植物病害检测数据集实战：从标注清洗到YOLOv8训练避坑指南

简介这份资源是面向计算机视觉与农业AI方向的植物病害检测数据集适合从事图像分类、目标检测研究的学生、算法工程师及科研人员使用用于解决真实田间场景下病害样本不足、难以开展早期识别建模的问题。压缩包共约2000个文件整体约948.81MB以jpg图像与同名xml标注文件为主另含csv汇总表、md说明文档及少量png、jpeg等辅助图片xml可直接对应目标检测标注csv便于整理类别与划分信息。数据集覆盖13种植物、17类病害图像来自互联网抓取并经过约300人时的人工标注包含番茄黄化曲叶病、蓝莓病害等典型样本可用于分类与检测任务的训练和验证。已有2055人学习下载参考价值较高。读者可据此搭建病害识别基线模型复现论文中分类准确率提升约31%的结论并借助标注文件快速完成数据加载、类别统计与模型评估降低计算机视觉技术进入植物病害检测领域的门槛。1. 2000 张植物病害图片到手后先别急着喂给 YOLOv8拿到一个「用于视觉植物病害检测的数据集标记(包含2000多张图片).zip」很多人的第一反应是解压、改路径、直接yolo train。我见过太多人这么干然后 mAP 卡在 0.3 上不去回头怀疑模型、怀疑显卡就是不怀疑数据本身。植物病害检测和 COCO 上那些猫猫狗狗完全不是一回事病斑是渐变的、边界模糊的、同类病害在不同光照下长得像两种病健康叶片和早期感染叶片之间的差异可能只有几个像素的色差。2000 多张图片听起来不少但分摊到几种甚至十几种病害类别上每类可能就一两百张这个量级下数据质量比模型结构重要得多。这篇文章面向的是手里已经拿到这个数据集、或者准备用类似规模数据做植物病害检测的从业者。不管你是做农业巡检机器人、大棚监控还是单纯想跑通一个植物病害检测的 baseline接下来的内容会从目录结构怎么理、标注怎么洗、增强怎么做、训练参数怎么设一路讲到验证时怎么判断模型是真的学到了病斑还是记住了背景。数据集、标记、视觉植物病害检测这三个词会反复出现因为每一个环节出问题最后都会体现在检测结果上。2. 拆开压缩包先看三件事目录结构、标注格式、类别分布2.1 目录结构决定你后面要不要写转换脚本拿到压缩包解压后常见做法是先tree一下看层级。植物病害数据集常见的组织方式有两种一种是images/和labels/平铺文件名一一对应另一种是按类别分文件夹比如Bacterial_spot/、Early_blight/、Late_blight/各放各的图片和标注。前者适合直接喂给 YOLO后者需要先做一次扁平化或者生成索引文件。# 先看目录层级限制深度避免刷屏 tree -L 3 -d ./plant_disease_dataset # 统计图片数量和标注数量看是否对得上 find ./plant_disease_dataset -name *.jpg -o -name *.png | wc -l find ./plant_disease_dataset -name *.txt -o -name *.xml -o -name *.json | wc -l这两条命令跑完你心里就有数了图片和标注数量是否一致、标注是 YOLO 的 txt 还是 VOC 的 xml 还是 COCO 的 json。如果数量对不上说明有图片没标或者有标注没图后面训练时要么报错要么静默跳过都是坑。2.2 标注格式转换VOC 转 YOLO 的脚本与边界处理如果标注是 xml 格式需要转成 YOLO 的 txt。转换逻辑本身不复杂但边界情况特别多图片尺寸读不到、标注框超出图像边界、类别名大小写不一致、同一个类别被写成两种拼写。下面这个脚本我用了很多次关键位置都加了注释。import os import xml.etree.ElementTree as ET from PIL import Image # 类别映射表必须和你的实际类别对齐 CLASS_MAP { bacterial_spot: 0, early_blight: 1, late_blight: 2, healthy: 3, leaf_mold: 4, } def convert_voc_to_yolo(xml_dir, img_dir, out_dir): os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() # 图片文件名注意有些数据集里 filename 和实际文件名不一致 img_name root.find(filename).text img_path os.path.join(img_dir, img_name) if not os.path.exists(img_path): print(f图片缺失跳过: {img_name}) continue with Image.open(img_path) as im: w, h im.size lines [] for obj in root.findall(object): cls_name obj.find(name).text.strip().lower() if cls_name not in CLASS_MAP: print(f未知类别跳过: {cls_name}) continue cls_id CLASS_MAP[cls_name] 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) # 裁剪到图像边界内防止归一化后出现负数或大于1 xmin max(0, min(xmin, w)) xmax max(0, min(xmax, w)) ymin max(0, min(ymin, h)) ymax max(0, min(ymax, h)) if xmax xmin or ymax ymin: print(f无效框跳过: {xml_file}) continue # YOLO 格式中心点 x,y 和宽高全部归一化 cx (xmin xmax) / 2.0 / w cy (ymin ymax) / 2.0 / h bw (xmax - xmin) / w bh (ymax - ymin) / h lines.append(f{cls_id} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) out_path os.path.join(out_dir, xml_file.replace(.xml, .txt)) with open(out_path, w) as f: f.write(\n.join(lines)) convert_voc_to_yolo(./annotations, ./images, ./labels)逻辑说明先读 xml 拿到图片尺寸再把每个 object 的坐标裁剪到图像范围内最后归一化。参数说明CLASS_MAP必须和你的data.yaml里的names顺序完全一致否则训练时类别会错位。xmin裁剪那一步很多人省掉结果归一化后出现负值YOLO 训练时直接报NaN或者静默丢弃你还在纳闷为什么 loss 不降。2.3 类别分布统计别让某一类只有 30 张图转换完标注后跑一个类别统计。2000 多张图片如果分 5 类平均每类 400 张但实际分布往往是一类 800 张、另一类 50 张。这种长尾分布下模型会倾向于把少数类预测成多数类少数类的召回率惨不忍睹。from collections import Counter import os counter Counter() for txt_file in os.listdir(./labels): with open(os.path.join(./labels, txt_file)) as f: for line in f: cls_id int(line.split()[0]) counter[cls_id] 1 for cls_id, count in sorted(counter.items()): print(f类别 {cls_id}: {count} 个标注框)如果发现某类标注框少于 100 个要么补数据要么在训练时用cls_pw或者过采样。植物病害检测里健康叶片和早期病斑的样本往往最少但恰恰是最需要检测准的。3. 2000 张图怎么增强才不把病斑增没了3.1 植物病害检测的增强红线颜色变换要克制通用目标检测的增强套路是 HSV 抖动、随机裁剪、马赛克、MixUp 全上。但植物病害检测里病斑的颜色是核心特征你把色调Hue抖 0.5健康叶片的绿色可能变成黄色模型直接学废。我一般会把 HSV 的 H 增益压到 0.015 以内S 和 V 可以稍微放开到 0.5因为光照变化确实存在但颜色类别不能变。# ultralytics data.yaml 里的增强参数只列关键项 hsv_h: 0.015 # 色调抖动植物病害场景必须小 hsv_s: 0.5 # 饱和度抖动模拟不同光照 hsv_v: 0.4 # 明度抖动模拟阴天/晴天 degrees: 10.0 # 旋转角度叶片方向不固定可以给 translate: 0.1 # 平移 scale: 0.3 # 缩放病斑大小不一需要 mosaic: 0.5 # 马赛克增强小数据集上很有效但要控制比例 mixup: 0.1 # MixUp 对病斑边界模糊的样本要慎用参数说明hsv_h超过 0.02 就会让绿色和黄色混淆这是血泪经验。mosaic给 0.5 是因为 2000 张图量级下马赛克能显著增加场景多样性但给到 1.0 会让小病斑被拼到边缘后更难学。mixup给 0.1 是保守值病斑本身边界就模糊MixUp 叠完更糊。3.2 离线增强 vs 在线增强小数据集的取舍2000 张图属于小数据集在线增强训练时实时做每轮看到的增强结果都不同相当于变相增加了数据量。但如果你发现某些类别样本实在太少可以做离线增强把少数类图片旋转、翻转、加噪声后存成新文件扩充到和其他类差不多的量。import albumentations as A import cv2 import os # 离线增强管道只对少数类使用 transform A.Compose([ A.HorizontalFlip(p0.5), A.VerticalFlip(p0.3), A.RandomRotate90(p0.5), A.RandomBrightnessContrast(brightness_limit0.2, contrast_limit0.2, p0.5), ], bbox_paramsA.BboxParams(formatyolo, label_fields[class_labels])) def offline_augment(img_path, label_path, out_img_dir, out_label_dir, times3): img cv2.imread(img_path) h, w img.shape[:2] with open(label_path) as f: lines f.readlines() bboxes [] labels [] for line in lines: parts line.strip().split() labels.append(int(parts[0])) bboxes.append([float(x) for x in parts[1:]]) for i in range(times): augmented transform(imageimg, bboxesbboxes, class_labelslabels) aug_img augmented[image] aug_bboxes augmented[bboxes] aug_labels augmented[class_labels] base os.path.splitext(os.path.basename(img_path))[0] cv2.imwrite(os.path.join(out_img_dir, f{base}_aug_{i}.jpg), aug_img) with open(os.path.join(out_label_dir, f{base}_aug_{i}.txt), w) as f: for lbl, box in zip(aug_labels, aug_bboxes): f.write(f{lbl} { .join(f{v:.6f} for v in box)}\n)逻辑说明用 albumentations 做几何变换时bbox 会跟着一起变这是它比手动增强靠谱的地方。参数说明times3表示每张少数类图片生成 3 张增强图别给太多否则过拟合增强模式。离线增强只对训练集做验证集和测试集绝对不能碰。4. 用 YOLOv8 跑通第一个 baseline参数怎么设、日志怎么看4.1 data.yaml 的四个必填项和两个易错项YOLOv8 训练需要data.yaml里面path、train、val、names是必填。易错项是names的顺序必须和标注里的类别 id 对应以及val路径不能和train有重叠图片。path: ./plant_disease_dataset train: images/train val: images/val test: images/test names: 0: bacterial_spot 1: early_blight 2: late_blight 3: healthy 4: leaf_mold注意names里如果写了中文某些版本的 ultralytics 会报编码错误建议用英文或拼音。val和train的图片绝对不能有同一张否则验证指标虚高你部署时才发现模型啥也没学到。4.2 训练命令与关键参数epochs、imgsz、batch 的三角关系yolo detect train \ data./data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ lrf0.01 \ patience30 \ device0 \ project./runs \ nameplant_baseline参数说明yolov8n是最小模型2000 张图量级下先用小模型跑通别一上来就yolov8x过拟合风险极高。epochs150配合patience30如果 30 轮验证指标不升就早停。imgsz640是默认值但如果你的病斑在图片里占比很小可以提到 1024代价是显存和训练时间。batch16在 8G 显存上跑 640 分辨率基本安全如果 OOM 就降到 8 或者 4。4.3 看训练日志时盯住这三个指标训练日志里指标很多但植物病害检测最该盯的是mAP50、mAP50-95和每一类的precision/recall。mAP50高但mAP50-95低说明框的位置不够准病斑边界回归有问题。某一类 recall 特别低说明那一类漏检严重回去看是不是样本太少或者增强过度。# 训练结束后用验证集跑一次输出每一类的指标 yolo detect val \ model./runs/plant_baseline/weights/best.pt \ data./data.yaml \ splitval \ save_jsonTruesave_jsonTrue会输出 COCO 格式的预测结果方便你用 pycocotools 做更细的分析。如果发现某一类 AP 为 0先检查data.yaml里类别顺序和标注是否一致这是最常见的翻车点。5. 避坑与排查植物病害检测数据集最容易踩的五条5.1 标注框把整片叶子框进去病斑只占 5%现象训练 loss 降得很快但验证时模型把整片叶子都框出来病斑位置完全不对。原因标注时偷懒直接框了叶片外接矩形没有框病斑区域。解决重新标注或者用语义分割先提取病斑区域再转检测框。如果重标成本太高至少把明显不是病斑的框删掉宁可少标也不要错标。5.2 健康叶片被标成病害模型学会「有叶子就是病」现象模型在健康叶片上疯狂出框precision 极低。原因数据集中健康样本被误标或者健康样本根本没有负样本标注。解决健康叶片要么不标作为背景要么单独标一个healthy类。如果作为背景确保训练集里健康叶片数量足够否则模型没见过健康叶子长什么样。5.3 图片有重复训练集和验证集撞车现象验证 mAP 0.9部署后实际检测一塌糊涂。原因同一张图片或者同一片叶子的不同角度照片同时出现在训练集和验证集。解决按叶片 id 或者拍摄批次划分数据集不要随机按图片划分。植物病害数据集里同一片叶子连拍十几张是常事随机划分必然泄漏。5.4 增强把病斑颜色改没了模型学的是背景现象训练时指标正常换一个光照条件就崩。原因HSV 的 H 增益给太大病斑的黄色和健康叶片的绿色被抖成同一个颜色。解决把hsv_h降到 0.015 以下或者干脆关掉色调抖动只保留饱和度和明度抖动。5.5 类别不平衡导致少数类完全被忽略现象多数类 AP 0.8少数类 AP 0.05。原因少数类样本太少模型直接摆烂全预测多数类。解决过采样少数类、用 focal loss、或者在验证时单独看少数类的 recall。如果少数类少于 50 个标注框建议先补数据再训练否则调参都是徒劳。6. 用混淆矩阵和 PR 曲线判断模型到底学到了什么训练完一个 baseline 后别只看 mAP 一个数。YOLOv8 训练结束后会在runs/plant_baseline/下生成confusion_matrix.png和PR_curve.png这两张图比 mAP 更能说明问题。混淆矩阵里如果healthy那一行大量被预测成某一种病害说明模型没有学到健康叶片的特征而是把健康叶片当成了某种病害的弱化版。PR 曲线里如果某一类的曲线在 recall 0.5 之后断崖下跌说明那一类的置信度分布很散需要检查标注质量。我一般会额外跑一个脚本把验证集里误检和漏检的图片单独挑出来看。误检的图片里如果背景有类似病斑的纹理比如土壤斑点、水滴反光说明模型学到了背景捷径。漏检的图片里如果病斑很小或者被叶片遮挡说明imgsz不够或者增强时小目标被裁掉了。import cv2 import os from ultralytics import YOLO model YOLO(./runs/plant_baseline/weights/best.pt) val_dir ./plant_disease_dataset/images/val results model.predict(sourceval_dir, conf0.25, saveTrue, save_txtTrue) # 挑出置信度在 0.25 到 0.4 之间的预测这些是模型犹豫的样本 for r in results: for box in r.boxes: conf float(box.conf) if 0.25 conf 0.4: img_name os.path.basename(r.path) print(f低置信度样本: {img_name}, conf{conf:.3f}, cls{int(box.cls)})这个脚本跑完你会拿到一批模型「拿不准」的图片。这些图片要么标注有问题要么本身处于病害早期、特征不明显。把它们挑出来重新看一遍标注往往能发现一批漏标或者错标的框。我自己的习惯是每训完一版模型至少花半小时看低置信度样本和误检样本比调参带来的提升更实在。植物病害检测这个方向数据集的质量决定了天花板模型和参数只是逼近天花板的手段。2000 多张图片不算多但如果你把标注洗干净、增强做克制、验证做扎实跑出一个能用的 baseline 完全没问题。希望帮到你。本文还有配套的精品资源点击获取