集和验证集的类别分布统计出来和data.yaml逐项核对。统计命令for f in labels/train/*.txt; do awk {print $1} $f; done | sort | uniq -c输出每个类别索引的出现次数如果某个索引在训练集里一次都没出现说明这个类别没有标注样本要么补标注要么从names里去掉。4.2 现象训练到一半 CUDA out of memory原因一般是--batch或--img设太大显存扛不住。yolov5 默认会开 AMP 混合精度但 batch 大了照样爆。解决办法是先把--batch降到 8 或 4再把--img从 640 降到 512 试试。如果还不行加--workers 2减少数据加载进程数或者用--device 0明确指定单卡别让它自动选。另外训练前关掉其他占显存的进程nvidia-smi看一眼有没有残留。4.3 现象验证集 mAP 比训练集低一大截这是典型过拟合。烟草叶片病害数据集如果训练集和验证集是从同一批图片里随机切的分布差异小过拟合不会太严重但如果验证集来自不同地块、不同光照条件域偏移就会很明显。解决办法有几个一是加数据增强yolov5 默认开了 mosaic、HSV 增强、随机翻转可以再调大--hsv_h、--hsv_s的范围二是减小模型容量从yolov5m换回yolov5s三是加早停--patience 30表示 30 个 epoch 没提升就停。4.4 现象小目标病害漏检严重烟草叶片上早期病斑可能只占几十个像素640 分辨率下特征图上的响应很弱。常见做法是把--img提到 1024 甚至 1280但显存和速度代价很大。另一个思路是改 anchor用python utils/autanchor.py在你自己数据集上重新聚类 anchor 尺寸让先验框更贴合小病斑。还可以在data.yaml同级加一个hyp.yaml把anchor_t调小放宽正样本匹配阈值。4.5 现象推理时框重叠严重、同一病斑出多个框这是 NMS 后处理的问题。yolov5 默认--conf-thres 0.25、--iou-thres 0.45对密集小目标可能偏松。推理时把--iou-thres降到 0.3~0.35让重叠框合并得更狠一些。如果还是多框检查训练时--label-smoothing是不是设太大了标签平滑过度会让模型对同类目标的置信度分布变散NMS 阶段就容易留多个框。5. 进阶技巧用验证集反推标注问题与模型选型训练跑通只是第一步真正决定这套数据集能不能落地的是你能不能从验证结果里读出标注和模型的问题。我一般会在训练结束后做两件事一是用验证集跑val.py输出每类 AP二是把预测结果可视化出来逐类看。python val.py \ --data ./tobacco_leaf_disease/data.yaml \ --weights runs/train/tobacco_exp1/weights/best.pt \ --img 640 \ --task val \ --save-json跑完终端会打印每个类别的 P、R、mAP0.5、mAP0.5:0.95。重点看两类AP 特别低的类别和 AP 特别高的类别。AP 低的类别要么是样本太少要么是标注框画得太松或太紧。AP 高的类别反而要警惕——如果某个类别 AP 接近 1.0但你看可视化结果发现模型把相似病害都归到这一类了那说明类别间区分度不够标注时可能把不同病害混标了。可视化用detect.py批量跑验证集图片python detect.py \ --weights runs/train/tobacco_exp1/weights/best.pt \ --source ./tobacco_leaf_disease/images/val \ --img 640 \ --conf-thres 0.3 \ --save-txt \ --project runs/detect \ --name val_vis输出在runs/detect/val_vis/下图片上会画出预测框和类别标签。逐张翻重点看漏检的、误检的、框歪的。漏检多说明模型对这类病害特征学得不够考虑补样本或者调 anchor误检多说明背景干扰大考虑加负样本或者提高--conf-thres。模型选型上yolov5s 适合快速验证流程yolov5m 是精度和速度的平衡点yolov5l 适合对精度要求高、能接受推理慢的场景。如果你后面要部署到树莓派或者边缘设备建议直接用 yolov5s 训练然后导出 ONNX 或者 TensorRT 做推理加速。导出命令python export.py \ --weights runs/train/tobacco_exp1/weights/best.pt \ --include onnx \ --img 640 \ --batch 1导出的 ONNX 模型可以用 onnxruntime 在 CPU 上跑也可以用 TensorRT 在 GPU 上加速。注意导出时的--img要和训练时一致否则推理精度会掉。从那以后我每次拿到新的目标检测数据集都强制先跑一遍标注自检脚本再拿 yolov5s 快速训 20 个 epoch 看 mAP 曲线确认数据没问题再上大模型和长训练。这套流程帮我省下了大量返工时间也希望帮到你。本文还有配套的精品资源点击获取