简介基于Python与Shell的YOLOv5花卉识别完整源码面向有一定深度学习基础的计算机视觉学习者与开发者可直接用于花卉检测、分类识别项目以及毕业设计、课程实验或算法二次开发。压缩包共102个文件大小约1.19MB其中包含40个YAML配置、32个Python源文件、11个YML模板、5个Shell脚本以及Dockerfile、Notebook教程、测试图片和说明文档等。配置与源码分离YAML/YML文件便于按需调整数据集路径、超参数与模型结构Python代码覆盖数据预处理、模型训练、验证、推理等核心环节Shell脚本可自动化完成依赖安装、数据准备与训练启动Dockerfile则有助于快速搭建一致的运行环境。资源另附tutorial.ipynb交互式教程和样例图片清晰展示从原始数据到识别结果的完整处理链路。目前已有370人学习整体结构清晰、易于上手是一款适合快速搭建花卉识别应用的开源参考实现。1. 先拆源码包Python 管模型Shell 管流程跑通才是硬道理标题里这个“基于Python与Shell语言的yolov5花卉识别模型设计源码”说白了就是一个把 YOLOv5 训练和推理封装成两套脚本的项目Python 负责模型训练、数据转换、推理这些真正吃算力的活Shell 负责环境安装、目录创建、批量跑任务这些脏活累活。第一次打开这种源码包最容易踩的第一个坑就是不知道从哪个文件开始执行——先跑训练脚本还是先跑环境脚本我的答案是别急着看 train.py先把 Shell 脚本按顺序过一遍环境不通后面全是黑匣子。适合谁手里有花卉图片数据集、想用 YOLOv5 训练一个能识别具体花种的模型、又不满足于只在 Jupyter 里点运行的人。它解决的核心问题不是模型精度而是“训练流程能不能一键复用”。2. 从目录到环境Shell 如何把 YOLOv5 训练前置流程串成一条龙打开源码包的第一件事建议先看目录结构而不是找 train.py。原因很简单这个项目把 Python 和 Shell 的边界设在“模型逻辑”和“流程编排”上不搞懂边界位置后面所有路径都会对不上。常见做法是flowers_yolov5/ ├── setup.sh # 环境安装脚本 ├── prepare_data.sh # 数据集划分脚本 ├── train.sh # 一键训练脚本 ├── detect.sh # 推理脚本 ├── data/ │ ├── flower_dataset.yaml # 数据集配置 │ ├── images/ # 原始图片 │ └── labels/ # YOLO格式标签 ├── yolov5/ # 官方YOLOv5源码 └── scripts/ ├── voc_to_yolo.py # Python标注转换 └── verify_data.py # 数据校验脚本这个目录树里setup.sh 管环境、prepare_data.sh 管数据、train.sh 管启动训练、detect.sh 管推理它们都只负责“把命令按顺序跑完”而 yolov5 目录里的 train.py、val.py、detect.py 才是模型真正的入口。Python 脚本对系统环境不敏感但对路径和依赖敏感Shell 脚本刚好反过来路径错了它会提前暴露环境缺了它会直接中断。所以源码包把这两类脚本组合在一起本质是用 Shell 的可读性来降低 Python 项目的落地门槛。2.1 Python 与 Shell 的分工边界为什么要用两套语言我一般会按这个标准来划分需要条件判断、数据计算、动态生成内容的逻辑放 Python需要操作文件、调用外部命令、按固定顺序执行的任务放 Shell。YOLOv5 训练流水线里正好有大量后者。比如虚拟环境创建、pip 安装、目录初始化、数据集切分、训练启动、权重备份这些用 Shell 写出来任何人拿到源码包都能看得懂执行顺序而模型结构、损失计算、数据增强、后处理这些放进 Python 才有办法调试和扩展。有人觉得 Shell 脚本可有可无直接在终端敲命令更灵活。真到了把训练任务交给定时任务或者部署到树莓派上的时候你就明白需要一条可复现的脚本。用 shell 命令行串起来换一台机器只需要改前几行的路径变量后面完全不用动。这个源码包设计的合理之处就在于Shell 不越界去写模型逻辑Python 不越界去管系统依赖两类文件各管一段训练流程才不容易翻车。2.2 环境配置脚本把 Python、PyTorch 和 YOLOv5 依赖一次装齐如果你按“python安装教程”那套思路先装 Python 再一个个装包很容易装完 torch 发现版本和 CUDA 对不上然后又去重装。源码包里一般都会带一个 setup.sh把环境准备固化成一条命令。下面是我常用的写法#!/bin/bash # setup.sh —— 创建虚拟环境并安装 YOLOv5 依赖 set -e ENV_NAMEyolov5 PYTHON_VERSION3.9 # 1. 创建 conda 虚拟环境 conda create -n $ENV_NAME python$PYTHON_VERSION -y # 2. 激活虚拟环境非交互环境下必须用 conda.sh 做初始化 source $(conda info --base)/etc/profile.d/conda.sh conda activate $ENV_NAME # 3. 安装 PyTorch 与 YOLOv5 依赖 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install -r yolov5/requirements.txt # 4. 验证关键依赖 python -c import torch, cv2, PIL; print(env ready)这段脚本我一般放在源码包根目录第一行 set -e 的意思是只要中间任何一条命令失败整个脚本立刻停止。实际踩坑点在第 2 步在脚本里直接写 conda activate 经常会报 command not found因为 conda 的初始化函数只在交互式 shell 里加载。提前 source conda.sh 是常见解法。至于 PyTorch 版本要根据服务器 CUDA 版本调整不熟的话先用 CPU 版跑通流程也行别让版本选择卡住整个项目。本地用 vscode python环境配置调试时记得在 vscode 底部选择这个 conda 环境不要用系统默认解释器。2.3 数据集切分脚本用 Shell 在训练前把图片和标签按 811 拆好花卉识别数据集不管是从网上下载还是自己拍照原始文件通常堆在一个目录里。YOLOv5 训练时要求 train/val 分开而且 images 和 labels 必须成对出现手工拖文件夹不仅慢还容易漏。prepare_data.sh 就是为这个写的核心是 Shell 的 find、shuf 和 while 循环#!/bin/bash # prepare_data.sh —— 把原始花卉图片和标签按 8:1:1 划分 RAWdata/raw TRAINdata/train VALdata/val TESTdata/test mkdir -p $TRAIN/images $TRAIN/labels mkdir -p $VAL/images $VAL/labels mkdir -p $TEST/images $TEST/labels # 生成随机排序的文件清单shuf 保证每次划分顺序不同 find $RAW -name *.jpg | shuf _all_images.txt TOTAL$(wc -l _all_images.txt) TRAIN_COUNT$((TOTAL * 8 / 10)) VAL_COUNT$((TOTAL * 1 / 10)) idx0 while read -r img; do base$(basename $img .jpg) label$RAW/${base}.txt # 没有对应标签的文件直接跳过避免训练时报警 if [ ! -f $label ]; then echo skip $img : label missing continue fi if [ $idx -lt $TRAIN_COUNT ]; then dest$TRAIN elif [ $idx -lt $((TRAIN_COUNT VAL_COUNT)) ]; then dest$VAL else dest$TEST fi cp $img $dest/images/ cp $label $dest/labels/ idx$((idx 1)) done _all_images.txt rm _all_images.txt echo done. train$TRAIN_COUNT val$VAL_COUNT逻辑说明先用 shuf 打乱图片列表再用 wc -l 统计总数Shell 的整数除法只有整除所以 test 集的数量就是总数减去 train 和 val不会多算。代码里用 basename 取出不带 .jpg 的文件名拼出同名 txt 路径这是最容易被忽视的一步。参数可调的是 8 和 1 的比例如果图片数量不到 1000我一般改成 8:2:0把 test 也并入 val节约标注样本。另外这里用的是 cp 而不是 mv保留原始数据等于给自己留后悔药。3. 用 Python 改数据集与超参YOLOv5 花卉识别训练的入口配置YOLOv5 源码本身是一个通用目标检测架子想让它变成“花卉识别模型”核心工作集中在这几个文件上数据集配置文件 data/.yaml、超参数文件 data/hyps/.yaml以及把原始标注转换成 YOLO 格式的 Python 脚本。很多教程只告诉你“改完就能训”但花点时间搞懂每个字段为什么这么设计后面调参才不抓瞎。3.1 数据集 YAML 配置nc 和 names 写错训练立刻崩用 yolov5 训练自己的数据集最典型的就是先写数据集 yaml。这个文件告诉训练脚本去哪里找图片、有哪些类别。以五种常见花卉为例# data/flower_dataset.yaml path: /home/user/flowers_yolov5/data # 数据集根目录建议用绝对路径 train: images/train val: images/val test: images/test nc: 5 names: 0: rose 1: sunflower 2: tulip 3: daisy 4: dandelion参数说明path 是根目录train 和 val 是相对 path 的路径。YOLOv5 会根据 train 自动推导 labels 目录——如果 train 指向 images/train那么 labels 必须放在 labels/train两个目录呈同级关系。把这个结构理解透后面遇到 “No labels found” 就能秒定位。nc 是类别总数必须和 names 的长度一致names 的索引顺序决定模型输出的数字对应哪朵花这个顺序从训练到推理都要统一。常见翻车点是相对路径。如果 path 写成 data/而当前目录不在 data 上一级训练时大概率找不到图片。我习惯把 path 写死成绝对路径或者用 readlink -f 在 Shell 里动态解析这样不管在哪个目录执行脚本都不会漂。3.2 超参文件里最值得调的参数lr0、mosaic、mixupYOLOv5 源码里的 yolov5超参数 文件叫 hyp.scratch-low.yaml控制着学习率、动量、数据增强强度。花卉识别任务视觉上靠颜色和纹理区分和 COCO 那种通用检测不一样所以超参必须改。下面是几个我在花卉任务里经常动的参数# data/hyps/hyp.scratch-low.yaml 中修改 lr0: 0.005 # 初始学习率花卉数据量不大时从 0.01 降到 0.005 更稳 lrf: 0.2 # 最终学习率为 lr0 * lrf momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 # 数据增强 mosaic: 0.8 # mosaic 增强概率小数据集建议调低或关闭 mixup: 0.2 # 混合增强概率类别间重叠多时才建议调高 fliplr: 0.5 # 左右翻转 hsv_h: 0.015 # 色调增强范围 hsv_s: 0.7 # 饱和度增强范围 hsv_v: 0.4 # 明度增强范围参数说明lr0 默认 0.01 是 COCO 百亿级样本的经验值花卉数据集通常只有几千张学习率太大会导致 loss 震荡我一般先用 0.005 或者 0.003。mosaic 默认 1.0意思是每张训练图都由四张图拼接生成这对小目标和遮挡有帮助但花卉识别更依赖整体颜色分布四图拼接后经常出现一朵花被切一半、颜色混杂的情况所以降到 0.8 甚至 0.5 更合理。mixup 是两张图混合在类间比较像的 rose 和 tulip 之间有正效果但如果数据量小效果不稳定。hsv 增强参数要保守后面避坑章节会单独说。判断超参是否合适最直接的做法是先用 20 个 epoch 跑一轮观察训练集和验证集的 loss 曲线。如果训练 loss 下降而验证 loss 回升说明增强不够或者模型过拟合如果两条曲线都平着走可能是学习率过小。3.3 用 Python 把原始标注转成 YOLO 格式XML 到 txt 的完整脚本很多花卉数据集来自公开的 VOC 格式标注也就是每个文件对应一个 XML。而 YOLOv5 只需要一个 txt每行内容为类别索引 中心点x 中心点y 宽度 高度。转换脚本是源码包里最标准的 Python 工具脚本下面是我平时直接抄过来改的版本# scripts/voc_to_yolo.py # 把 Pascal VOC 格式的 XML 标注转成 YOLOv5 的 txt输出归一化坐标 import os import xml.etree.ElementTree as ET # 类别名到索引的映射必须和 flower_dataset.yaml 的 names 顺序一致 CLASS_MAP {rose: 0, sunflower: 1, tulip: 2, daisy: 3, dandelion: 4} def convert_annotation(xml_path, out_dir, img_w, img_h): tree ET.parse(xml_path) root tree.getroot() out_lines [] for obj in root.findall(object): name obj.find(name).text if name not in CLASS_MAP: print(fskip unknown class: {name}) continue xml_box obj.find(bndbox) x_min float(xml_box.find(xmin).text) y_min float(xml_box.find(ymin).text) x_max float(xml_box.find(xmax).text) y_max float(xml_box.find(ymax).text) # 归一化到 [0, 1]YOLO 格式是 center_x center_y width height x_center (x_min x_max) / 2.0 / img_w y_center (y_min y_max) / 2.0 / img_h w (x_max - x_min) / img_w h (y_max - y_min) / img_h out_lines.append( f{CLASS_MAP[name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f} ) if out_lines: txt_name os.path.splitext(os.path.basename(xml_path))[0] .txt with open(os.path.join(out_dir, txt_name), w) as f: f.write(\n.join(out_lines))逻辑说明YOLO 格式不接受左上角和右下角坐标必须转成中心点加宽高并且都除以图片宽高做归一化。img_w 和 img_h 不要从 XML 里读因为很多 XML 里写的是标注时的尺寸而不是实际原图尺寸正确做法是用 PIL 读取真实图片大小。类别名映射这里是简单字典如果遇到不在映射里的类名脚本会跳过并打印这就是一种留痕方便后续检查。这个脚本可以配合 Shell 的 for 循环批量执行for xml in data/raw/*.xml; do python scripts/voc_to_yolo.py $xml data/raw/labels 640 480 done如果数据集是 csv 或 json 标注转换思路完全一样只是解析部分换成对应库。核心原则不变输出一定是“类别索引 归一化中心点 归一化宽高”且类别索引顺序和 yaml 完全一致。这个一致性一旦破坏模型训练不报错但推理结果会张冠李戴。4. 启动训练并读验证指标从命令行参数到 mAP 的完整闭环数据集准备好了下一步是把 YOLOv5 跑起来。这一步最容易翻车的不是模型结构而是命令行参数设置。很多人习惯直接 python train.py 不带任何参数结果用默认 COCO 的 80 类配置训练花卉模型跑了两天发现类别数对不上。我的做法是先把一条最小可用的训练命令固定成 Shell 脚本后面只改参数。4.1 train.sh 里的参数逐个拆解epochs、batch-size、imgsz、devicetrain.sh 是源码包里最核心的入口脚本。环境配置到位后参数就是唯一的变量。下面这条命令可以覆盖绝大多数花卉识别训练需求#!/bin/bash # train.sh —— 一条命令启动花卉识别训练 set -e source $(conda info --base)/etc/profile.d/conda.sh conda activate yolov5 python yolov5/train.py \ --weights yolov5s.pt \ --data data/flower_dataset.yaml \ --epochs 100 \ --batch-size 16 \ --imgsz 640 \ --device 0 \ --workers 4 \ --project runs/flowers \ --name experiment_01参数说明--weights yolov5s.pt 是 COCO 预训练权重花卉虽然不是 COCO 里的类别但底层边缘、纹理特征通用用迁移学习能让 loss 起点低一大截。如果下载困难可以去掉这个参数从零训练但收敛会慢很多不建议。--epochs 先给 100一个小规模花卉数据集通常 50 到 80 个 epoch 就收敛多了容易过拟合。--batch-size 按显存定8GB 显存跑 16 比较稳24GB 可以上 32爆显存时直接减半。--imgsz 是训练分辨率640 是默认值如果图片里花朵很小可以试 1280但显存和时间翻倍先别冲动。--device 0 表示用第一张 GPU树莓派上改成 --device cpu。--workers 默认 4Windows 下如果报 DataLoader 相关错误改成 0 可以绕过去。还有一个容易被忽略的参数是 --cache。YOLOv5 会每次迭代都读图片磁盘慢时训练速度被 IO 卡住加上 --cache 可以把图片预加载到内存里对文件数量大的花卉数据集效果明显前提是内存足够。这个参数不会改变精度只影响训练速度。4.2 训练日志与结果文件怎么判断模型在正常收敛而不是原地打转训练结束后所有结果在 runs/flowers/experiment_01 目录里。我一般先看三个东西weights 目录下的 best.pt 和 last.pt、results.png、confusion_matrix.png。results.png 是训练曲线的总览包含 box_loss、obj_loss、cls_loss、precision、recall、mAP 六条曲线。判断标准很简单训练 loss 应该整体下行偶尔震荡正常验证集的 precision 和 mAP 如果一路往上说明模型在学如果 loss 下降但 mAP 不涨先看是不是类别不平衡某种花占了八成样本模型学成了“看到花就猜那一种”。best.pt 是按验证集 mAP 自动保存的最优权重last.pt 是最后一个 epoch 的权重。epochs 没跑够被中断时可以用 last.pt 加 --resume 恢复训练这就是后悔药。我自己习惯每隔几个 epoch 看一眼 runs/flowers/experiment_01/weights如果 last.pt 的文件修改时间正常跳着走说明训练进程没挂。4.3 用 Python 验证脚本计算 mAP一个可靠的判断标准训练完成不等于模型能用。best.pt 在验证集上的表现才是可信的。YOLOv5 里验证入口是 val.pypython yolov5/val.py \ --weights runs/flowers/experiment_01/weights/best.pt \ --data data/flower_dataset.yaml \ --task val \ --conf-thres 0.25 \ --iou-thres 0.45参数说明--task val 表示只跑验证集--conf-thres 0.25 是置信度阈值低于 0.25 的框不纳入计算--iou-thres 0.45 是 NMS 的 IoU 阈值两个框重叠超过 0.45 会被合并。val.py 会打印 P、R、mAP0.5、mAP0.5:0.95 四项核心指标。mAP0.5 是 IoU 阈值 0.5 下的平均精度花卉检测任务里我一般要求它到 0.9 以上才算能用mAP0.5:0.95 是更严格的指标取多个 IoU 阈值的平均通常比 mAP0.5 低十几个点不用强求。验证完后还会生成 confusion_matrix.png这个图非常重要如果 rose 和 tulip 互相混说明这两个类在模型眼里太像需要从数据层补样本或者调整增强参数如果某个类别 precision 高但 recall 低说明框太紧或者漏检多可以适当调低置信度阈值。5. 花卉识别训练与部署避坑五个高频故障的排查路径YOLOv5 训练花卉模型坑很少出现在模型结构上大多藏在数据路径、标注格式、Shell 环境这类看起来不起眼的地方。下面五条是我在多个项目里反复遇到的每条都按现象、原因、解决的顺序说清楚。5.1 “No labels found”警报标签路径对不上现象train.py 启动后终端反复输出 WARNING提示 No labels found in data/train/images但目录里明明有 txt 文件。原因YOLOv5 会根据 train 路径推断 labels 路径train 是 images/train它就去 labels/train 找同名文件不会扫描整个 data 目录。解决确认 images 和 labels 是同级目录即 data/train/images 与 data/train/labels不是 data/images/train。训练前先用一段 Python 校验脚本扫一遍import os root data/train img_dir os.path.join(root, images) lab_dir os.path.join(root, labels) imgs os.listdir(img_dir) missing [ f for f in imgs if os.path.splitext(f)[0] .txt not in os.listdir(lab_dir) ] print(fmissing labels: {len(missing)}) if missing: print(\n.join(missing[:10]))这个脚本的逻辑很简单遍历 train images 目录下每张图检查 labels 目录里是否存在同名 txt最后把缺失列表打印出来。我每次训练前都会跑一遍能把“训练到一半发现标注丢了几百个”这种事消灭在启动前。5.2 CUDA out of memorybatch-size 与 imgsz 的妥协现象训练刚开始几十个迭代就崩日志最后一行是 CUDA out of memory有时在验证阶段才爆。原因batch-size 和 imgsz 的乘积超过显存大小。解决先把 batch-size 降到 8imgsz 保持 640如果还是爆imgsz 降到 512或者换更小的模型权重 yolov5n.pt。不要一上来就换大模型花卉识别的目标不算极端小yolov5s 训练到 95% 的 mAP 完全有可能。如果显存只有 4GB可以试试 batch-size 4 加 --cache用内存换显存。注意推理阶段同样会爆部署到嵌入式设备时imgsz 和 batch-size 都要按设备算力重设。5.3 混淆矩阵里两个花种永远分不开类名顺序与数据不均衡现象训练 loss 正常收敛验证 mAP 也不低但打开混淆矩阵发现 rose 和 tulip 互相错分精度损失集中在这两个类上。原因有两个第一是转换脚本里 CLASS_MAP 的顺序和 yaml names 顺序不一致导致索引错乱第二是这两个类别在图像上本身相似且样本量差距大。解决先检查分类映射手动找出 rose 的标注在训练 txt 里是不是 0如果不对应立刻重新生成标注确认映射无误后对易混类增加训练样本或者把这两个类的 fliplr 关闭——因为有些花旋转后形态确实会变垂直翻转更少见。数据不均衡时可以在数据切分时用占比而不是绝对数量来取样让每个 class 都参与训练。5.4 Shell 脚本报 command not foundCRLF 换行和 conda 环境现象执行 setup.sh 报 conda: command not found或者报 /bin/bash^M: bad interpreter。原因conda 的初始化函数只写在 .bashrc 里非交互式 shell 默认不加载脚本如果在 Windows 上用记事本改过换行符是 CRLFLinux 下会把 \r 当成命令名的一部分。解决脚本开头加上 source 那两行见第 2 章换行问题用 sed 直接处理sed -i s/\r$// setup.sh这是 shell 中常见坑里最典型的两个。我每次拿到源码包第一件事是把所有 .sh 跑一遍 sed 换行清洗避免后面被这种低级错误卡半天。另外在 Linux 系统安装 Python 时不要覆盖系统自带的 python3优先用 conda 虚拟环境隔离避免污染系统环境。5.5 训练 loss 很低但真实照片识别差数据增强把颜色改没了现象训练集和验证集 mAP 都很高拿手机拍一张真实花卉测试要么漏检要么错检。原因数据增强里的 HSV 参数范围过大模型在训练时看到大量颜色被扭曲的“假花”反而把颜色当成了噪声。花卉识别和行人检测不一样颜色是最重要的特征之一。解决把 hyp 文件里的 hsv_h 从 0.015 降到 0.005hsv_s 从 0.7 降到 0.3hsv_v 从 0.4 降到 0.2同时把 mosaic 概率调回 0.8。如果想验证是不是增强的问题可以临时把 mosaic 和 hsv 全部关掉重新训练 20 个 epoch对比同一批真实图片的检测结果。注意部署时的图像预处理要和训练时一致YOLOv5 的 detect.py 会统一做归一化不要自己在外面再套一层预处理。6. 把推理封装成 Shell 一键脚本批量验证与树莓派部署技巧训练完 best.pt不能只在验证集上看指标要拿真实图片走一遍完整推理流程。YOLOv5 的 detect.py 本身支持单张和目录输入但真正落地时我习惯用 Shell 脚本把批量推理和后处理串起来。6.1 用 shell 脚本 for 循环批量跑 detect.py#!/bin/bash # detect.sh —— 遍历本地图片目录逐张执行 yolov5 推理 source $(conda info --base)/etc/profile.d/conda.sh conda activate yolov5 RESULT_DIRruns/inference mkdir -p $RESULT_DIR for img in data/test/images/*.jpg; do echo process: $img python yolov5/detect.py \ --weights runs/flowers/experiment_01/weights/best.pt \ --source $img \ --conf-thres 0.25 \ --project $RESULT_DIR done这里的 shell 脚本 for 循环负责把每个文件路径传给 Python避免在 Python 里手动拼接系统路径。detect.py 每次运行都会新建一个 exp 目录所以如果不想让结果散落可以在 --name 上指定统一名称。detect.py 输出目录里每张图会生成对应的 txt内容是类别索引、置信度和归一化框坐标这个 txt 就是 yolov5 后处理阶段最常读取的产物后续做数量统计或者温度上报都从这里取数据。6.2 导出 ONNX 并在树莓派 5 上验证推理速度如果想把训练好的模型部署到树莓派 5 上跑实时识别常见做法是先把 best.pt 导出成 ONNX再交给 onnxruntime 加载。命令很简单python yolov5/export.py \ --weights runs/flowers/experiment_01/weights/best.pt \ --include onnx \ --dynamic导出后用一段 Python 读取import onnxruntimesession.run 输出检测框。树莓派 5 上 CPU 跑 yolov5s 的 ONNX输入 640 分辨率大约几百毫秒级别做静态图片识别够用。如果追求更快可以继续量化或者缩减 imgsz但至少先确认 ONNX 的推理和 PyTorch 原版结果对齐。我自己现在每次训练前都会先跑一遍 5.1 的标签校验脚本确认每张训练图都有对应 txt再执行 train.sh。这个习惯救过我很多次因为很多训练翻车并不是模型结构问题而是上游某个 label 文件悄悄丢了。希望帮到你。本文还有配套的精品资源点击获取