简介本资源面向具备一定Python与深度学习基础、希望上手番茄叶片病害目标检测的开发者与学习者提供一套可直接运行的YOLO实战方案。压缩包共1470个文件约40.55MB其中730张jpg为图像样本358个xml与363个txt分别对应标注与YOLO格式标签另有3个py脚本、3个pt权重、3个yaml配置及png、csv等训练日志与可视化结果覆盖数据、训练与推理全流程。已有109人学习下载。资源包含数据集与完整代码运行01脚本可将数据转为YOLO格式并生成train.txt、val.txt与data.yaml02脚本用于模型训练03脚本提供PyQt可视化界面点击加载图片与检测按钮即可完成识别也可直接调用已训练权重快速验证。借助现成权重、训练曲线与验证批次预测图读者能省去数据整理与调参成本快速复现并理解目标检测在农业病害场景中的落地方式。1. 番茄叶片病害目标检测从一份 .zip 到能跑通的检测器拿到「基于python深度学习对番茄叶片病害目标检测-含数据集和代码.zip」这类资源多数人的第一反应是解压、找train.py、直接python train.py然后被路径报错、类别不匹配、显存溢出轮番教育。番茄叶片病害检测属于典型的细粒度农业视觉任务早疫病、晚疫病、叶霉病、斑枯病这些类别在叶片上的病斑形态高度相似颜色、纹理、边界差异都很微妙背景还夹杂土壤、茎秆、水滴和光照变化。它要解决的不是「有没有病」而是「是哪一种病、病斑在哪、占多大面积」所以目标检测比单纯图像分类更贴合实际需求。这套方案适合三类人想用真实农业数据集跑通 YOLO 全流程的深度学习入门者、需要给温室或田间巡检做病害定位原型的工程师、以及手里有类似 .zip 资源但一直没跑通的从业者。下面按「数据长什么样 → 怎么转格式 → 怎么训 → 坑在哪 → 怎么验证」的顺序拆开讲。2. 番茄叶片病害数据集先看清标注格式再动手2.1 农业病害数据集的三种常见组织方式这类 .zip 里的数据集落地时最常见的是三种结构。第一种是分类式目录train/早疫病/xxx.jpg、train/晚疫病/xxx.jpg只有图像级标签没有边界框这种只能做分类做检测得自己补标注。第二种是 VOC 式每张图配一个同名.xml里面bndbox记录xmin/ymin/xmax/ymax类别写在name里。第三种是 YOLO 式每张图配一个.txt每行class_id cx cy w h坐标全部归一化到 0~1。判断方法很简单解压后先看有没有Annotations和JPEGImages两个目录有就是 VOC看到labels目录加一堆.txt就是 YOLO。我一般会先跑一遍统计确认类别分布和框的数量因为农业数据集经常出现某类只有几十张、某类上千张的极端不平衡。import os, glob from collections import Counter # 统计 VOC 标注里的类别分布先摸清数据底细 xml_dir data/Annotations counter Counter() for xml_path in glob.glob(os.path.join(xml_dir, *.xml)): with open(xml_path, r, encodingutf-8) as f: content f.read() # 简易提取 name 标签正式场景建议用 xml.etree import re for name in re.findall(rname(.*?)/name, content): counter[name.strip()] 1 for cls, num in counter.most_common(): print(f{cls}: {num})这段代码的作用是先做数据体检。xml_dir指向标注目录Counter累计每个类别出现的次数re.findall只是快速预览正式处理建议换成xml.etree.ElementTree避免漏标签。跑完你会看到类似「早疫病 820、晚疫病 640、健康 300」的分布。如果某一类低于 200 个框训练时就要考虑过采样或强增强否则模型会偏向多数类。这一步不做后面 mAP 虚高你还以为是模型强。2.2 把 VOC 转成 YOLO 格式转换脚本与四个边界坑YOLO 训练只认归一化 txt所以 VOC 转 YOLO 是绕不开的一步。转换的核心是把xmin/ymin/xmax/ymax转成中心点加宽高再除以图像宽高。坑集中在四点图像尺寸要从对应 jpg 读不能写死类别名到 id 的映射必须固定且全数据集一致坐标要裁剪到 [0,1]标注越界会直接让训练 loss 变 NaN空标注图要么删要么留空 txt不能生成全零行。import os, glob import xml.etree.ElementTree as ET from PIL import Image classes [早疫病, 晚疫病, 叶霉病, 斑枯病, 健康] # 顺序固定训练和推理必须一致 cls2id {c: i for i, c in enumerate(classes)} def voc_to_yolo(xml_path, img_dir, out_dir): tree ET.parse(xml_path) root tree.getroot() img_name root.find(filename).text img_path os.path.join(img_dir, img_name) w, h Image.open(img_path).size # 真实尺寸别写死 640 lines [] for obj in root.findall(object): name obj.find(name).text.strip() if name not in cls2id: continue # 未登记类别直接跳过避免 id 错位 bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 裁剪越界坐标防止归一化后超出 [0,1] xmin, xmax max(0, xmin), min(w, xmax) ymin, ymax max(0, ymin), min(h, ymax) if xmax xmin or ymax ymin: continue # 无效框丢弃 cx (xmin xmax) / 2 / w cy (ymin ymax) / 2 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cls2id[name]} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) out_path os.path.join(out_dir, os.path.splitext(img_name)[0] .txt) with open(out_path, w) as f: f.write(\n.join(lines)) for xml in glob.glob(data/Annotations/*.xml): voc_to_yolo(xml, data/JPEGImages, data/labels)classes列表的顺序就是最终模型输出的类别顺序一旦训练完再改权重全部作废。Image.open读真实宽高是关键很多翻车案例是标注工具按 640 导出、原图却是 1920直接除错。坐标裁剪那两行是后悔药农业数据集手工标注经常有框超出边界。转换完建议抽查 5 张用可视化脚本把框画回图上确认没偏移再进训练。3. 用 YOLOv8 跑通训练配置文件、参数与显存控制3.1 数据集 yaml 怎么写才不出错YOLO 系列训练入口是一个 yaml 描述文件里面写清训练、验证、测试三个路径和类别名。路径建议用绝对路径相对路径在不同工作目录下会翻车。nc是类别数必须和names长度一致多一个少一个都会在加载时直接报错。# tomato.yaml path: /home/user/tomato_detection # 数据集根目录 train: images/train # 训练图目录 val: images/val test: images/test nc: 5 # 类别数必须等于 names 长度 names: 0: 早疫病 1: 晚疫病 2: 叶霉病 3: 斑枯病 4: 健康path加train拼出完整路径所以images/train下放 jpglabels/train下放同名 txtYOLO 会自动按文件名找标签。常见错误是图片和标签目录层级不对应比如图片在images/train而标签在labels训练时找不到标签会静默跳过最后 mAP 为 0 你还找不到原因。划分比例我一般按 7:2:1农业数据量小的时候可以 8:1:1但验证集至少留 100 张以上才有统计意义。3.2 训练命令与关键参数怎么调环境上pip install ultralytics就能拿到 YOLOv8 的训练接口GPU 建议 8G 显存起步。番茄叶片病害这种细粒度任务我一般从yolov8s或yolov8m起步n 太小欠拟合l 以上小数据集容易过拟合。# 单卡训练imgsz 640batch 按显存调 yolo detect train \ datatomato.yaml \ modelyolov8s.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ projectruns/tomato \ nameexp1epochs150配合patience30是早停30 轮验证指标不升就停省时间也防过拟合。imgsz640是精度和速度的平衡点病斑特别小可以上 1024但显存翻倍。batch16在 8G 显存上跑 yolov8s 基本安全报 OOM 就降到 8 或 4。lr00.01是初始学习率小数据集可以降到 0.005 更稳。训练日志里重点看box_loss和mAP50前者不降说明标注有问题后者震荡说明学习率偏大或数据太杂。3.3 数据增强农业场景该开哪些、该关哪些YOLO 默认开启 mosaic、HSV 抖动、随机翻转。番茄叶片场景里HSV 抖动对光照变化有帮助mosaic 能提升小目标召回但mixup和copy_paste在病斑任务上要谨慎病斑被过度混合后语义会乱。我一般保留默认增强额外加一点旋转因为田间拍摄角度多变。from ultralytics import YOLO model YOLO(yolov8s.pt) model.train( datatomato.yaml, epochs150, imgsz640, batch16, degrees15.0, # 随机旋转 ±15 度模拟拍摄角度 hsv_h0.015, # 色调抖动应对光照差异 hsv_s0.7, hsv_v0.4, mosaic1.0, # 保留 mosaic 提升小病斑召回 mixup0.0, # 病斑语义敏感关掉 mixup fliplr0.5, )degrees15别开太大叶片旋转超过 30 度病斑形态会失真。mixup0.0是我的血泪经验开了之后模型会把两类病斑叠在一起学验证集上类别混淆严重。mosaic1.0保留因为病斑在整张图里占比小mosaic 拼图能增加小目标样本。增强参数没有万能值建议先跑 20 轮看验证曲线再决定加不加。4. 训练不收敛、mAP 上不去排查清单4.1 现象loss 一直是 nan 或突然爆掉原因通常是标注坐标越界或宽高为负归一化后出现非法值。解决方法是回到转换脚本加坐标裁剪和无效框过滤转换后跑一遍校验确认所有 txt 每行都是 5 个字段、后四个在 [0,1] 内。另一个可能是学习率太大lr0从 0.01 降到 0.001 再试。4.2 现象mAP50 卡在 0.3 上不去先看类别分布如果某类样本极少模型基本学不会。解决是对少数类过采样或在 yaml 里给类别加权。其次检查标注质量农业数据集常见框只框了病斑一部分模型学到的是残缺特征。我一般会抽 20 张验证集预测图人工看框得准不准比盯数字有用。4.3 现象训练集指标高、验证集崩典型过拟合。番茄叶片数据集通常几千张yolov8m 以上很容易过拟合。解决是换小模型、加增强、加 dropout或者冻结 backbone 前几层先训 head。patience设小一点早停能救回不少时间。4.4 现象推理时类别全错或框乱飞八成是类别顺序不一致。训练时names的顺序和推理时你解析结果的顺序必须完全一样。另一个原因是推理输入尺寸和训练不一致训练 640 推理 1280 会导致框偏移。统一用训练时的imgsz。4.5 现象显存溢出 OOMbatch太大或imgsz太高。先降 batch 到 8再不行降 imgsz 到 512。也可以用ampTrue混合精度显存能省三成左右精度损失很小。多卡场景注意device参数别写错。5. 验证与部署从 mAP 到能用的检测器训练完不能只看 mAP得落到具体验证和导出。验证命令一行就够yolo detect val modelruns/tomato/exp1/weights/best.pt datatomato.yaml imgsz640重点看三个指标mAP50反映整体检测能力mAP50-95反映框的精准度precision/recall看漏检和误检的平衡。番茄病害场景里 recall 比 precision 更重要漏检一个病斑比多框一个健康区域代价大。如果 recall 偏低降低置信度阈值到 0.25 再验证。导出部署格式时农业巡检常在边缘设备跑ONNX 是通用选择from ultralytics import YOLO model YOLO(runs/tomato/exp1/weights/best.pt) model.export(formatonnx, imgsz640, opset12, simplifyTrue)opset12兼容性好simplifyTrue会做图优化推理快一点。导出后务必用同一张图对比 PyTorch 和 ONNX 的输出确认框和类别一致我见过导出后类别顺序错位的案例排查了半天。最后一个技巧农业病害检测的置信度阈值不要用默认 0.25建议在验证集上画 PR 曲线选 recall 和 precision 交叉点附近的阈值。我自己的习惯是每次训完先跑 50 张现场图人工核对漏检和误检再决定要不要补数据。这套流程跑通一次后面换数据集、换模型都只是改配置的事。希望帮到你。本文还有配套的精品资源点击获取