基于YOLOv8的鱼类疾病检测系统：从数据标注到模型部署全流程解析

简介：基于Python和YOLOv8的鱼类疾病检测系统，面向水产养殖从业者、计算机视觉学习者和算法工程师，借助深度学习实现鱼类疾病自动化识别，解决人工巡检效率低、漏检率高的问题。系统覆盖22种鱼类及其常见病症（如出血、眼部缺陷、鳍部缺陷、溃疡等），支持图片、视频和摄像头实时检测，检测结果可自动保存并导出为Excel，同时提供Web前端界面展示，便于日常监测与预警。压缩包内共24个文件，含4个Python脚本，分别对应训练、预测、验证及界面交互；19张PNG图片为运行效果与检测示意图，另有README说明文档，整体仅2.26MB，结构清晰易于上手。目前已有90人浏览学习。下载后既可快速复现完整检测流程，也可参考包内提到的70余种YOLOv8创新改进点优化模型精度，配合训练教程和数据集可训练自定义模型，适合作为鱼类检测方向毕业设计或实际项目落地的参考方案。

1. 鱼病检测的痛点，正好是YOLOv8该干的活

水产养殖里，鱼到底生了什么病，尤其早期病斑、烂鳍和寄生虫感染，肉眼判断极不可靠。一个五万尾的池塘，人工巡检一遍两小时起步，等肉眼能确认发病，往往已经传染开。基于Python和YOLOv8的鱼类疾病检测系统，做的就是把这套人工巡检变成目标检测流程：用标注好的鱼体图像训练YOLOv8，得到能框出病灶位置的权重，再对批量图像或实时视频帧输出类别与置信度。这套源码不是一条固定命令，而是一条从数据标注到模型训练的完整链路，适合正在做水产智能化、病害预警的开发者，也适合想拿YOLOv8跑通目标检测全流程的人。下面按实际做这类项目的路径展开：先搞定环境和数据，再训练和调参，然后评估与部署，最后收在细粒度病斑检测的几个优化手段上。

2. YOLOv8环境配置与鱼类图像数据集的组织方式

2.1 Python环境搭建与ultralytics安装

yolov8环境配置是第一个坎。常见做法是用conda建独立环境，避免把系统Python搞乱。Python版本选3.10或3.11都行，ultralytics从8.0.x到当前版本对这两个版本兼容性都不错。如果机器有NVIDIA显卡，先确认CUDA版本，再装对应PyTorch。

# 创建独立环境，避免污染系统python conda create -n fish-yolo python=3.10 -y conda activate fish-yolo # 安装GPU版PyTorch，按自己CUDA版本调整cu118/cu121 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装YOLOv8核心库 pip install ultralytics

安装完验证一下：

python -c "import ultralytics; print(ultralytics.__version__)" yolo predict model=yolov8n.pt source=https://ultralytics.com/images/bus.jpg

第二条命令会自动下载yolov8n.pt权重并跑一张示例图，能输出推理结果就说明环境通了。要注意PyTorch和CUDA版本必须匹配，否则torch.cuda.is_available()返回False，训练会掉回CPU，速度慢几十倍。验证CUDA可用性用：

python -c "import torch; print(torch.cuda.is_available())"

2.2 鱼类图像的采集与标注要点

任何检测系统的天花板在数据质量，不在模型结构。鱼类疾病检测的数据采集有几种来源：养殖场实地拍摄的发病鱼、实验室培养皿内的病鱼特写、以及公开的鱼类图像数据集。每类病害至少准备500张带病图像，才算勉强够训练。标注工具用labelImg最直接：

pip install labelimg labelimg

标注时注意三点。第一，病斑区域要框紧密，不要把整条鱼都框进去，YOLO学习的是病灶特征，框得越精准模型越容易区分病种；第二，类别名统一用英文小写加下划线，如white_spot、fin_rot、gill_rot，避免中文路径和类名带来的编码问题；第三，每张图的标注信息是独立的txt文件，文件名与图像名一致。

2.3 从VOC格式到YOLO格式的转换脚本

labelImg默认可以输出YOLO格式，但很多公开数据集给的是VOC的XML标注。写个转换脚本是常见需求：

import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_path, class_names): """将VOC格式XML标注转为YOLO格式txt""" tree = ET.parse(xml_path) root = tree.getroot() # 图像宽高是归一化的基准 img_w = int(root.find('size/width').text) img_h = int(root.find('size/height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_names: continue cls_id = class_names.index(name) box = obj.find('bndbox') xmin = int(box.find('xmin').text) ymin = int(box.find('ymin').text) xmax = int(box.find('xmax').text) ymax = int(box.find('ymax').text) # YOLO格式要求：中心点坐标和宽高，全部归一化到0~1 cx = ((xmin + xmax) / 2) / img_w cy = ((ymin + ymax) / 2) / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(out_path, 'w') as f: f.write("\n".join(lines))

核心是归一化的计算方式。YOLO不直接存像素坐标，而是存相对图像宽高的比例，这样不同分辨率图像可以统一训练。class_names列表的顺序就是类别ID的映射，后续dataset.yaml里的names顺序必须与此完全一致，这是新手最容易踩的坑。

2.4 数据集目录结构与dataset.yaml配置

yolov8训练自己的数据集，目录结构有固定要求。常见布局如下：

fish-disease/ ├── images/ │ ├── train/ # 训练图像，建议70%~80% │ └── val/ # 验证图像，建议20%~30% ├── labels/ │ ├── train/ # 每张图像对应的txt标注 │ └── val/ └── fish_disease.yaml

训练前的核心配置文件是yaml文件：

# fish_disease.yaml path: /home/fish/fish-disease # 数据集根目录绝对路径 train: images/train # 相对path的训练图像目录 val: images/val # 相对path的验证图像目录 names: 0: healthy 1: white_spot 2: fin_rot 3: gill_rot

path建议写绝对路径，相对路径在某些版本的ultralytics里会解析出问题。names从0开始编号，且顺序与标注txt中的类别ID一致。写完后做一次校验：

from ultralytics.data import YOLODataset ds = YOLODataset('fish_disease.yaml', imgsz=640) print(f"训练集大小: {len(ds)}")

能正常打印数量就说明数据集没毛病。

3. 用YOLOv8训练鱼类疾病检测模型：从C2f结构到关键参数

3.1 yolov8模型结构中C2f模块的作用

YOLOv8的主干网络里C2f模块替代了YOLOv5的C3。C2f的输入先过一个卷积层，然后拆成两条路径：一条直接传递，另一条经过n个Bottleneck的串行堆叠，每经过一个Bottleneck都会在通道维度上拼接一次。这种结构让梯度回传路径变短且更丰富，同时每个Bottleneck的输出都保留下来，信息流不再是简单的串行压榨。具体到鱼病检测这个任务，C2f带来的直接好处是：鱼身上小尺寸病斑（比如白点病初期只有几个像素的白色颗粒）在浅层特征中更容易被保留，不会因为层数加深而消失。

想可视化YOLOv8网络结构，在Python里画一下：

from ultralytics import YOLO import torch model = YOLO('yolov8n.pt') x = torch.randn(1, 3, 640, 640) y = model.model(x) # 查看C2f结构 for name, module in model.model.named_modules(): if 'c2f' in name: print(name, module)

一般会看到三个C2f位于不同下采样阶段，控制着特征图的通道数和分辨率。理解它有助于后面的调参：C2f里的Bottleneck数量多，模型容量大但训练慢、容易过拟合；数量少则反之。自定义模型结构时改yaml文件里的depth_multiple就能统一缩放。

3.2 训练脚本与超参数的选择逻辑

确定网络规模后，写训练脚本：

from ultralytics import YOLO # 加载预训练权重，n/s/m/l/x按数据量和显存选 model = YOLO('yolov8n.pt') model.train( data='fish_disease.yaml', epochs=150, imgsz=640, batch=16, patience=20, optimizer='SGD', lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, augment=True, project='runs/train', name='fish-v1', seed=42 )

参数选择背后是有逻辑的，不是随手填：

关键理解：patience的意义在于避免后50轮白跑。如果150轮训练在第60轮就停，说明数据简单或者模型容量过大，属于正常。imgsz提升到1280会显著提升小目标检测效果，但训练时间大约翻3倍，先小规模测试再决定。

3.3 用results.csv绘制损失函数曲线

训练过程中最要紧的监控就是损失曲线，训练是否收敛、有没有过拟合都能一眼看出来。ultralytics每次训练都会在输出目录生成results.csv，里面按epoch记录了box_loss、cls_loss、dfl_loss以及各指标。画损失曲线的脚本：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('runs/train/fish-v1/results.csv') # 老版本列名带前导空格，先strip掉 df.columns = [c.strip() for c in df.columns] plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.plot(df['epoch'], df['train/box_loss'], label='train_box') plt.plot(df['epoch'], df['val/box_loss'], label='val_box') plt.xlabel('epoch') plt.ylabel('box_loss') plt.title('Box Loss') plt.legend() plt.grid(True) plt.subplot(1, 2, 2) plt.plot(df['epoch'], df['train/cls_loss'], label='train_cls') plt.plot(df['epoch'], df['val/cls_loss'], label='val_cls') plt.xlabel('epoch') plt.ylabel('cls_loss') plt.title('Cls Loss') plt.legend() plt.grid(True) plt.tight_layout() plt.savefig('loss_curve.png', dpi=200)

看曲线的重点是train和val的间距。train_loss持续下降而val_loss在第40轮后开始反弹，就是过拟合信号，回调weight_decay或减小模型到yolov8n。两条线保持同步下降且最终平稳，说明训练状态健康。

3.4 数据不平衡与类别权重

鱼病数据里不同病种的样本数往往差异很大，常见的寄生虫病可能只有几十张图，而健康鱼的标注成百上千。这种不平衡会让模型偏向多数类。常见做法是在yaml文件里用weight字段加类别权重，或者在train参数里调cls损失权重：

model.train( ..., cls=1.5, # 提高分类损失的权重，让模型更重视类别区分 dropout=0.1 # 加dropout缓解少量数据过拟合 )

还有一个更实用的做法：对样本少的类别做离线增强，把每张图水平翻转、旋转15度、亮度抖动各生成一张副本，把该类数量补齐到多数类的60%左右。这比单纯调损失权重稳定，因为模型看到的是真实变化后的图像。

4. 模型评估、置信度阈值调优与批量推理

4.1 用val评估模型：mAP、Precision、Recall怎么解读

训练结束后，best.pt保留的是验证集上表现最好的权重。评估命令：

yolo val model=runs/train/fish-v1/weights/best.pt data=fish_disease.yaml

输出结果里重点关注这几项：

只看mAP不够，建议加一条混淆矩阵输出：

yolo val model=runs/train/fish-v1/weights/best.pt data=fish_disease.yaml plots=True

plots=True会在输出目录生成confusion_matrix.png，一眼看出哪个类别之间互相误判。鱼病场景里最容易混淆的是white_spot和healthy，因为健康鱼身上也有白色鳞片反光。如果这两类混在一起，优先检查标注框是否把非病灶区域也框进去了。

4.2 置信度阈值与NMS参数对漏检误检的影响

模型输出的每个预测框都带一个置信度分数，默认阈值是0.25。实际部署时这个值必须按场景调。漏检严重（真实病鱼没框出来）就降到0.1，宁可多框几个；误报严重（健康鱼被标成病鱼）就往0.4甚至0.5调。写推理脚本时把这几个参数暴露出来：

from ultralytics import YOLO # 加载训练好的最佳权重 model = YOLO('runs/train/fish-v1/weights/best.pt') # 对整张图像批量推理 results = model.predict( source='test_images/', conf=0.35, # 置信度阈值，低于此值的框直接丢弃 iou=0.5, # NMS的IoU阈值，控制重叠框的合并 save=True, save_txt=True, line_width=2 ) for r in results: boxes = r.boxes print(f"图像: {r.path}") for box in boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) xyxy = box.xyxy[0].tolist() print(f" 类别{cls_id} 置信度{conf:.2f} 坐标{xyxy}")

iou参数的语义要理解准确：NMS阶段两个框的重叠程度超过0.5就合并成一个，值调大（比如0.7）允许更多重叠框保留，适合病斑密集的场景；值调小（比如0.3）则只保留最精准的框。鱼病图片里如果多条鱼重叠在一起，默认0.5通常表现已经不错。

4.3 导出ONNX做部署推理

训练好的PyTorch权重没法直接扔给生产环境，导出成ONNX是常见第一步：

yolo export model=runs/train/fish-v1/weights/best.pt format=onnx opset=12 imgsz=640

导出后使用onnxruntime推理：

import onnxruntime as ort import cv2 import numpy as np session = ort.InferenceSession('best.onnx') input_name = session.get_inputs()[0].name img = cv2.imread('test.jpg') img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_resized = cv2.resize(img, (640, 640)) # 归一化并转成NCHW格式 input_tensor = img_resized.astype(np.float32) / 255.0 input_tensor = np.transpose(input_tensor, (2, 0, 1)) input_tensor = np.expand_dims(input_tensor, axis=0) outputs = session.run(None, {input_name: input_tensor}) # outputs[0]是(1, 84, 8400)的tensor，需要后处理

ONNX推理比PyTorch快30%到50%，尤其在CPU环境下更明显。8400是640输入下三个检测头输出的锚点总数，84对应4个坐标加80个COCO类别数。如果训练时自定义了类别，这个数字会变为4+N，写后处理时注意别硬编码。

5. 细粒度病斑检测的进阶优化：切片推理与多尺度训练

最后一个环节，也是最值得花时间的地方：鱼病检测里真正难的不是大白斑，而是早期几个像素的小病灶。模型在640分辨率下能看到的细节有限，很多白点病的初期症状就是被下采样抹掉的。

第一个实用技巧是多尺度训练。在train参数里加scale=0.5，模型会在0.5到1.5倍之间随机缩放输入图像，等于变相做了数据增强，让模型见过不同尺寸的目标：

model.train( ..., imgsz=640, scale=0.5, # 随机缩放范围0.5x~1.5x mosaic=1.0, # mosaic增强，4图拼接 fliplr=0.5, hsv_h=0.015, # 色相抖动，适应不同水质光照 hsv_s=0.7, hsv_v=0.4 )

鱼生活在不同的水色里，偏绿、偏黄、偏浑浊。hsv增强管的就是这个，让模型不依赖颜色绝对值，而依赖纹理和形状。但注意hsv_h别调太大，否则锦鲤的红色斑纹会被抖动成别的颜色，引入噪声。

第二个技巧是切片推理，处理超大图。养殖场拍的照片常常是3000x4000的全池图像，直接缩放到640会丢失所有小鱼。常见做法是用SAHI这类切片推理库，把大图切成一堆640x640的重叠块分别推理再合并结果：

from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction detection_model = AutoDetectionModel.from_pretrained( model_type='yolov8', model_path='runs/train/fish-v1/weights/best.pt', confidence_threshold=0.3, device='cuda:0' ) result = get_sliced_prediction( 'big_pond.jpg', detection_model, slice_height=640, slice_width=640, overlap_height_ratio=0.2, # 高度方向重叠20% overlap_width_ratio=0.2 # 宽度方向重叠20% ) result.export_visuals(export_dir='sliced_output/')

切片重叠的意义：目标刚好落在切片边界时，不重叠会把它切断。20%的重叠比例在精度和计算量之间是合理折中。病斑被切开后，两个切片各含半个目标，NMS会把置信度低的一半去掉，置信度高的另一半保留，总体精度远好于整图缩放。

第三个优化点是用TensorBoard监控训练过程，比盯着终端输出直观得多：

tensorboard --logdir runs/train

浏览器打开6006端口，可以交叉查看box_loss、cls_loss、mAP的变化，也能在Images选项卡里看每一轮训练后的预测结果，直接观察病斑有没有被正确框出。数据量不足是鱼病检测最常见的限制。模型再花哨，标注质量差也训练不出可靠结果。建议先拿50张最有代表性的图像做一轮快速实验，确认整个链路没问题再大规模标注；如果小样本上模型已经能把主要病种类别区分开，再扩数据量往往效果更好。

本文还有配套的精品资源，点击获取