简介本资源为航拍孢子目标检测YOLO数据集面向农业病虫害监测、生物学研究、环境监测及智慧林业等方向的算法开发者与科研人员提供标准化的孢子颗粒检测训练素材。数据集共1010张图像划分为训练集708张、验证集202张、测试集100张标注类别为spores孢子采用YOLO归一化坐标边界框格式单图最高含11个实例适配YOLOv12等主流检测框架。压缩包共2000个文件以1010个txt标注、988张jpg图像为主另含1个yaml配置文件与1份docx说明文档整体约10.82MB轻量级规模便于中小团队快速验证原型。目前已有55人学习下载。资源覆盖农业病害预警、孢子传播研究、空气质量监测与院校实训等场景可直接用于模型训练与部署流水线帮助读者省去数据采集与标注成本快速开展高密度孢子检测实验。1. 航拍孢子检测数据集1010 张图能跑出什么名堂去年帮一个做植保无人机的团队调模型他们最头疼的不是飞控是「到底有没有孢子」这件事全靠人眼盯屏幕。一张航拍图里孢子颗粒小到十几个像素密集处一帧能叠十来个标注员盯半小时就眼花。后来他们换了个思路先把检测模型跑起来让机器做初筛人只复核可疑帧。这套流程能不能成立第一道门槛就是有没有一份标注规范、类别单一、规模够验证的孢子数据集。这份航拍孢子目标检测 YOLO 数据集就是干这个的。总计 1010 张图训练集 708、验证集 202、测试集 100单一类别 sporesYOLO 格式归一化坐标边界框。单图最高 11 个实例说明它专门覆盖了高密度场景不是那种一张图一两个目标的「玩具集」。它适合三类人做农业病虫害预警的算法工程师、需要标准化孢子检测数据做科研的生物学方向研究者、以及拿它当教学案例的农业院校老师。千级规模的好处是硬件成本低一张消费级显卡就能把原型跑通不用一上来就租集群。2. 数据集拆包与 YOLO 格式校验先看清手里是什么2.1 目录结构与标注文件长什么样拿到压缩包先别急着喂给模型解压后花五分钟把结构摸清楚能省掉后面几小时的报错排查。YOLO 检测数据集的标准结构通常是 images 和 labels 两个平行目录各自再分 train/val/test。这份数据集按简介描述是 708/202/100 的划分对应到目录里应该能看到三组子文件夹。标注文件是 .txt每行一个目标格式为class_id x_center y_center width height后四个值都是相对图像宽高的归一化值范围 0 到 1。因为是单类别class_id 恒为 0。这里有个新手常翻车的地方归一化坐标是相对于「当前这张图」的尺寸算的不是相对于数据集统一尺寸。如果图片尺寸不一致你没法用一套固定像素值去反推必须读每张图的实际宽高。# 解压后先看目录骨架确认 images/labels 是否平行 unzip 航拍孢子目标检测YOLO数据集.zip -d spores_dataset cd spores_dataset find . -maxdepth 3 -type d | sort # 统计三个子集的图片数量和简介里的 708/202/100 对一下 for split in train val test; do cnt$(find . -path */$split/images/* -name *.jpg | wc -l) echo $split images: $cnt done上面这段先确认目录层级再核对数量。如果 train 数量对不上 708先别怀疑数据有问题大概率是解压时多了一层嵌套目录或者图片扩展名不全是 .jpg。find 的-path匹配用的是通配能兼容中间多一层文件夹的情况。2.2 用脚本校验标注合法性数量对上了不代表标注能用。YOLO 训练时如果遇到坐标越界、空标注文件、类别 id 超范围轻则 warning 刷屏重则 loss 直接变 nan。写个校验脚本过一遍比训练到一半崩掉划算得多。import os from pathlib import Path from PIL import Image def validate_yolo_label(label_path, img_path, num_classes1): 校验单个 YOLO 标注文件返回问题列表 issues [] # 读图片真实尺寸归一化坐标要靠它反推 with Image.open(img_path) as im: w, h im.size if not os.path.exists(label_path): return [f缺失标注文件: {label_path}] with open(label_path, r) as f: lines [ln.strip() for ln in f if ln.strip()] if len(lines) 0: issues.append(f空标注: {label_path}) for i, line in enumerate(lines): parts line.split() if len(parts) ! 5: issues.append(f第{i}行字段数不对: {line}) continue cls_id int(float(parts[0])) coords [float(x) for x in parts[1:]] if cls_id 0 or cls_id num_classes: issues.append(f第{i}行类别越界: {cls_id}) # 归一化坐标必须落在 0~1越界说明标注时算错了 for c in coords: if c 0 or c 1: issues.append(f第{i}行坐标越界: {c}) break return issues root Path(spores_dataset) total_issues 0 for split in [train, val, test]: img_dir root / split / images lbl_dir root / split / labels for img in img_dir.glob(*.jpg): lbl lbl_dir / (img.stem .txt) probs validate_yolo_label(str(lbl), str(img)) if probs: total_issues len(probs) print(f[{split}] {img.name}: {probs[:3]}) print(f总问题数: {total_issues})这段脚本做了四件事读图片真实尺寸、检查标注文件是否存在、检查每行字段数和类别 id、检查归一化坐标是否越界。参数num_classes1对应单类别 spores如果你后续扩了类别要同步改。跑完如果总问题数是 0说明这份数据可以直接进训练流程如果有零星空标注通常是负样本图YOLO 允许空 txt 表示「这张图没有目标」但要在数据配置里确认不会被当成错误丢掉。2.3 生成 data.yaml 并确认路径YOLO 系列训练靠一个 yaml 文件告诉框架去哪找数据、有几个类别、类别叫什么。这份数据集是单类别yaml 写起来很短但路径写错是最高频的翻车点。# spores.yaml path: /abs/path/to/spores_dataset # 数据集根目录建议写绝对路径 train: train/images val: val/images test: test/images nc: 1 names: 0: sporespath用绝对路径最稳相对路径在不同工作目录下启动训练会解析到不同位置这是很多人「明明文件在却报找不到」的根因。train/val/test是相对path的子路径。nc是类别数names的 key 必须从 0 开始且和标注里的 class_id 对应。改完 yaml 建议用 Python 的 yaml 库 load 一遍确认没有缩进错误——yaml 对缩进极其敏感tab 和空格混用直接报错。3. 用 YOLOv8/v11 跑通训练参数怎么设、显存怎么省3.1 环境与基线模型选择这份数据集千级规模、单类别、小目标密集选模型时不用一上来就冲最大的。常见做法是从 YOLOv8n 或 YOLOv11n 这种 nano 版本起步先把流程跑通拿到基线 mAP再决定要不要换 s 或 m。nano 版本在 640 分辨率下单卡显存占用通常不到 4GB消费级显卡完全够。# 建虚拟环境避免和系统里的包打架 python -m venv venv_spores source venv_spores/bin/activate # Windows 用 venv_spores\Scripts\activate # 装 ultralytics它会带上 torch 等依赖 pip install ultralytics # 验证安装顺便看下版本 yolo version装完先跑一次yolo version确认命令行工具可用。如果这一步就报错多半是 torch 和 CUDA 版本不匹配先解决环境再谈训练别硬着头皮往下走。3.2 训练命令与关键参数yolo detect train \ dataspores.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ patience20 \ lr00.01 \ projectruns/spores \ namebaseline逐个说参数。data指向刚写的 yaml。modelyolov8n.pt会用预训练权重做迁移学习千级数据从零训几乎不可能收敛好迁移学习是必须的。epochs100是上限配合patience20做早停——20 轮验证指标不涨就停省时间也防过拟合。imgsz640是输入分辨率孢子是小目标理论上提高分辨率能保留更多细节但显存和耗时同步上涨640 是性价比起点。batch16如果显存爆了就降到 8 或 4YOLO 会自动做梯度累积补偿。lr00.01是初始学习率迁移学习场景下这个值偏大时容易震荡如果 loss 曲线前期剧烈抖动降到 0.001 再试。训练启动后重点盯三个东西loss 是否稳定下降、验证集 mAP 是否跟着涨、显存占用是否逼近上限。如果训练 loss 降但验证 mAP 不涨是过拟合信号考虑加数据增强或减模型容量。3.3 小目标密集场景的增强策略孢子颗粒小、单图实例多默认增强策略未必最优。YOLO 内置的 mosaic 增强会把四张图拼一张对小目标有好处但也可能让本来就小的孢子更小。可以在训练配置里调 mosaic 的关闭时机。# 在训练后期关闭 mosaic让模型适应真实分布 yolo detect train \ dataspores.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ mosaic0.5 \ close_mosaic20 \ scale0.3 \ projectruns/spores \ nameaug_tunedmosaic0.5表示一半概率启用拼接增强close_mosaic20表示最后 20 轮关掉它。scale0.3控制随机缩放幅度小目标数据集上缩放太猛会让孢子缩到几个像素反而学不到特征0.3 是相对保守的值。这些参数没有放之四海皆准的最优解建议先用默认跑一版基线再针对性调别一上来就堆参数。4. 避坑与排查孢子数据集训练最容易翻车的五件事4.1 现象训练启动就报「No labels found」原因基本是路径问题。YOLO 找标注是按 images 路径把images替换成labels再改扩展名如果你的目录不是标准平行结构或者 yaml 里 train 写成了train而不是train/images它就找不到。解决用第 2 章的 find 命令确认 images 和 labels 确实平行yaml 里 train/val 指向的是 images 目录而不是数据集根目录。4.2 现象mAP 一直是 0 或者极低先别怀疑模型八成是标注坐标没归一化或者归一化时用错了基准尺寸。有些标注工具导出的是绝对像素坐标直接喂进去坐标全越界模型学不到东西。解决跑第 2.2 节的校验脚本重点看坐标是否都在 0 到 1 之间。如果发现是像素值除以对应图片的宽高重新归一化。4.3 现象显存溢出 CUDA out of memorybatch 太大或 imgsz 太高。孢子数据集图片如果原始分辨率很高YOLO 会先缩放到 imgsz 再进网络但数据加载阶段仍可能吃内存。解决先把 batch 降到 8还爆就降到 4imgsz 从 640 降到 512 试试。另外确认没有其他进程占着显卡nvidia-smi看一眼。4.4 现象验证集指标好但实际推理漏检严重这是典型的分布不一致。验证集和测试集如果来自同一批航拍、光照条件接近指标会虚高。实际部署时换了季节、换了飞行高度孢子外观就变了。解决把测试集单独留出来做最终评估别用验证集调参又用验证集报结果。有条件的话再补一批不同条件下的图做交叉验证。4.5 现象密集区域孢子粘连框叠在一起单图最高 11 个实例密集处边界框会重叠。NMS 的 IoU 阈值设太高会保留大量重叠框设太低会把挨得近的真目标误删。解决推理时调iou参数默认 0.7密集场景可以试 0.5 到 0.6。另外可以开agnostic_nms单类别场景下它影响不大但多类别时能避免跨类抑制。5. 从训练到验证把 mAP 拆开看再定部署分辨率训练跑完不是看一个总分就完事。YOLO 输出的 metrics 里mAP50 是 IoU 阈值 0.5 时的平均精度mAP50-95 是 0.5 到 0.95 每隔 0.05 取一次再平均后者更严格。孢子这种小目标mAP50 可能看着不错但 mAP50-95 会明显低一截因为小目标的框稍微偏一点 IoU 就掉下去了。我一般会重点看 mAP50-95它更能反映定位精度。验证命令很简单yolo detect val \ modelruns/spores/baseline/weights/best.pt \ dataspores.yaml \ imgsz640 \ iou0.6best.pt是训练过程中验证指标最好的权重不是最后一轮的last.pt。iou0.6是评估时的 NMS 阈值和训练时的设置可以不同。跑完会打印每个类别的 P、R、mAP单类别就一行重点看 R召回率——病虫害预警场景下漏检比误检代价高召回率优先。接下来是部署分辨率的取舍。训练用 640推理不一定也用 640。孢子是小目标提高推理分辨率到 960 或 1280 通常能提升召回但速度线性下降。我的习惯是做一个分辨率对照表在同一批测试图上跑 640、960、1280 三档记录 mAP50-95 和单帧耗时再结合部署硬件的帧率要求定。推理分辨率mAP50-95示例单帧耗时示例适用场景640基线最快实时初筛算力受限960通常 2~5 个点约 2 倍精度与速度折中1280通常再 1~3 个点约 4 倍离线复核算力充足表里的数值是趋势示意具体以你实测为准。别照抄别人的数字硬件和数据分布不同结论会差很多。最后说个我踩过的坑。有次我直接用验证集调完参又拿验证集报最终指标结果上线后召回率掉了十几个点。从那以后我每次调参都强制把测试集锁死只在最后评估时打开一次调参全程只看验证集。这个习惯帮我避开了好几次「指标虚高」的翻车。这份孢子数据集已经把测试集单独分出来了别浪费这个设计。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/5 4:14:02 · 阅读 1.2k 航拍孢子检测YOLO数据集实战：从标注校验到YOLOv8训练与部署分辨率调优
简介本资源为航拍孢子目标检测YOLO数据集面向农业病虫害监测、生物学研究、环境监测及智慧林业等方向的算法开发者与科研人员提供标准化的孢子颗粒检测训练素材。数据集共1010张图像划分为训练集708张、验证集202张、测试集100张标注类别为spores孢子采用YOLO归一化坐标边界框格式单图最高含11个实例适配YOLOv12等主流检测框架。压缩包共2000个文件以1010个txt标注、988张jpg图像为主另含1个yaml配置文件与1份docx说明文档整体约10.82MB轻量级规模便于中小团队快速验证原型。目前已有55人学习下载。资源覆盖农业病害预警、孢子传播研究、空气质量监测与院校实训等场景可直接用于模型训练与部署流水线帮助读者省去数据采集与标注成本快速开展高密度孢子检测实验。1. 航拍孢子检测数据集1010 张图能跑出什么名堂去年帮一个做植保无人机的团队调模型他们最头疼的不是飞控是「到底有没有孢子」这件事全靠人眼盯屏幕。一张航拍图里孢子颗粒小到十几个像素密集处一帧能叠十来个标注员盯半小时就眼花。后来他们换了个思路先把检测模型跑起来让机器做初筛人只复核可疑帧。这套流程能不能成立第一道门槛就是有没有一份标注规范、类别单一、规模够验证的孢子数据集。这份航拍孢子目标检测 YOLO 数据集就是干这个的。总计 1010 张图训练集 708、验证集 202、测试集 100单一类别 sporesYOLO 格式归一化坐标边界框。单图最高 11 个实例说明它专门覆盖了高密度场景不是那种一张图一两个目标的「玩具集」。它适合三类人做农业病虫害预警的算法工程师、需要标准化孢子检测数据做科研的生物学方向研究者、以及拿它当教学案例的农业院校老师。千级规模的好处是硬件成本低一张消费级显卡就能把原型跑通不用一上来就租集群。2. 数据集拆包与 YOLO 格式校验先看清手里是什么2.1 目录结构与标注文件长什么样拿到压缩包先别急着喂给模型解压后花五分钟把结构摸清楚能省掉后面几小时的报错排查。YOLO 检测数据集的标准结构通常是 images 和 labels 两个平行目录各自再分 train/val/test。这份数据集按简介描述是 708/202/100 的划分对应到目录里应该能看到三组子文件夹。标注文件是 .txt每行一个目标格式为class_id x_center y_center width height后四个值都是相对图像宽高的归一化值范围 0 到 1。因为是单类别class_id 恒为 0。这里有个新手常翻车的地方归一化坐标是相对于「当前这张图」的尺寸算的不是相对于数据集统一尺寸。如果图片尺寸不一致你没法用一套固定像素值去反推必须读每张图的实际宽高。# 解压后先看目录骨架确认 images/labels 是否平行 unzip 航拍孢子目标检测YOLO数据集.zip -d spores_dataset cd spores_dataset find . -maxdepth 3 -type d | sort # 统计三个子集的图片数量和简介里的 708/202/100 对一下 for split in train val test; do cnt$(find . -path */$split/images/* -name *.jpg | wc -l) echo $split images: $cnt done上面这段先确认目录层级再核对数量。如果 train 数量对不上 708先别怀疑数据有问题大概率是解压时多了一层嵌套目录或者图片扩展名不全是 .jpg。find 的-path匹配用的是通配能兼容中间多一层文件夹的情况。2.2 用脚本校验标注合法性数量对上了不代表标注能用。YOLO 训练时如果遇到坐标越界、空标注文件、类别 id 超范围轻则 warning 刷屏重则 loss 直接变 nan。写个校验脚本过一遍比训练到一半崩掉划算得多。import os from pathlib import Path from PIL import Image def validate_yolo_label(label_path, img_path, num_classes1): 校验单个 YOLO 标注文件返回问题列表 issues [] # 读图片真实尺寸归一化坐标要靠它反推 with Image.open(img_path) as im: w, h im.size if not os.path.exists(label_path): return [f缺失标注文件: {label_path}] with open(label_path, r) as f: lines [ln.strip() for ln in f if ln.strip()] if len(lines) 0: issues.append(f空标注: {label_path}) for i, line in enumerate(lines): parts line.split() if len(parts) ! 5: issues.append(f第{i}行字段数不对: {line}) continue cls_id int(float(parts[0])) coords [float(x) for x in parts[1:]] if cls_id 0 or cls_id num_classes: issues.append(f第{i}行类别越界: {cls_id}) # 归一化坐标必须落在 0~1越界说明标注时算错了 for c in coords: if c 0 or c 1: issues.append(f第{i}行坐标越界: {c}) break return issues root Path(spores_dataset) total_issues 0 for split in [train, val, test]: img_dir root / split / images lbl_dir root / split / labels for img in img_dir.glob(*.jpg): lbl lbl_dir / (img.stem .txt) probs validate_yolo_label(str(lbl), str(img)) if probs: total_issues len(probs) print(f[{split}] {img.name}: {probs[:3]}) print(f总问题数: {total_issues})这段脚本做了四件事读图片真实尺寸、检查标注文件是否存在、检查每行字段数和类别 id、检查归一化坐标是否越界。参数num_classes1对应单类别 spores如果你后续扩了类别要同步改。跑完如果总问题数是 0说明这份数据可以直接进训练流程如果有零星空标注通常是负样本图YOLO 允许空 txt 表示「这张图没有目标」但要在数据配置里确认不会被当成错误丢掉。2.3 生成 data.yaml 并确认路径YOLO 系列训练靠一个 yaml 文件告诉框架去哪找数据、有几个类别、类别叫什么。这份数据集是单类别yaml 写起来很短但路径写错是最高频的翻车点。# spores.yaml path: /abs/path/to/spores_dataset # 数据集根目录建议写绝对路径 train: train/images val: val/images test: test/images nc: 1 names: 0: sporespath用绝对路径最稳相对路径在不同工作目录下启动训练会解析到不同位置这是很多人「明明文件在却报找不到」的根因。train/val/test是相对path的子路径。nc是类别数names的 key 必须从 0 开始且和标注里的 class_id 对应。改完 yaml 建议用 Python 的 yaml 库 load 一遍确认没有缩进错误——yaml 对缩进极其敏感tab 和空格混用直接报错。3. 用 YOLOv8/v11 跑通训练参数怎么设、显存怎么省3.1 环境与基线模型选择这份数据集千级规模、单类别、小目标密集选模型时不用一上来就冲最大的。常见做法是从 YOLOv8n 或 YOLOv11n 这种 nano 版本起步先把流程跑通拿到基线 mAP再决定要不要换 s 或 m。nano 版本在 640 分辨率下单卡显存占用通常不到 4GB消费级显卡完全够。# 建虚拟环境避免和系统里的包打架 python -m venv venv_spores source venv_spores/bin/activate # Windows 用 venv_spores\Scripts\activate # 装 ultralytics它会带上 torch 等依赖 pip install ultralytics # 验证安装顺便看下版本 yolo version装完先跑一次yolo version确认命令行工具可用。如果这一步就报错多半是 torch 和 CUDA 版本不匹配先解决环境再谈训练别硬着头皮往下走。3.2 训练命令与关键参数yolo detect train \ dataspores.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ patience20 \ lr00.01 \ projectruns/spores \ namebaseline逐个说参数。data指向刚写的 yaml。modelyolov8n.pt会用预训练权重做迁移学习千级数据从零训几乎不可能收敛好迁移学习是必须的。epochs100是上限配合patience20做早停——20 轮验证指标不涨就停省时间也防过拟合。imgsz640是输入分辨率孢子是小目标理论上提高分辨率能保留更多细节但显存和耗时同步上涨640 是性价比起点。batch16如果显存爆了就降到 8 或 4YOLO 会自动做梯度累积补偿。lr00.01是初始学习率迁移学习场景下这个值偏大时容易震荡如果 loss 曲线前期剧烈抖动降到 0.001 再试。训练启动后重点盯三个东西loss 是否稳定下降、验证集 mAP 是否跟着涨、显存占用是否逼近上限。如果训练 loss 降但验证 mAP 不涨是过拟合信号考虑加数据增强或减模型容量。3.3 小目标密集场景的增强策略孢子颗粒小、单图实例多默认增强策略未必最优。YOLO 内置的 mosaic 增强会把四张图拼一张对小目标有好处但也可能让本来就小的孢子更小。可以在训练配置里调 mosaic 的关闭时机。# 在训练后期关闭 mosaic让模型适应真实分布 yolo detect train \ dataspores.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ mosaic0.5 \ close_mosaic20 \ scale0.3 \ projectruns/spores \ nameaug_tunedmosaic0.5表示一半概率启用拼接增强close_mosaic20表示最后 20 轮关掉它。scale0.3控制随机缩放幅度小目标数据集上缩放太猛会让孢子缩到几个像素反而学不到特征0.3 是相对保守的值。这些参数没有放之四海皆准的最优解建议先用默认跑一版基线再针对性调别一上来就堆参数。4. 避坑与排查孢子数据集训练最容易翻车的五件事4.1 现象训练启动就报「No labels found」原因基本是路径问题。YOLO 找标注是按 images 路径把images替换成labels再改扩展名如果你的目录不是标准平行结构或者 yaml 里 train 写成了train而不是train/images它就找不到。解决用第 2 章的 find 命令确认 images 和 labels 确实平行yaml 里 train/val 指向的是 images 目录而不是数据集根目录。4.2 现象mAP 一直是 0 或者极低先别怀疑模型八成是标注坐标没归一化或者归一化时用错了基准尺寸。有些标注工具导出的是绝对像素坐标直接喂进去坐标全越界模型学不到东西。解决跑第 2.2 节的校验脚本重点看坐标是否都在 0 到 1 之间。如果发现是像素值除以对应图片的宽高重新归一化。4.3 现象显存溢出 CUDA out of memorybatch 太大或 imgsz 太高。孢子数据集图片如果原始分辨率很高YOLO 会先缩放到 imgsz 再进网络但数据加载阶段仍可能吃内存。解决先把 batch 降到 8还爆就降到 4imgsz 从 640 降到 512 试试。另外确认没有其他进程占着显卡nvidia-smi看一眼。4.4 现象验证集指标好但实际推理漏检严重这是典型的分布不一致。验证集和测试集如果来自同一批航拍、光照条件接近指标会虚高。实际部署时换了季节、换了飞行高度孢子外观就变了。解决把测试集单独留出来做最终评估别用验证集调参又用验证集报结果。有条件的话再补一批不同条件下的图做交叉验证。4.5 现象密集区域孢子粘连框叠在一起单图最高 11 个实例密集处边界框会重叠。NMS 的 IoU 阈值设太高会保留大量重叠框设太低会把挨得近的真目标误删。解决推理时调iou参数默认 0.7密集场景可以试 0.5 到 0.6。另外可以开agnostic_nms单类别场景下它影响不大但多类别时能避免跨类抑制。5. 从训练到验证把 mAP 拆开看再定部署分辨率训练跑完不是看一个总分就完事。YOLO 输出的 metrics 里mAP50 是 IoU 阈值 0.5 时的平均精度mAP50-95 是 0.5 到 0.95 每隔 0.05 取一次再平均后者更严格。孢子这种小目标mAP50 可能看着不错但 mAP50-95 会明显低一截因为小目标的框稍微偏一点 IoU 就掉下去了。我一般会重点看 mAP50-95它更能反映定位精度。验证命令很简单yolo detect val \ modelruns/spores/baseline/weights/best.pt \ dataspores.yaml \ imgsz640 \ iou0.6best.pt是训练过程中验证指标最好的权重不是最后一轮的last.pt。iou0.6是评估时的 NMS 阈值和训练时的设置可以不同。跑完会打印每个类别的 P、R、mAP单类别就一行重点看 R召回率——病虫害预警场景下漏检比误检代价高召回率优先。接下来是部署分辨率的取舍。训练用 640推理不一定也用 640。孢子是小目标提高推理分辨率到 960 或 1280 通常能提升召回但速度线性下降。我的习惯是做一个分辨率对照表在同一批测试图上跑 640、960、1280 三档记录 mAP50-95 和单帧耗时再结合部署硬件的帧率要求定。推理分辨率mAP50-95示例单帧耗时示例适用场景640基线最快实时初筛算力受限960通常 2~5 个点约 2 倍精度与速度折中1280通常再 1~3 个点约 4 倍离线复核算力充足表里的数值是趋势示意具体以你实测为准。别照抄别人的数字硬件和数据分布不同结论会差很多。最后说个我踩过的坑。有次我直接用验证集调完参又拿验证集报最终指标结果上线后召回率掉了十几个点。从那以后我每次调参都强制把测试集锁死只在最后评估时打开一次调参全程只看验证集。这个习惯帮我避开了好几次「指标虚高」的翻车。这份孢子数据集已经把测试集单独分出来了别浪费这个设计。希望帮到你。本文还有配套的精品资源点击获取