1. 番茄叶片检测这个坑为什么值得用YOLO认真填一遍搞智慧农业的同行应该都有体会作物病害检测这件事说起来简单——拍张照片告诉农户这是什么病、该打什么药完事。但真落到代码层面第一步就卡住了数据从哪来我见过太多团队在算法选型上吵得不可开交Transformer还是CNN、YOLOv8还是YOLOv10结果一问数据集要么是网上随便爬的几百张图要么是实验室里摆拍的高清样本拿到大棚里一跑模型直接懵了。番茄健康叶片检测这个方向核心要解决的就是一个非常具体的问题给定一张番茄叶片的图像判断它是否健康如果有病害具体是哪一类。这听起来像是一个分类任务但实际上用目标检测的思路来做更合理——因为一张图里可能有多片叶子有的健康有的不健康你需要模型告诉你“哪片叶子有问题”以及“问题是什么”。YOLO系列天然适合这个场景单阶段检测、速度快、精度够用部署到边缘设备上也能跑得动。3100张这个量级说多不多说少不少。关键不在于数量而在于标注质量和类别平衡。我拿到这个数据集的第一反应是先别急着训练把数据分布摸清楚再说。很多新手上来就model.train()跑完发现mAP只有0.3然后开始怀疑人生其实问题出在数据本身——类别不均衡、标注框重叠严重、背景干扰太多这些坑不提前排掉调参调到天荒地老也没用。这篇文章我会从数据集结构、YOLO训练全流程、参数调优、常见报错排查几个维度展开把我在实际项目中踩过的坑和验证过的方案都摊开讲。不管你是刚接触YOLO的学生还是已经在做农业AI落地的工程师应该都能从中找到可以直接抄作业的部分。2. 数据集拆解3100张图里到底藏着什么2.1 类别定义与标注格式拿到一个目标检测数据集第一件事不是看图片而是看标注文件。番茄健康叶片检测数据集通常包含两类标注健康叶片和病害叶片。但“病害”这个词太笼统了实际项目中可能需要细分到早疫病、晚疫病、叶霉病、灰霉病等具体类别。3100张图的规模如果类别超过5类平均每类不到620张对于YOLO来说属于勉强够用的水平。标注格式大概率是YOLO标准的txt格式每行class_id x_center y_center width height坐标是归一化后的值。这里有个容易忽略的细节归一化是基于原图尺寸做的如果你在训练前做了resize或裁剪标注框必须同步变换否则框会飘到姥姥家去。我一般会写一个校验脚本把标注框画回原图上随机抽50张肉眼过一遍确认没有明显偏移。import cv2 import os def visualize_annotation(img_path, label_path, save_path): img cv2.imread(img_path) h, w img.shape[:2] with open(label_path, r) as f: for line in f.readlines(): cls, x, y, bw, bh map(float, line.strip().split()) x1 int((x - bw/2) * w) y1 int((y - bh/2) * h) x2 int((x bw/2) * w) y2 int((y bh/2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(save_path, img)这段代码跑一遍你就能直观看到标注质量。如果发现大量框只框了叶片的一部分或者把整株植物都框进去了那这个数据集可能需要重新标注或者做清洗。2.2 数据分布与类别均衡性3100张图如果健康叶片和病害叶片比例是7:3那模型会倾向于把大多数叶子预测为健康因为这样准确率看起来高。但实际应用中漏检病害的代价远大于误检。所以我在训练前一定会做两件事统计各类别的实例数量然后根据分布决定是否用加权损失或者过采样。类别实例数占比处理策略健康叶片420062%保持早疫病120018%过采样1.5倍晚疫病80012%过采样2倍叶霉病5508%过采样2.5倍过采样不是简单复制图片那样会导致过拟合。我通常用Albumentations做在线增强对少数类施加更强的随机变换比如随机旋转、色彩抖动、Cutout。这样每个epoch看到的少数类样本都是不同的既平衡了分布又增加了泛化性。2.3 图像质量与背景干扰农业数据集最大的问题是采集环境不可控。大棚里的光照忽明忽暗叶片上可能有水滴、泥土、虫卵背景里可能有支架、地膜、其他作物。这些干扰因素如果不处理模型很容易学到“有地膜就是病害”这种荒谬的关联。我的做法是先随机抽100张图用聚类的方式看背景主色调。如果背景过于单一说明采集场景不够多样模型换个大棚就废了。这时候需要做两件事一是用Mosaic增强把不同背景的图拼在一起强迫模型关注叶片本身二是考虑用Copy-Paste增强把病害叶片抠出来贴到健康叶片背景上增加组合多样性。注意Copy-Paste增强需要精确的实例掩码如果只有边界框抠图会带背景反而引入噪声。这种情况下优先用Mosaic和MixUp。3. YOLO训练全流程从环境搭建到模型导出3.1 环境配置与版本选择YOLO的版本迭代很快v5、v7、v8、v10、v11各有拥趸。对于番茄叶片检测这种中等规模数据集我推荐YOLOv8或YOLOv11原因有三一是Ultralytics的API统一文档齐全踩坑成本低二是v8之后的Anchor-Free设计对小目标更友好叶片上的病斑往往只占几十个像素三是导出ONNX和TensorRT的流程成熟后续部署省事。环境配置这块PyCharm Conda是标配。Python版本选3.9或3.10太新了某些依赖包还没适配。CUDA版本根据你的显卡来30系卡用CUDA 11.840系卡用CUDA 12.1。安装命令很简单conda create -n tomato_yolo python3.10 conda activate tomato_yolo pip install ultralytics pip install albumentations opencv-python装完之后跑一句yolo checks确认CUDA可用、版本匹配。如果显示CPU only检查torch是否装成了CPU版本重新装对应CUDA的torch即可。3.2 数据配置文件与目录结构Ultralytics要求的数据集结构很固定tomato_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml的内容path: ./tomato_dataset train: images/train val: images/val test: images/test nc: 4 names: [healthy, early_blight, late_blight, leaf_mold]划分比例我一般用7:2:1但如果总图只有3100张测试集留300张就够了验证集可以适当多一点因为调参主要看验证集。划分时要注意同一片叶子的多角度照片不能分散到不同集合否则验证集精度会虚高。我通常会按“采集批次”划分同一批次拍的图要么全在训练集要么全在验证集。3.3 训练参数设置与调优逻辑YOLOv8的默认训练参数对农业数据集来说偏保守需要针对性调整。以下是我在番茄叶片检测任务上验证过的一套配置from ultralytics import YOLO model YOLO(yolov8s.pt) model.train( datadata.yaml, epochs150, imgsz640, batch16, workers4, device0, optimizerAdamW, lr00.001, lrf0.01, momentum0.937, weight_decay0.0005, warmup_epochs3, warmup_momentum0.8, box7.5, cls0.5, dfl1.5, hsv_h0.015, hsv_s0.7, hsv_v0.4, degrees10.0, translate0.1, scale0.5, shear2.0, perspective0.0, flipud0.0, fliplr0.5, mosaic1.0, mixup0.1, copy_paste0.0, patience30, save_period10, pretrainedTrue, verboseTrue )几个关键参数的解释imgsz640番茄叶片病斑较小640分辨率下病斑大约占20-50像素再小就不建议降了。如果显存够可以试768或896但推理速度会下降。batch168G显存跑640分辨率大概能到1612G能到32。batch太小会导致BN层统计不稳定太大则可能降低泛化性。lr00.001AdamW的初始学习率比SGD的0.01低一个量级。如果loss震荡厉害降到0.0005。mosaic1.0Mosaic增强对农业场景特别有用因为大棚背景重复度高Mosaic能人为制造多样性。但训练最后30个epoch建议关掉让模型适应真实分布。mixup0.1轻度MixUp可以提升鲁棒性但太高会让小目标更难学。patience3030个epoch验证集mAP不提升就早停避免过拟合。3.4 训练过程监控与指标解读训练启动后重点盯三个指标box_loss、cls_loss、mAP50。box_loss下降说明定位在变准cls_loss下降说明分类在变好mAP50是综合指标。正常情况下前10个epoch loss会快速下降然后进入平台期。如果loss一直不降检查学习率是不是太小如果loss震荡剧烈检查batch size和lr的匹配关系。我习惯用TensorBoard实时看曲线tensorboard --logdir runs/detect/train重点关注验证集的mAP曲线。如果训练集mAP持续上升但验证集mAP停滞甚至下降说明过拟合了需要增加增强强度或减少模型参数量。如果两者都低说明欠拟合增加epoch或换更大的模型。实操心得番茄叶片检测任务上YOLOv8s通常能在80-100个epoch达到收敛mAP50在0.85-0.92之间。如果低于0.8优先检查标注质量而不是调参。4. 常见问题与排查技巧实录4.1 训练不收敛或mAP异常低这是新手最常遇到的问题。排查顺序应该是数据→标注→配置→模型。先确认data.yaml里的路径对不对类别数nc和names长度是否一致。然后抽查标注文件看有没有空文件、坐标越界、类别ID超出范围的情况。我写过一个校验脚本一次性检查所有标注import os def validate_labels(label_dir, nc): issues [] for fname in os.listdir(label_dir): if not fname.endswith(.txt): continue path os.path.join(label_dir, fname) with open(path, r) as f: lines f.readlines() if len(lines) 0: issues.append(f{fname}: empty) continue for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: issues.append(f{fname}:{i} malformed) continue cls int(parts[0]) coords list(map(float, parts[1:])) if cls nc: issues.append(f{fname}:{i} class {cls} out of range) if any(c 0 or c 1 for c in coords): issues.append(f{fname}:{i} coord out of range) return issues跑一遍把issues打印出来通常能发现不少问题。标注清洗完之后再训练mAP往往能提升5-10个点。4.2 小目标漏检严重番茄叶片上的早期病斑可能只有十几个像素YOLO的P3特征图80x80负责小目标检测但如果病斑太小P3也力不从心。解决方案有三个一是提高输入分辨率到896或1024二是修改模型结构增加P2层160x160三是用SAHI切片推理把大图切成小图分别检测再合并。我试过在YOLOv8的yaml里加P2层效果确实有提升但推理速度下降约30%。如果部署环境算力有限建议优先用SAHI只在推理阶段做切片训练不变。4.3 误检率高把背景当成叶片大棚里的地膜、支架、水滴经常被误检为叶片。这个问题根源在训练数据里负样本太少。解决方案是收集一批纯背景图没有叶片的图作为背景类加入训练。YOLO支持背景类在标注文件里留空即可但需要在data.yaml里把nc加1names里加一个background。另一个技巧是调低cls损失权重让模型更关注定位而不是分类。但这样可能会导致分类精度下降需要权衡。4.4 模型导出与部署踩坑训练完导出ONNXmodel.export(formatonnx, imgsz640, halfTrue, dynamicFalse)这里有几个坑halfTrue需要GPU支持FP16如果部署到CPU上要设FalsedynamicFalse固定输入尺寸推理速度快但不够灵活如果部署到TensorRT还需要额外指定workspace大小。导出后一定要用onnxruntime跑一遍验证确保输出和PyTorch一致import onnxruntime as ort import numpy as np sess ort.InferenceSession(best.onnx) input_name sess.get_inputs()[0].name dummy np.random.randn(1, 3, 640, 640).astype(np.float32) output sess.run(None, {input_name: dummy}) print(output[0].shape)如果输出shape不对检查导出时的opset版本和输入尺寸。5. 数据增强与模型泛化的实战经验5.1 农业场景专属增强策略通用的YOLO增强翻转、缩放、色彩抖动对农业数据集是基础但不够。番茄叶片检测有几个特殊挑战叶片重叠、光照不均、病斑渐变。针对这些我额外加了三种增强第一种是随机遮挡模拟叶片被其他叶子挡住的情况。用Albumentations的CoarseDropout在叶片区域随机挖几个洞强迫模型学会从局部特征判断。第二种是光照模拟用RandomGamma和RandomBrightnessContrast模拟大棚里早晚的光照变化。参数范围不要太大gamma在0.8-1.2之间亮度对比度在0.2以内。第三种是病斑复制粘贴从病害叶片上抠出病斑区域随机贴到健康叶片上。这个需要病斑级别的掩码如果只有框标注可以用GrabCut粗略分割。虽然不完美但实测能提升模型对早期病斑的敏感度。5.2 交叉验证与模型集成3100张图做单次划分验证集只有600多张评估结果波动较大。我建议做5折交叉验证每折用不同的划分训练一个模型最后取平均mAP作为最终指标。如果部署环境允许可以把5个模型做WBFWeighted Boxes Fusion集成推理时合并所有模型的检测框mAP通常能再提升2-3个点。WBF的代码可以用ensemble-boxes库pip install ensemble-boxesfrom ensemble_boxes import weighted_boxes_fusion boxes_list [model1_boxes, model2_boxes, model3_boxes] scores_list [model1_scores, model2_scores, model3_scores] labels_list [model1_labels, model2_labels, model3_labels] boxes, scores, labels weighted_boxes_fusion( boxes_list, scores_list, labels_list, weights[1, 1, 1], iou_thr0.55, skip_box_thr0.3 )5.3 持续学习与数据回流模型上线后会遇到训练集里没有的病害类型或新的拍摄环境。这时候需要建立数据回流机制把线上误检、漏检的图收集起来人工标注后加入训练集用增量学习的方式更新模型。注意不要直接在全量数据上重新训练那样成本太高。可以用LoRA或者冻结backbone只训练head的方式做微调。我一般会维护一个“难例池”把置信度在0.3-0.6之间的检测结果存下来定期人工审核。这些难例对模型提升最大比随机加数据有效得多。6. 从数据集到落地一些掏心窝子的建议番茄健康叶片检测这个方向技术门槛其实不高YOLO已经把检测这件事做得足够好了。真正的难点在数据——数据的质量、多样性、标注一致性决定了模型的上限。3100张图如果标注精准、场景多样能训出比10000张脏数据更好的模型。我在实际项目中最大的体会是不要迷信模型大小。YOLOv8n在番茄叶片检测上经过精细调参和充分增强mAP可以逼近YOLOv8l的90%。但推理速度快了5倍部署成本低了一个量级。对于农业场景边缘设备算力有限轻量模型才是王道。另一个建议是尽早考虑部署。训练时用PyTorch部署时转ONNX或TensorRT中间会遇到各种算子不支持、精度对齐的问题。与其训完再折腾不如训练阶段就用ONNX推理验证一遍确保流程通畅。最后说一个容易被忽略的点类别定义要贴合实际业务。把“病害”笼统分为一类模型只能告诉你“这片叶子有问题”但农户需要知道“是什么病、打什么药”。如果业务需要细分标注时就要细分不要指望模型自己学会区分。数据集的类别体系本质上是对业务问题的建模这一步想清楚了后面的事才顺。 
长河君 · 2026/10/9 9:47:11 · 阅读 1.2k 基于YOLO的番茄叶片病害检测实战：3100张数据集训练调优与部署指南
1. 番茄叶片检测这个坑为什么值得用YOLO认真填一遍搞智慧农业的同行应该都有体会作物病害检测这件事说起来简单——拍张照片告诉农户这是什么病、该打什么药完事。但真落到代码层面第一步就卡住了数据从哪来我见过太多团队在算法选型上吵得不可开交Transformer还是CNN、YOLOv8还是YOLOv10结果一问数据集要么是网上随便爬的几百张图要么是实验室里摆拍的高清样本拿到大棚里一跑模型直接懵了。番茄健康叶片检测这个方向核心要解决的就是一个非常具体的问题给定一张番茄叶片的图像判断它是否健康如果有病害具体是哪一类。这听起来像是一个分类任务但实际上用目标检测的思路来做更合理——因为一张图里可能有多片叶子有的健康有的不健康你需要模型告诉你“哪片叶子有问题”以及“问题是什么”。YOLO系列天然适合这个场景单阶段检测、速度快、精度够用部署到边缘设备上也能跑得动。3100张这个量级说多不多说少不少。关键不在于数量而在于标注质量和类别平衡。我拿到这个数据集的第一反应是先别急着训练把数据分布摸清楚再说。很多新手上来就model.train()跑完发现mAP只有0.3然后开始怀疑人生其实问题出在数据本身——类别不均衡、标注框重叠严重、背景干扰太多这些坑不提前排掉调参调到天荒地老也没用。这篇文章我会从数据集结构、YOLO训练全流程、参数调优、常见报错排查几个维度展开把我在实际项目中踩过的坑和验证过的方案都摊开讲。不管你是刚接触YOLO的学生还是已经在做农业AI落地的工程师应该都能从中找到可以直接抄作业的部分。2. 数据集拆解3100张图里到底藏着什么2.1 类别定义与标注格式拿到一个目标检测数据集第一件事不是看图片而是看标注文件。番茄健康叶片检测数据集通常包含两类标注健康叶片和病害叶片。但“病害”这个词太笼统了实际项目中可能需要细分到早疫病、晚疫病、叶霉病、灰霉病等具体类别。3100张图的规模如果类别超过5类平均每类不到620张对于YOLO来说属于勉强够用的水平。标注格式大概率是YOLO标准的txt格式每行class_id x_center y_center width height坐标是归一化后的值。这里有个容易忽略的细节归一化是基于原图尺寸做的如果你在训练前做了resize或裁剪标注框必须同步变换否则框会飘到姥姥家去。我一般会写一个校验脚本把标注框画回原图上随机抽50张肉眼过一遍确认没有明显偏移。import cv2 import os def visualize_annotation(img_path, label_path, save_path): img cv2.imread(img_path) h, w img.shape[:2] with open(label_path, r) as f: for line in f.readlines(): cls, x, y, bw, bh map(float, line.strip().split()) x1 int((x - bw/2) * w) y1 int((y - bh/2) * h) x2 int((x bw/2) * w) y2 int((y bh/2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite(save_path, img)这段代码跑一遍你就能直观看到标注质量。如果发现大量框只框了叶片的一部分或者把整株植物都框进去了那这个数据集可能需要重新标注或者做清洗。2.2 数据分布与类别均衡性3100张图如果健康叶片和病害叶片比例是7:3那模型会倾向于把大多数叶子预测为健康因为这样准确率看起来高。但实际应用中漏检病害的代价远大于误检。所以我在训练前一定会做两件事统计各类别的实例数量然后根据分布决定是否用加权损失或者过采样。类别实例数占比处理策略健康叶片420062%保持早疫病120018%过采样1.5倍晚疫病80012%过采样2倍叶霉病5508%过采样2.5倍过采样不是简单复制图片那样会导致过拟合。我通常用Albumentations做在线增强对少数类施加更强的随机变换比如随机旋转、色彩抖动、Cutout。这样每个epoch看到的少数类样本都是不同的既平衡了分布又增加了泛化性。2.3 图像质量与背景干扰农业数据集最大的问题是采集环境不可控。大棚里的光照忽明忽暗叶片上可能有水滴、泥土、虫卵背景里可能有支架、地膜、其他作物。这些干扰因素如果不处理模型很容易学到“有地膜就是病害”这种荒谬的关联。我的做法是先随机抽100张图用聚类的方式看背景主色调。如果背景过于单一说明采集场景不够多样模型换个大棚就废了。这时候需要做两件事一是用Mosaic增强把不同背景的图拼在一起强迫模型关注叶片本身二是考虑用Copy-Paste增强把病害叶片抠出来贴到健康叶片背景上增加组合多样性。注意Copy-Paste增强需要精确的实例掩码如果只有边界框抠图会带背景反而引入噪声。这种情况下优先用Mosaic和MixUp。3. YOLO训练全流程从环境搭建到模型导出3.1 环境配置与版本选择YOLO的版本迭代很快v5、v7、v8、v10、v11各有拥趸。对于番茄叶片检测这种中等规模数据集我推荐YOLOv8或YOLOv11原因有三一是Ultralytics的API统一文档齐全踩坑成本低二是v8之后的Anchor-Free设计对小目标更友好叶片上的病斑往往只占几十个像素三是导出ONNX和TensorRT的流程成熟后续部署省事。环境配置这块PyCharm Conda是标配。Python版本选3.9或3.10太新了某些依赖包还没适配。CUDA版本根据你的显卡来30系卡用CUDA 11.840系卡用CUDA 12.1。安装命令很简单conda create -n tomato_yolo python3.10 conda activate tomato_yolo pip install ultralytics pip install albumentations opencv-python装完之后跑一句yolo checks确认CUDA可用、版本匹配。如果显示CPU only检查torch是否装成了CPU版本重新装对应CUDA的torch即可。3.2 数据配置文件与目录结构Ultralytics要求的数据集结构很固定tomato_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml的内容path: ./tomato_dataset train: images/train val: images/val test: images/test nc: 4 names: [healthy, early_blight, late_blight, leaf_mold]划分比例我一般用7:2:1但如果总图只有3100张测试集留300张就够了验证集可以适当多一点因为调参主要看验证集。划分时要注意同一片叶子的多角度照片不能分散到不同集合否则验证集精度会虚高。我通常会按“采集批次”划分同一批次拍的图要么全在训练集要么全在验证集。3.3 训练参数设置与调优逻辑YOLOv8的默认训练参数对农业数据集来说偏保守需要针对性调整。以下是我在番茄叶片检测任务上验证过的一套配置from ultralytics import YOLO model YOLO(yolov8s.pt) model.train( datadata.yaml, epochs150, imgsz640, batch16, workers4, device0, optimizerAdamW, lr00.001, lrf0.01, momentum0.937, weight_decay0.0005, warmup_epochs3, warmup_momentum0.8, box7.5, cls0.5, dfl1.5, hsv_h0.015, hsv_s0.7, hsv_v0.4, degrees10.0, translate0.1, scale0.5, shear2.0, perspective0.0, flipud0.0, fliplr0.5, mosaic1.0, mixup0.1, copy_paste0.0, patience30, save_period10, pretrainedTrue, verboseTrue )几个关键参数的解释imgsz640番茄叶片病斑较小640分辨率下病斑大约占20-50像素再小就不建议降了。如果显存够可以试768或896但推理速度会下降。batch168G显存跑640分辨率大概能到1612G能到32。batch太小会导致BN层统计不稳定太大则可能降低泛化性。lr00.001AdamW的初始学习率比SGD的0.01低一个量级。如果loss震荡厉害降到0.0005。mosaic1.0Mosaic增强对农业场景特别有用因为大棚背景重复度高Mosaic能人为制造多样性。但训练最后30个epoch建议关掉让模型适应真实分布。mixup0.1轻度MixUp可以提升鲁棒性但太高会让小目标更难学。patience3030个epoch验证集mAP不提升就早停避免过拟合。3.4 训练过程监控与指标解读训练启动后重点盯三个指标box_loss、cls_loss、mAP50。box_loss下降说明定位在变准cls_loss下降说明分类在变好mAP50是综合指标。正常情况下前10个epoch loss会快速下降然后进入平台期。如果loss一直不降检查学习率是不是太小如果loss震荡剧烈检查batch size和lr的匹配关系。我习惯用TensorBoard实时看曲线tensorboard --logdir runs/detect/train重点关注验证集的mAP曲线。如果训练集mAP持续上升但验证集mAP停滞甚至下降说明过拟合了需要增加增强强度或减少模型参数量。如果两者都低说明欠拟合增加epoch或换更大的模型。实操心得番茄叶片检测任务上YOLOv8s通常能在80-100个epoch达到收敛mAP50在0.85-0.92之间。如果低于0.8优先检查标注质量而不是调参。4. 常见问题与排查技巧实录4.1 训练不收敛或mAP异常低这是新手最常遇到的问题。排查顺序应该是数据→标注→配置→模型。先确认data.yaml里的路径对不对类别数nc和names长度是否一致。然后抽查标注文件看有没有空文件、坐标越界、类别ID超出范围的情况。我写过一个校验脚本一次性检查所有标注import os def validate_labels(label_dir, nc): issues [] for fname in os.listdir(label_dir): if not fname.endswith(.txt): continue path os.path.join(label_dir, fname) with open(path, r) as f: lines f.readlines() if len(lines) 0: issues.append(f{fname}: empty) continue for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: issues.append(f{fname}:{i} malformed) continue cls int(parts[0]) coords list(map(float, parts[1:])) if cls nc: issues.append(f{fname}:{i} class {cls} out of range) if any(c 0 or c 1 for c in coords): issues.append(f{fname}:{i} coord out of range) return issues跑一遍把issues打印出来通常能发现不少问题。标注清洗完之后再训练mAP往往能提升5-10个点。4.2 小目标漏检严重番茄叶片上的早期病斑可能只有十几个像素YOLO的P3特征图80x80负责小目标检测但如果病斑太小P3也力不从心。解决方案有三个一是提高输入分辨率到896或1024二是修改模型结构增加P2层160x160三是用SAHI切片推理把大图切成小图分别检测再合并。我试过在YOLOv8的yaml里加P2层效果确实有提升但推理速度下降约30%。如果部署环境算力有限建议优先用SAHI只在推理阶段做切片训练不变。4.3 误检率高把背景当成叶片大棚里的地膜、支架、水滴经常被误检为叶片。这个问题根源在训练数据里负样本太少。解决方案是收集一批纯背景图没有叶片的图作为背景类加入训练。YOLO支持背景类在标注文件里留空即可但需要在data.yaml里把nc加1names里加一个background。另一个技巧是调低cls损失权重让模型更关注定位而不是分类。但这样可能会导致分类精度下降需要权衡。4.4 模型导出与部署踩坑训练完导出ONNXmodel.export(formatonnx, imgsz640, halfTrue, dynamicFalse)这里有几个坑halfTrue需要GPU支持FP16如果部署到CPU上要设FalsedynamicFalse固定输入尺寸推理速度快但不够灵活如果部署到TensorRT还需要额外指定workspace大小。导出后一定要用onnxruntime跑一遍验证确保输出和PyTorch一致import onnxruntime as ort import numpy as np sess ort.InferenceSession(best.onnx) input_name sess.get_inputs()[0].name dummy np.random.randn(1, 3, 640, 640).astype(np.float32) output sess.run(None, {input_name: dummy}) print(output[0].shape)如果输出shape不对检查导出时的opset版本和输入尺寸。5. 数据增强与模型泛化的实战经验5.1 农业场景专属增强策略通用的YOLO增强翻转、缩放、色彩抖动对农业数据集是基础但不够。番茄叶片检测有几个特殊挑战叶片重叠、光照不均、病斑渐变。针对这些我额外加了三种增强第一种是随机遮挡模拟叶片被其他叶子挡住的情况。用Albumentations的CoarseDropout在叶片区域随机挖几个洞强迫模型学会从局部特征判断。第二种是光照模拟用RandomGamma和RandomBrightnessContrast模拟大棚里早晚的光照变化。参数范围不要太大gamma在0.8-1.2之间亮度对比度在0.2以内。第三种是病斑复制粘贴从病害叶片上抠出病斑区域随机贴到健康叶片上。这个需要病斑级别的掩码如果只有框标注可以用GrabCut粗略分割。虽然不完美但实测能提升模型对早期病斑的敏感度。5.2 交叉验证与模型集成3100张图做单次划分验证集只有600多张评估结果波动较大。我建议做5折交叉验证每折用不同的划分训练一个模型最后取平均mAP作为最终指标。如果部署环境允许可以把5个模型做WBFWeighted Boxes Fusion集成推理时合并所有模型的检测框mAP通常能再提升2-3个点。WBF的代码可以用ensemble-boxes库pip install ensemble-boxesfrom ensemble_boxes import weighted_boxes_fusion boxes_list [model1_boxes, model2_boxes, model3_boxes] scores_list [model1_scores, model2_scores, model3_scores] labels_list [model1_labels, model2_labels, model3_labels] boxes, scores, labels weighted_boxes_fusion( boxes_list, scores_list, labels_list, weights[1, 1, 1], iou_thr0.55, skip_box_thr0.3 )5.3 持续学习与数据回流模型上线后会遇到训练集里没有的病害类型或新的拍摄环境。这时候需要建立数据回流机制把线上误检、漏检的图收集起来人工标注后加入训练集用增量学习的方式更新模型。注意不要直接在全量数据上重新训练那样成本太高。可以用LoRA或者冻结backbone只训练head的方式做微调。我一般会维护一个“难例池”把置信度在0.3-0.6之间的检测结果存下来定期人工审核。这些难例对模型提升最大比随机加数据有效得多。6. 从数据集到落地一些掏心窝子的建议番茄健康叶片检测这个方向技术门槛其实不高YOLO已经把检测这件事做得足够好了。真正的难点在数据——数据的质量、多样性、标注一致性决定了模型的上限。3100张图如果标注精准、场景多样能训出比10000张脏数据更好的模型。我在实际项目中最大的体会是不要迷信模型大小。YOLOv8n在番茄叶片检测上经过精细调参和充分增强mAP可以逼近YOLOv8l的90%。但推理速度快了5倍部署成本低了一个量级。对于农业场景边缘设备算力有限轻量模型才是王道。另一个建议是尽早考虑部署。训练时用PyTorch部署时转ONNX或TensorRT中间会遇到各种算子不支持、精度对齐的问题。与其训完再折腾不如训练阶段就用ONNX推理验证一遍确保流程通畅。最后说一个容易被忽略的点类别定义要贴合实际业务。把“病害”笼统分为一类模型只能告诉你“这片叶子有问题”但农户需要知道“是什么病、打什么药”。如果业务需要细分标注时就要细分不要指望模型自己学会区分。数据集的类别体系本质上是对业务问题的建模这一步想清楚了后面的事才顺。