简介这份农作物多类别目标检测数据集面向农业AI开发者、农机视觉算法工程师及农业院校研究人员用于解决农田场景下作物种类识别与定位的模型训练需求。数据覆盖香蕉、豆类、茄子、辣椒、黄瓜、大蒜、生姜、玉米、洋葱、豌豆、菠萝、马铃薯、水稻、高粱、番茄、小麦等16类主要经济作物包含谷物、蔬菜与经济作物三大类别并特别提供豆类与豌豆、不同茄科作物等易混淆样本便于训练高精度区分模型。压缩包共2000个文件以957张jpg图像与1041个txt标注文件为主另含1个yaml配置文件与1份docx说明文档整体约73.86MB标注严格遵循YOLO格式可直接用于YOLOv5/v7/v8等主流框架的迁移学习与微调。目前已有106人学习下载适合快速搭建农田巡检、智能除草与自动化收割等视觉感知模块。1. 农田里的 16 类作物一份 1041 张图的 YOLO 数据集能扛住什么去年帮一个做植保无人机的团队看视觉模块他们卡在一个很实际的问题上模型在实验室的番茄图片上准得离谱拉到山东寿光的大棚里辣椒和茄子直接互相认错黄瓜的检测框能飘到豆角藤上去。翻他们的训练集才发现全是网上爬的单一作物特写背景干净、光照均匀跟真实农田里那种枝叶交叠、逆光、露水的场景完全是两个世界。后来换了一份带多类别、带遮挡样本的农作物数据集重训mAP 才从 0.4 出头爬到 0.7 以上。这件事让我一直对「农业目标检测数据集」这个品类保持警惕——不是图多就行类别覆盖和场景复杂度才是决定模型能不能落地的分水岭。这份农作物多类别目标检测数据集训练集 726 张、验证集 212 张、测试集 103 张合计 1041 张覆盖香蕉、豆类、茄子、辣椒、黄瓜、大蒜、生姜、玉米、洋葱、豌豆、菠萝、马铃薯、水稻、高粱、番茄、小麦共 16 类主要农作物。标注是标准 YOLO 格式归一化边界框坐标加类别标签能直接喂给 YOLOv5/v7/v8 这些主流框架。它适合谁做农田巡检机器人视觉模块的、搞精准农业管理平台的、农业院校做 AI农业交叉研究的以及开发智能除草或自动化收割设备感知模块的工程师。如果你正在找一份能直接开训、类别够杂、带遮挡样本的农业检测数据集这份东西值得认真拆一遍。2. 拆开压缩包目录结构、标注格式与 16 类作物的分布逻辑2.1 从文件名反推数据集的组织方式拿到一个数据集压缩包我习惯先不急着解压训练而是把文件列表拉出来看命名规律。这份数据集的图片文件名长这样chilli_8_jpg.rf.71b9cb5407d240f706c0e72e817a39fb.jpg、pineapple_51_jpg.rf.1c2090a6c9f8a1c0cbba2bc17bbf9bfa.jpg、potato_50_jpg.rf.f8be569fdccf89a48956827ed931a8a1.jpg。这个命名结构信息量很大前缀是作物英文名chilli、pineapple、potato中间是序号_jpg说明原图格式.rf.后面那串 32 位十六进制是 Roboflow 导出时生成的哈希标识。也就是说这份数据集大概率是从 Roboflow 平台导出后重新打包的标注文件应该是与图片同名的.txt。常见做法是解压后先跑一段脚本统计类别分布和图片尺寸别凭感觉判断均衡性。我一般会这么干import os from collections import Counter from PIL import Image img_dir images/train # 训练集图片目录 lbl_dir labels/train # 训练集标注目录 class_counter Counter() size_counter Counter() for fname in os.listdir(img_dir): if not fname.lower().endswith((.jpg, .png, .jpeg)): continue # 统计图片尺寸判断是否需要统一 resize with Image.open(os.path.join(img_dir, fname)) as im: size_counter[im.size] 1 # 读取同名 txt 标注第一列是类别 id lbl_path os.path.join(lbl_dir, os.path.splitext(fname)[0] .txt) if os.path.exists(lbl_path): with open(lbl_path) as f: for line in f: parts line.strip().split() if parts: class_counter[int(parts[0])] 1 print(图片尺寸分布:, size_counter.most_common(5)) print(类别实例数:, sorted(class_counter.items()))这段脚本的逻辑很直白遍历图片目录用 PIL 读尺寸做分布统计再顺着同名规则找到标注文件把每行的第一个字段类别 id累加。跑完你会得到两个关键信息——图片是否尺寸统一、16 类各自的实例数是否均衡。参数上唯一要注意的是img_dir和lbl_dir的路径要按你解压后的实际结构改Roboflow 导出的包通常是train/images、train/labels这种分层也有人重新整理成images/train、labels/train先ls一下再填。2.2 YOLO 标注格式到底存了什么YOLO 格式的标注文件是纯文本每行代表一个目标格式为class_id x_center y_center width height后四个值都是相对于图片宽高的归一化值范围 0 到 1。举个例子一张 640×480 的图里有个辣椒边界框左上角在 (100, 80)宽 200 高 160那么标注行就是0 0.3125 0.3333 0.3125 0.3333其中x_center (100 200/2) / 640 0.3125y_center (80 160/2) / 480 0.3333width 200/640 0.3125height 160/480 0.3333。理解这个换算关系很重要因为后面做数据增强、格式转换、或者排查「框飘了」的问题时你都得回到这套归一化坐标上来。这份数据集的一个实际价值在于它包含了易混淆作物的区分样本比如豆类和豌豆、不同茄科作物番茄、茄子、辣椒。农业检测里最头疼的就是这类形态相近的类别模型很容易在它们之间反复横跳。数据集里专门留了这些样本意味着你训出来的模型在细粒度区分上会比用通用数据集强一截。类别 id 到作物名的映射通常在数据集根目录的data.yaml或classes.txt里训练前务必确认这个映射顺序搞错了就是「模型认得对、标签对不上」的玄学问题。2.3 训练/验证/测试的划分比例说明了什么726 / 212 / 103 这个划分换算成比例大约是 70% / 20% / 10%。这是目标检测里比较标准的切法训练集够模型学特征验证集用来调超参和早停测试集留到最后做一次 unbiased 评估。但要注意1041 张图分到 16 类平均每类也就 65 张左右如果某些类别样本偏少训练时容易出现类别不平衡。我的习惯是先在data.yaml里把类别数nc设对这里是 16然后训练时开--cache加速同时用--rect做矩形推理减少 padding 带来的无效计算。提示划分比例合理不代表每类都均衡跑完 2.1 的统计脚本后如果发现某类实例数低于 30建议在训练配置里对该类做 oversampling 或者调高cls损失权重别硬训。3. 用 YOLOv8 把这份数据集跑起来配置、命令与参数逐条说清3.1 环境准备与 data.yaml 的正确写法训练前先把环境搭好。我一般用 conda 建个干净环境装 ultralytics 和必要的依赖conda create -n crop_det python3.10 -y conda activate crop_det pip install ultralytics opencv-python pillow pyyamlultralytics 这个包把 YOLOv8 的训练、验证、导出全串起来了装完就能用yolo命令行。接下来是数据集配置文件这是最容易翻车的地方。在数据集根目录建一个crop_data.yaml# 农作物多类别检测数据集配置 path: /data/crop_dataset # 数据集根目录按实际路径改 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 test: images/test # 测试集图片相对路径 nc: 16 # 类别数必须和标注里的 id 范围一致 names: # 类别名顺序必须和标注 id 严格对应 0: banana 1: bean 2: eggplant 3: chilli 4: cucumber 5: garlic 6: ginger 7: corn 8: onion 9: pea 10: pineapple 11: potato 12: rice 13: sorghum 14: tomato 15: wheat这里nc和names是命门。nc写错会导致训练直接报维度不匹配names的顺序如果和标注文件里的 class_id 对不上模型学到的就是错位的类别验证时 loss 正常下降但预测全是乱的。我见过有人把 names 按字母序排了一遍结果辣椒的框全标成了黄瓜排查了半天。确认方法很简单随便打开一个标注 txt看第一列的数字对照 names 里同 id 的名字拿张图可视化一下框和标签是否吻合。3.2 启动训练命令行参数逐个拆配置写好就能开训。下面这条命令是我在 1041 张图这个量级上比较常用的起手式yolo detect train \ datacrop_data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ cacheTrue \ rectTrue \ projectruns/crop \ nameexp1逐条说参数。modelyolov8n.pt选的是 nano 版本1041 张图这个规模用 n 或 s 就够了上大模型容易过拟合且训练慢如果你追求精度且显存够可以换yolov8s.pt。epochs150配合patience30意思是 30 轮验证指标不提升就早停避免无效训练。imgsz640是 YOLO 的默认输入尺寸农业场景里小目标比如远处的豌豆多如果显存允许可以提到 800 甚至 1024但要注意小目标检测对分辨率敏感提尺寸往往比换模型更有效。batch16按显存调8G 显存跑 640 尺寸大概能到 16不够就降到 8。lr00.01是初始学习率微调预训练模型时这个值合适如果从零训可以降到 0.001。cacheTrue把图片缓存到内存1041 张图完全放得下能明显加快每个 epoch 的读取。rectTrue做矩形训练减少 padding对长宽比差异大的农田图有好处。训练启动后重点盯三个输出box_loss、cls_loss、mAP50。box_loss 管定位准不准cls_loss 管分类对不对mAP50 是综合指标。正常情况下 box_loss 和 cls_loss 应该稳步下降mAP50 稳步上升。如果 cls_loss 降不下去多半是类别混淆严重回到 2.2 说的易混淆作物问题考虑加数据或调损失权重。3.3 验证与推理确认模型真的学到了东西训练完别急着部署先跑验证看每类的表现yolo detect val \ modelruns/crop/exp1/weights/best.pt \ datacrop_data.yaml \ imgsz640 \ conf0.25 \ iou0.5conf0.25是置信度阈值低于这个值的检测框会被丢掉iou0.5是 NMS 的 IoU 阈值控制重叠框的合并。验证输出会给每个类别的 precision、recall、mAP50、mAP50-95。重点看那些 mAP 明显偏低的类别它们往往就是豆类/豌豆、番茄/茄子/辣椒这些易混对。如果某一类 recall 特别低说明漏检多可能是该类样本太少或特征不明显如果 precision 低说明误检多可能是背景干扰或类别边界模糊。推理单张图或整个目录yolo detect predict \ modelruns/crop/exp1/weights/best.pt \ sourcetest_images/ \ conf0.3 \ saveTrue \ save_txtTruesave_txtTrue会把预测结果按 YOLO 格式存下来方便你后续做误差分析——把预测框和真实标注叠在一起看哪些框偏了、哪些类别错了一目了然。这一步是很多人跳过的但恰恰是定位问题最快的方式。4. 训练农业检测模型最容易翻车的几个地方4.1 类别 id 与 names 错位loss 正常但预测全乱现象训练时 box_loss 和 cls_loss 都正常下降mAP 也在涨但推理时发现辣椒的框标成了茄子番茄标成了黄瓜整体像是「类别标签被随机打乱」。原因data.yaml里的names顺序和标注文件里的 class_id 没有严格对应。Roboflow 导出时类别顺序是按项目里添加的顺序定的如果你手动重排了 names或者用了别人整理的 classes.txt就很容易错位。解决打开任意一个标注 txt取第一列的数字去 names 里查对应名字再打开对应图片肉眼确认框住的作物是不是这个名字。确认无误后再开训。如果已经训完才发现不用重训改对 names 后重新跑验证和推理即可权重本身学到的特征是对的只是标签映射错了。4.2 图片和标注文件名不匹配训练时静默丢样本现象训练日志里显示的图片数量和实际文件数对不上比如你有 726 张训练图但日志显示只加载了 700 张少了 26 张。原因YOLO 加载数据时按图片名去找同名 txt如果某张图没有对应标注或者标注文件名多了后缀比如chilli_8_jpg.rf.xxx.txt而图片是chilli_8_jpg.rf.xxx.jpg就会静默跳过。这份数据集的命名带.rf.哈希手动改名时极易出错。解决跑一段校验脚本检查每张图是否有同名标注import os img_dir images/train lbl_dir labels/train missing [] for fname in os.listdir(img_dir): stem os.path.splitext(fname)[0] if not os.path.exists(os.path.join(lbl_dir, stem .txt)): missing.append(fname) print(f缺失标注的图片数: {len(missing)}) for m in missing[:10]: print(m)发现缺失就补标注或删图片别让模型在「无标签」的图上白学。4.3 小目标漏检严重豌豆和远处的玉米基本检不到现象验证时大目标香蕉、菠萝mAP 很高但豌豆、水稻这类小目标 mAP 惨淡推理图上几乎看不到小框。原因640 的输入尺寸下小目标经过多次下采样后特征几乎消失。农业场景里作物在图像中占比差异极大近处一个大番茄能占半张图远处的豌豆可能就十几个像素。解决优先提输入尺寸imgsz1024往往比换模型更有效其次可以在数据增强里开mosaic1.0和scale0.5让模型多见不同尺度的目标如果还是不行考虑用带 P2 小目标检测层的模型结构或者把大图切块训练再合并结果。这份数据集里小目标样本不少训练时别用默认的imgsz640一把梭。4.4 验证集 mAP 虚高测试集一跑就崩现象验证集 mAP50 能到 0.85信心满满拿去测试集跑掉到 0.6 都不到。原因验证集和训练集如果来自同一批拍摄、同一场景分布太接近模型相当于在「见过的场景」里评估。测试集如果包含不同光照、不同生长阶段的图分布差异就暴露了。解决训练过程中定期用测试集做一次评估虽然不参与调参但能提前发现分布问题如果测试集表现差太多说明数据多样性不够需要补充不同场景的样本。这份数据集已经分好了测试集别偷懒跳过它是你上线前最后一道防线。4.5 显存爆了或者训练速度慢得离谱现象训练启动就 OOM或者每个 epoch 要跑十几分钟。原因batch设太大、imgsz设太高、没开cache、或者用了 CPU 训练。解决先nvidia-smi确认在用 GPU显存不够就把batch降到 8 或 4同时开ampTrue混合精度ultralytics 默认开cacheTrue把图缓存到内存能显著提速如果数据集图片分辨率远大于imgsz预处理阶段会先 resize不会额外吃显存但读取慢cache 能缓解。5. 从能跑到好用迁移学习、类别混淆排查与一个验证习惯模型能跑通只是起点真正决定它能不能上农田的是细粒度区分能力。这份数据集里豆类和豌豆、番茄和茄子辣椒这几对是农业检测里公认的硬骨头。我的做法是训完基础模型后专门把这几类的验证样本挑出来做一次混淆矩阵分析。ultralytics 的验证会自动生成confusion_matrix.png直接看哪些类别互相误判最多。如果豆类和豌豆混淆严重说明模型没学到足够的区分特征这时候有两个方向一是对这两类做针对性数据增强比如随机裁剪局部、调整亮度对比度二是用更大的输入尺寸让细节更清晰。迁移学习这块yolov8n.pt是在 COCO 上预训练的虽然 COCO 里没有农作物类别但底层边缘、纹理特征是可迁移的。我一般会先冻结 backbone 训 20 轮再解冻全量微调这样收敛更稳。命令上就是先freeze10跑一段再去掉 freeze 继续训。另外训练完导出 ONNX 或 TensorRT 做部署时记得用yolo export modelbest.pt formatonnx imgsz640导出后拿几张测试图跑一遍确认推理结果和 PyTorch 版一致别等到部署到设备上才发现算子不支持。有个习惯我坚持了很久每次训完模型不管指标多好看都强制拿测试集里随机 20 张图做一次人工目检把预测框和真实框叠在一起看。指标是统计量会掩盖个例的离谱错误而农田里一个错检可能就意味着一次误喷药。这份数据集给了你一个干净的起点但模型好不好用最终还是得靠你拿真实场景去磨。希望帮到你。本文还有配套的精品资源点击获取