简介这份玉米叶病预测数据集面向农业视觉、目标检测与智慧植保方向的开发者、研究人员及高校学生适用于智慧农业、无人机巡田、病虫害监测等场景。包内共2000个文件1995张jpg为实地玉米叶片影像覆盖叶枯病、普通锈病、灰叶斑病与健康叶片四种状态3个json文件为COCO格式人工标注可被主流检测框架直接读取2个txt文件提供类别说明或训练验证集划分整体压缩包约515.62MB结构清爽便于快速完成数据准备。数据集合计10884张图片标注质量稳定模型准确率可达95.7%以上既可作为算法基线对比、模型调优与论文实验的参考基准也可帮助读者系统理解农业病害数据集的组织与标注规范。已有404人学习下载适合需要高质量农业病害数据开展目标检测训练或迁移验证的开发者。1. 玉米叶病预测数据集是什么一个COCO格式的4分类目标检测任务在玉米病害识别场景里最大的成本从来不是显卡而是攒数据、标数据。拿到一个宣称95.7%准确率、10884张图的玉米叶病预测数据集先别急着开训。这个数字很可能指的是mAP0.5也就是目标检测里最常见的评估指标而不是整图分类的准确率。数据集采用COCO格式人工标注包含叶枯病、普通锈病、灰叶斑病、健康玉米叶四个类别的矩形框正好能喂给目标检测框架做病害定位和分类。这篇文章我会带你从数据体检、格式转换、训练配置到排查踩坑完整走一遍帮你看清这个数据集值不值得用、怎么用出效果。2. 为什么选COCO格式从标注到训练的选型逻辑2.1 COCO格式的JSON结构images、annotations、categories三板斧COCO格式在目标检测领域几乎是默认的中间格式标注工具如LabelMe、Roboflow、X-AnyLabeling导出时都会生成一个instances_xxx.json。这个JSON顶层有info、licenses、images、annotations、categories五个字段但真正决定数据内容的是后三个。images字段是一个数组每个元素代表一张原始图片至少包含id、file_name、width、height。关键点在于file_name只是文件名不包含完整路径如果训练脚本的图片根目录没有配置对会出现找不到图片的错误。我的习惯是拿到数据集后第一件事就是打开JSON把images里的file_name字段全部打印出来看路径是纯文件名还是带子目录。一个最简的COCO标注长这样{ images: [{id: 1, file_name: site01_001.jpg, width: 1920, height: 1080}], annotations: [{id: 1, image_id: 1, category_id: 2, bbox: [100.5, 80.2, 320.1, 456.3]}], categories: [{id: 1, name: leaf_blight}] }annotations字段是最核心的每个标注元素有id、image_id、category_id、bbox、area这几个键。bbox的格式是[x, y, width, height]x和y是框左上角在原始像素坐标系里的坐标。很多人在这里会踩坑COCO的坐标系原点在左上角方向是向下和向右延伸并不是图像处理里常用的中心点表示。area字段在不同工具里值不一样有的工具会算闭合轮廓的面积有的工具只算bbox面积。做统计时不要直接用area字段作为目标尺寸的唯一依据最好自己根据bbox重新算一遍w*h。categories字段定义类别包含id和name。id不一定连续很多标注工具会保留自定义的ID组合。比如有的框架给背景预留id0标注类别从1开始也有的工具会从0开始。你拿到手的这个数据集如果是从标注平台导出的可能id中间有空洞。后面转YOLO格式时如果不重新映射就会出现类别越界。对玉米叶病数据集来说COCO格式的最大好处是通用性强Ultralytics YOLO、MMDetection、Detectron2都能直接加载或者用官方工具转成其他格式。而且人工标注的信息量足够除了框还能追溯标注员的置信度但大多数框架并不会真正读这个字段。2.2 类别ID设计与name字段健康叶不能漏这个数据集明确说识别四种叶枯病、普通锈病、灰叶斑病、健康玉米叶。前三个是病害类别最后一个是健康类别。很多新手会把健康叶当背景认为没有病斑的框不需要标。这是一个严重误区如果训练时完全没有健康叶这个正类别模型会把所有不是病斑的东西都当作背景田间叶片的各种光线反光、叶鞘、露水都可能被误判为病。我在实际项目中习惯把类别ID定为0 健康玉米叶1 叶枯病2 普通锈病3 灰叶斑病。这样设计的好处是模型第一类就学习“什么是健康形态”后续病害类都相对它做判别。如果你用Ultralyticsnames列表顺序会直接影响输出通道顺序不用太担心只要跟类别ID一致就行。但注意有些数据集的类别名可能不统一比如叶枯病有的叫helminthosporium有的叫leaf_blight普通锈病有的叫puccinia有的叫common_rust灰叶斑病有的叫gray_leaf_spot。这本身不重要重要的是你在训练配置里写的names必须与转换后的class_id一一对应。建议先把categories里的原始name打印出来确认中文名还是英文名。如果是中文名在Linux终端可能显示乱码训练配置里最好统一改成英文短标识。2.3 用Python快速体检数据集统计、越界、面积分布拿到JSON后我会先跑一段“体检”脚本不加载任何模型只做三件事统计类别数量、检查bbox越界、看面积分布。代码不长但能在十分钟内发现数据集的真实状态。import json import numpy as np from collections import Counter json_path datasets/maize_leaf/annotations/instances_train.json with open(json_path, r, encodingutf-8) as f: coco json.load(f) images coco[images] anns coco[annotations] # 1. 基础数量 print(图片数量:, len(images)) print(标注数量:, len(anns)) # 2. 类别映射与样本统计 id2name {c[id]: c[name] for c in coco[categories]} cat_counter Counter(a[category_id] for a in anns) for cid in sorted(cat_counter): print(f类别 {cid} ({id2name.get(cid)}) 目标数: {cat_counter[cid]}) # 3. 越界检查 img_info {img[id]: img for img in images} invalid [] for a in anns: img img_info[a[image_id]] x, y, w, h a[bbox] if x -0.01 or y -0.01 or x w img[width] 0.01 or y h img[height] 0.01: invalid.append(a[id]) print(越界标注数量:, len(invalid)) # 4. 框面积与宽高比 areas np.array([a[bbox][2] * a[bbox][3] for a in anns]) wh_ratios np.array([a[bbox][2] / max(a[bbox][3], 1) for a in anns]) print(bbox面积感知: min%.0f median%.0f max%.0f % (areas.min(), np.median(areas), areas.max())) print(宽高比 p5 , round(np.percentile(wh_ratios, 5), 2), p50 , round(np.percentile(wh_ratios, 50), 2), p95 , round(np.percentile(wh_ratios, 95), 2))这里的越界检查我用了-0.01的容差是因为有些标注工具会因亚像素精度产生零点几像素的偏移。面积感知部分不要直接用area字段而是用bbox宽度乘高度保证统一。宽高比如果p5和p95离1很远说明框里有很多细长目标玉米叶片本身就是细长的这是正常现象但如果全是宽高比大于5的框说明标注的是整片叶而不是病斑。输出结果后我还会把图片路径和框画出来抽查这个留到后面讲。如果发现某类别目标数特别少比如灰叶斑病只有100个框先不要急着上模型。优先去补标注或者做切片增挖。数据量不足时任何调参都只是自欺欺人。3. 把COCO格式吃进训练管线转换与增强的落地路径3.1 转换脚本COCO bbox到YOLO txt的完整实现绝大多数检测框架支持COCO格式但Ultralytics YOLO默认读的是YOLO格式一个.txt对应一张图片。所以我一般先写好转换脚本并加入异常处理。import json import os import shutil def coco_to_yolo(coco_json, output_label_dir, output_image_dirNone): os.makedirs(output_label_dir, exist_okTrue) if output_image_dir: os.makedirs(output_image_dir, exist_okTrue) with open(coco_json, r, encodingutf-8) as f: coco json.load(f) # 连续化category id避免原JSON里id有空洞 raw_ids sorted({c[id] for c in coco[categories]}) id_map {old: new for new, old in enumerate(raw_ids)} img_dict {img[id]: img for img in coco[images]} ann_dict {} for ann in coco[annotations]: ann_dict.setdefault(ann[image_id], []).append(ann) for img_id, img in img_dict.items(): base os.path.splitext(os.path.basename(img[file_name]))[0] label_path os.path.join(output_label_dir, base .txt) lines [] for ann in ann_dict.get(img_id, []): x, y, w, h ann[bbox] # 越界修正先钳制到图片边界内 img_w, img_h img[width], img[height] x max(0, x) y max(0, y) w min(img_w - x, w) h min(img_h - y, h) if w 0 or h 0: continue cx (x w / 2) / img_w cy (y h / 2) / img_h w_norm w / img_w h_norm h / img_h lines.append(f{id_map[ann[category_id]]} {cx:.6f} {cy:.6f} {w_norm:.6f} {h_norm:.6f}\n) with open(label_path, w, encodingutf-8) as fout: fout.writelines(lines) # 同步拷贝图片到输出目录方便后续统一管理 if output_image_dir: src img[file_name] if not os.path.isabs(src): src os.path.join(os.path.dirname(coco_json), src) if os.path.exists(src): shutil.copy(src, output_image_dir) if __name__ __main__: coco_to_yolo( coco_jsondatasets/maize_leaf/annotations/instances_train.json, output_label_dirdatasets/maize_leaf/labels/train, output_image_dirdatasets/maize_leaf/images/train )这个脚本比前面雏形多了一步把图片同步拷贝到一个按需目录方便后续配置data.yaml时路径简单。注意img[file_name]可能是相对路径这里做了处理。还要注意同一张图片如果有多个标注文件本脚本只支持一个标注文件对应一个图片。实际下载的数据集可能把train和val分开在两个JSON你需要分别调用这个函数。转换完成后生成一个train.txt文件包含所有图片路径供训练读取。也可以不生成train.txt在data.yaml里用train: images/trainUltralytics会自己推导对应的label目录。注意转换后一定要反向验证。最快捷的方式是写一个脚本把生成的txt画回图片肉眼看过再进训练。import cv2 def draw_yolo_labels(image_path, label_path, names): img cv2.imread(image_path) h, w img.shape[:2] with open(label_path, r, encodingutf-8) as f: for line in f: parts line.strip().split() if len(parts) 5: continue cls_id int(parts[0]) cx, cy, bw, bh map(float, parts[1:5]) x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, names[cls_id], (x1, max(y1 - 5, 0)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) return img3.2 数据集切分避免同株玉米的图同时出现在train和val数据切分是复现95.7%之前最容易被投机取巧的一步。如果你只是随机按文件名切很可能把同一株玉米的不同角度照片分到两个集合。模型在验证集上看到的只是训练集的“同款不同光线”分数虚高。将来部署到新地块表现会打折。正确做法是找到数据集的来源分组信息。如果这个数据集没有提供分组字段一个替代方案是按图片文件名前缀分组比如无人机采集的图片命名是site01_cam3_0001.jpg那site01就是分组标识。把同一前缀的图片放在同一集合里能降低串集风险。import random from collections import defaultdict samples [ (data/images/train/site01_001.jpg, site01), (data/images/train/site01_002.jpg, site01), (data/images/train/site02_001.jpg, site02), ] groups defaultdict(list) for path, group in samples: groups[group].append(path) random.seed(42) group_names list(groups.keys()) random.shuffle(group_names) n_groups len(group_names) n_train int(n_groups * 0.8) n_val int(n_groups * 0.1) train_groups set(group_names[:n_train]) val_groups set(group_names[n_train:n_train n_val]) test_groups set(group_names[n_train n_val:]) train_files [p for g in train_groups for p in groups[g]] val_files [p for g in val_groups for p in groups[g]] test_files [p for g in test_groups for p in groups[g]] with open(datasets/maize_leaf/train.txt, w) as f: f.write(\n.join(train_files)) with open(datasets/maize_leaf/val.txt, w) as f: f.write(\n.join(val_files)) with open(datasets/maize_leaf/test.txt, w) as f: f.write(\n.join(test_files))这种按组切分的方式牺牲了一部分训练数据量但换来了验证指标的真实性。如果你发现训练组和测试组里仍可能有重复图片可以再跑一遍感知哈希去重把重复图从测试集中剔除。另外做一个包含三份列表的data.yaml里面test字段也填上。很多项目只填train和val最后把测试集忘在角落里这不对。没有独立测试集你无法回答“模型到新地块能不能用”。3.3 增强策略针对病斑小目标的离线增强清单玉米叶病的目标有个特殊性病斑大小差异极大。灰叶斑病早期病斑可能只占图片面积的1%以下而普通锈病的孢子堆大一点但也不会特别大。模型训练时如果全部使用原始图小目标容易被下采样到几个像素。在做离线增强前先看你的显存。如果显存够优先提高输入尺寸到800或960比任何增强都有效。如果只能跑640再用增强补。我的建议清单增强项推荐值理由随机上下翻转0.5概率叶片姿态对称成本最低随机旋转±30度模拟不同拍摄角度但别把细长叶片转成横的随机亮度对比度亮度(-20,20)对比度(0.9,1.1)田间光照变化数值不可过大随机裁剪裁剪后面积0.5-1.0模拟局部放大兼顾小目标马赛克开启概率0.5增加单图目标丰富度但小目标可能被缩小谨慎复制粘贴增强每张图随机贴1-2个病斑针对少数类别需要手工准备病斑素材其中复制粘贴增强是叶病场景里性价比很高的手段。把灰叶斑病的典型斑块从原图裁剪出来经过旋转、透明叠加到健康叶上能有效补足少数类。但要注意别把病斑贴到叶脉边缘造成伪影模型反而学会“边缘发光的是病斑”。增强参数不是越多越好。我见过有人把旋转设为90度结果玉米叶片横过来之后模型把叶尖当成病斑。做增强的目的一是模拟真实采集变化二是补充少数类。偏离这两个目标的操作都该拿掉。4. 训练与评估用检测框架跑通95.7%的复现基线4.1 模型选型YOLOv8s为什么是甜点位对于COCO格式的玉米叶病数据集最稳妥的起点是YOLOv8s。为什么不是nn参数量小、训练快但对小病斑的拟合能力不足mAP0.5能到0.9但mAP0.5:0.95可能只有0.7。s模型在速度和精度之间最均衡一张RTX 3090能训完显存占用约8GB。如果显存只有6GB可以降到YOLOv8n并把imgsz设为640。也可以用YOLO11s或RT-DETR但RT-DETR在大量小目标场景下收敛速度慢需要更多epoch。YOLOv8生态成熟文档多遇到问题能很快查到这是团队复现时最大的软实力。如果你不是做算法研究求稳就选YOLOv8s。4.2 训练参数表与yaml配置准备一个完整的训练配置可以避免很多默认值带来的隐患。data.yaml示例path: D:/datasets/maize_leaf train: train.txt val: val.txt test: test.txt nc: 4 names: 0: healthy 1: leaf_blight 2: common_rust 3: gray_leaf_spot训练命令yolo detect train \ datadata.yaml \ modelyolov8s.pt \ imgsz800 \ batch16 \ epochs300 \ patience50 \ optimizerAdamW \ lr00.005 \ lrf0.01 \ weight_decay0.0005 \ warmup_epochs3 \ hsv_h0.015 \ hsv_s0.6 \ hsv_v0.4各参数的含义imgsz800玉米叶片框通常是细长的800能让长边病斑保留更多像素。如果你的图片本身就是特写640也能用。batch1624GB显存默认可以16如果OOM直接减半。epochs300配合patience50。早停回调会在验证损失不再下降时终止不用担心过拟合。optimizerAdamWYOLOv8官方推荐SGD但AdamW在这个数据规模下收敛更稳lr0要降到0.005。warmup_epochs3让学习率从0平缓上升避免一开始就把预训练权重破坏。内置增强hsv_x只做轻微颜色扰动别去动hsv_h0.1会把绿色叶片变成黄色。在训练过程中关注每轮输出的mAP50。如果到第50轮还在0.9以上可以放宽心。如果卡在0.8回去看第5章的排查。4.3 读懂mAP、AP和95.7%这个数字COCO定义了两套主指标mAP0.5和mAP0.5:0.95。mAP0.5是IoU阈值0.5下的平均精度常用于业务汇报数值偏高mAP0.5:0.95是多个IoU阈值下的平均更能反映定位精度。标题里的95.7%如果是业务方转述基本可以确定是mAP0.5。训练完可以直接用命令验证yolo detect val \ modelruns/detect/train/weights/best.pt \ datadata.yaml \ splittest输出里会显示每个类别的AP。如果leaf_blight的AP是0.98而gray_leaf_spot的AP只有0.72整体mAP会被平均掩盖问题。真正要做决策的是看最弱类别的AP。另外如果使用预训练权重第一次训练后还要做一次固定随机种子重训来排除随机性。不同随机种子下mAP0.5的波动通常在1-2个点如果波动超过3个点说明数据集太小或增强太激进。5. 玉米叶病数据集踩坑排查5条真实翻车记录这一章写我亲手趟过的坑按现象、原因、解决的方式列出来。5.1 标注与数据层面的坑现象一训练loss很低但mAP0.5始终在0.75。原因标注质量差。人工标注COCO格式时框常包含多余背景或把多个病斑圈成一个框。玉米叶病斑经常是成片出现标注员会图省事画一个大框导致模型学到的不是“单个斑块”而是“大块叶面积”。解决先做标注可视化。用OpenCV把框画到原图随机看50张。如果发现大面积框用脚本把大框缩减为多个小框或按标注坐标分离连通域。可以用cv2.connectedComponents对病斑mask做后处理但前提是标注里有segmentation。如果只有bbox就只能接受现状。更好的方法是回到标注平台请标注员按病斑独立描点。现象二普通锈病类别AP远低于其他类。原因样本不均衡。这个数据集号称10884张图但四类分布不一定是均匀的。普通锈病在田间通常晚发采图时如果季节不对数量可能只有几百个。解决不要急着删数据。先做类别重加权给少数类更高的loss权重。在Ultralytics中可以自定义loss但更简单的是用离线复制粘贴增强或者对少数类的图片重复采样。重复相同的图片会让模型过拟合所以我一般选增强。另外可以对锈病区域做高清裁剪单独训练一个二阶段分类器再把结果与主检测器融合。现象三健康叶被频繁检测为叶枯病。原因健康叶的阴影、叶背、露珠在图像上看起来和病斑很像。如果数据集里健康叶数量不足模型就把“有绿色叶脉”当作健康其实很多病斑恰恰发生在叶脉附近。解决把健康叶的样本量补到和病类相当。更重要的是在训练时不要刻意做“健康叶”vs“病害叶”的对比给健康叶类留足分类边界。比如增强时给健康叶加一点光照变化让它学会“亮闪闪但健康”的判断。这属于数据补采的问题没有模型层面的魔法。5.2 转换与训练层面的坑现象四转成YOLO后训练时总报“invalid index”。原因我前面提到的category id空洞没有处理。比如原categories里只有id1,2,5而你直接写names四个类模型读到id5就会溢出。还有一个变体一个人工标注的JSON里images和annotations是分开多个文件转换脚本只读了一个子集导致image_id对应不上。解决在转换时强制把category_id重映射为0到nc-1。image_id则采用“本文件内顺序索引”而不是原id。我写过一个自检函数def validate_labels(label_dir, nc): import os for txt in os.listdir(label_dir): if not txt.endswith(.txt): continue with open(os.path.join(label_dir, txt), r, encodingutf-8) as f: for line in f: cls_id int(line.split()[0]) assert 0 cls_id nc, f{txt} 出现非法class id {cls_id} print(所有标签的class id合法)现象五验证集上是95%换一批自己拍的图直接跌到60%。原因这是数据集本身的光线、相机、角度分布太窄。所谓“准确率95.7%”是在同一个分布内测得到了新田间现场就是另一回事。解决如果确定要做这个方向最值得投入的不是继续调参而是多采集一个不同季节或不同地块的数据。哪怕只加500张也能显著扩大数据覆盖。把新采集的数据作为独立测试集不要混入训练集这样你才能持续衡量模型的真实水平。6. 进阶用混淆矩阵和大图切片提升田间泛化能力6.1 混淆矩阵找到最容易“打架”的两个类别训练完成后Ultralytics会在验证阶段自动生成混淆矩阵图。我最关注的是healthy和leaf_blight之间的交叉项。如果健康叶被大量误判为叶枯病通常是健康叶样本不够或颜色增强太强。反过来如果leaf_blight被误判为gray_leaf_spot说明这两个病在形状和颜色上接近你需要提高输入分辨率让模型看到更多细节。也可以通过代码输出混淆矩阵数值from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) metrics model.val(datadata.yaml, splittest) print(metrics.confusion_matrix.matrix)这里的matrix是numpy数组行是真实类别列是预测类别。按行归一化很容易看出哪个类被吞并。6.2 大图滑窗预测什么时候切什么时候不切如果你的测试图片来自田间全景或无人机大图而训练图片是单叶特写直接整图推理几乎必然翻车。常见做法是滑窗预测把大图切成重叠块分别推理后合并。滑窗有两个参数窗口大小和重叠率。窗口大小我建议取训练时imgsz的0.8到1.5倍。比如训练用800窗口就用512或800。重叠率30%-50%。切出来的窗口如果目标边缘被截断可以靠NMS合并。但要注意同一病斑在多个窗口被重复检测时会产生多个框合并阈值要调松一点。如果数据集的图片本身就是特写滑窗不仅没必要还会拖慢部署速度。在做之前先统计测试图片平均尺寸如果长边小于1500直接resize推理就行。在整个玉米叶病项目里我最后养成的习惯是优先看混淆矩阵再决定要不要切图。数据分布没有搞清楚之前什么花哨操作都别上。希望帮到你。本文还有配套的精品资源点击获取