简介：面向番茄叶部病害的智能识别与目标检测场景，该YOLO数据集收录约700张实拍叶片图像，覆盖细菌性斑点、黑点、早期枯萎病等7个常见类别，图像兼顾不同光照、角度与生长期，能够为农业视觉模型提供较丰富的训练样本。其中每张jpg图片均配套txt格式的YOLO标注文件，类别信息记录于classes.txt中，可直接用于YOLOv5、YOLOv8等主流模型训练与验证。整个资源共1477个文件，包含737张jpg原图、738个txt标签文件，另附1个Python可视化脚本和1个类别展示png，压缩包仅22.18MB，轻量便于下载与分发。可视化脚本无需任何修改即可运行，随机读取一张图像即可绘制真实边界框并保存到当前目录，方便快速检查标注质量。数据目录按用途划分清晰，训练集与验证集划分已初步完成，省去自行整理数据的繁琐步骤。目前已有266人学习使用，适合正在开展番茄病害检测、需要现成YOLO数据集快速入手的开发者或研究人员。
1. 番茄叶病害 7 类 YOLO 数据集：为什么拿到手先别训练
目标检测跑番茄叶病害，很多人把精力放在换模型上，实际翻车点全在数据集。标题里的“YOLO 数据集：番茄叶病害识别+检测（7类）”看起来是给你一堆图片和标签，但真正决定训练能否一次跑通的是三样东西：划分好的训练/验证目录、类别 class 文件、数据可视化脚本。前两样保证 YOLO 能读进去，第三样保证你能看出标签对不对、样本平不平衡。这篇笔记就按“检查数据 → 跑最小训练 → 调参数 → 避坑”的顺序，讲清楚一套可复现的落地路径。适合第一次用 YOLO 做农业检测的新手，也适合被乱标签折腾过的熟手。
2. 划分好的 YOLO 数据集长什么样：目录结构、class 文件与最小训练命令
2.1 目录结构：images 与 labels 必须一一对应，train/val 各自成对
我拿到一份划分好的番茄叶病害数据集，第一步不是看图片，而是看目录。YOLO 系列（v5/v8 以及 Ultralytics 现在的训练入口）都遵守同一套约定：图片放在 images 下，标签放在 labels 下；标签文件是 .txt，文件名和图片一致；train/val 子目录两边都要有。一个标准结构是这样：
tomato_yolo/ ├── images/ │ ├── train/ │ │ ├── 001_leaf.jpg │ │ ├── 002_leaf.jpg │ │ └── ... │ └── val/ │ ├── 301_leaf.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── 001_leaf.txt │ │ ├── 002_leaf.txt │ │ └── ... │ └── val/ │ ├── 301_leaf.txt │ └── ... └── data.yaml注意 labels/train 目录下必须有和 images/train 同名的 txt，一个都不能少。我见过有人从网盘解压后只上传了 images 的 train/val，漏掉 labels 里的 val，训练时 loss 照常下降，最后在验证集上全部为 0，因为验证时没有任何 ground truth 可对比。
每张图对应的 txt 内容是这个格式：
0 0.512 0.465 0.231 0.187 2 0.700 0.350 0.150 0.200五个数字依次是：class id、归一化中心点 x、归一化中心点 y、归一化宽、归一化高。全部都是 0~1 之间的小数，不是像素坐标。这个格式决定后面可视化脚本怎么换算。如果你是从 LabelImg 或 Roboflow 导出的数据，可能还会看到没有归一化的版本，那就要在预处理阶段统一转成这个格式。
如果拿到手的数据不是这个结构，常见做法是自己写个脚本整理。你只需要保证一个原则：图片能找到同名 txt，txt 里 class id 是整数、坐标是归一化小数。整理完用可视化脚本抽查一遍，比什么检查都靠谱——这一章的第三节我给了脚本。
2.2 class 文件不是摆设：data.yaml 里的 names 顺序决定标签 id
“class 文件”在不同工具里叫法不一样。LabelImg 导出的是 classes.txt，Darknet 用的是 obj.names，YOLOv5/v8 训练时用的是 data.yaml。标题里说的 class 文件，落到 YOLOv8 训练里就是 data.yaml，它把图片路径和 7 个类别名称绑在一起。
path: /home/user/tomato_yolo # 数据集根目录，绝对路径最稳 train: images/train # 相对 path 的训练图片目录 val: images/val # 相对 path 的验证图片目录 nc: 7 # 类别数量，必须和 names 长度一致 names: 0: bacterial_spot # 细菌性斑点病 1: early_blight # 早疫病 2: late_blight # 晚疫病 3: leaf_mold # 叶霉病 4: septoria_leaf_spot # 斑枯病 5: target_spot # 靶斑病 6: yellow_leaf_curl # 黄化曲叶病毒这里的顺序不能乱。txt 标签里的 0 永远对应 names 里的第 0 项，1 对应第 1 项。很多数据集作者习惯按自己的排列顺序导出 class 文件，而你训练时用了另一个顺序，结果就是模型收敛了但 mAP 始终是零。我第一次做 7 类番茄叶病害时就在这上面白跑了一天。
如果你拿到的是 classes.txt 而不是 data.yaml，说明作者用的是 LabelImg 或 Roboflow 导出的旧格式。你要做的不是硬套，而是读一遍 classes.txt 里的顺序，原样写进 data.yaml 的 names。这个动作叫“对 class id”，比改标签快得多。7 类的具体命名以你拿到的 class 文件为准，上面这段只是按农业检测里比较常见的组合写的示例。
另外注意 path 字段。我一般写绝对路径，因为相对路径在不同机器上跑容易失效。如果只在当前目录操作，也可以省略 path，直接写 train: images/train。团队协作时更常见的做法是各写各的 path，data.yaml 只作为模板提交到仓库，避免把本机路径带去别人机器上。
2.3 用最小命令跑通第一次训练：不调参，先验证加载链路
环境准备好之后，第一次训练我不会调任何参数，只求把数据链路跑通。用 Ultralytics YOLOv8 的命令行就是这么一条：
pip install ultralytics opencv-python matplotlib yolo detect train data=tomato_yolo/data.yaml model=yolov8n.pt epochs=50 imgsz=640 batch=16 device=0如果本机有 NVIDIA GPU，device=0 用显卡；没有就把 device=0 改成 device=cpu。第一次跑的时候，yolov8n.pt 这个预训练权重会自动下载，网络慢的话会卡在下载那一步。常见做法是先手动把权重文件下载到当前项目目录，再重新跑同样的命令，这样 Ultralytics 会在本地找到yolov8n.pt，不再走网络下载。
这条命令就是“yolov8 训练自己的数据集”的标准入口。别急着改 mosaic、hsv 这些增强参数，先把结果跑出来。看到终端出现类似Task: detect, Mode: train和每 10 个 epoch 一次的训练指标表，说明数据被正确读进去了。跑完后验证一下：
yolo detect predict model=runs/detect/train/weights/best.pt source=tomato_yolo/images/val yolo detect val model=runs/detect/train/weights/best.pt data=tomato_yolo/data.yaml这里predict是看一眼预测框是否基本贴住病斑，val会输出 mAP50、mAP50-95，用来判断数据集划分和标签质量。如果 mAP50 能从 0.5 左右往上走，再进入参数调优；如果一直是 0，多半是前面说的标签 id 或路径问题，不是模型问题。
3. 数据可视化脚本：把标签画回原图、统计类别分布、一键体检
3.1 用 OpenCV 把 YOLO 标签画回原图：坐标换算是关键
没有可视化脚本，你根本不知道手里数据是好是坏。我拿到数据集后的第一个动作，是随机抽 train 里 20 张图，把标签画上去。脚本不复杂，但坐标换算必须做对。
import cv2 def draw_yolo_labels(image_path, label_path, class_names): img = cv2.imread(image_path) if img is None: print("图片读取失败:", image_path) return None h, w = img.shape[:2] with open(label_path, encoding="utf-8") as f: for line in f: parts = line.strip().split() if len(parts) != 5: continue cid = int(parts[0]) cx, cy, bw, bh = map(float, parts[1:5]) # YOLO 存的是归一化中心坐标，要换算回像素坐标 x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) color = (0, 0, 255) # BGR 红色 cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) label = class_names[cid] if cid < len(class_names) else str(cid) cv2.putText(img, label, (x1, max(0, y1 - 8)), cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2) return img if __name__ == "__main__": names = ["bacterial_spot", "early_blight", "late_blight", "leaf_mold", "septoria_leaf_spot", "target_spot", "yellow_leaf_curl"] result = draw_yolo_labels("tomato_yolo/images/train/001_leaf.jpg", "tomato_yolo/labels/train/001_leaf.txt", names) cv2.imwrite("check_001.jpg", result)脚本逻辑没什么玄学，就是拿归一化坐标乘回宽高。cx - bw/2是框左上角的 x，cy - bh/2是左上角的 y。画框用cv2.rectangle，框上方用cv2.putText写类别名。
跑完之后重点看三类问题：一是框是不是比真实病斑大一圈或小一圈，那是标注或解析问题；二是整张图内容旋转了 90 度，那是 EXIF 旋转问题；三是多个框重叠在同一个位置，那可能是重复标注。这三类问题在训练阶段都会让模型学到错误特征，越早发现越省事。如果你想批量画出 20 张图，在脚本外套一层glob.glob循环就行。
3.2 用直方图看 7 类样本分布：不平衡会让 mAP 虚高或虚低
标签画回原图只能看单张质量，样本量分布要看统计数据。番茄叶病害数据集最常见的问题，是某一类病叶特别多，另一类只有几百个框。直接用 Python 数一下每个类有多少个框：
import glob from collections import Counter def count_boxes(label_dir, num_classes=7): counts = Counter() total_boxes = 0 for txt_path in glob.glob(f"{label_dir}/*.txt"): with open(txt_path, encoding="utf-8") as f: for line in f: parts = line.strip().split() if len(parts) == 5: cid = int(parts[0]) if 0 <= cid < num_classes: counts[cid] += 1 total_boxes += 1 return counts, total_boxes counts, total = count_boxes("tomato_yolo/labels/train") for cid in range(7): ratio = counts[cid] / total if total else 0 print(f"class {cid}: {counts[cid]} 框, 占比 {ratio:.1%}")输出类似：class 0 有 1240 框，class 6 只有 86 框。这就是不平衡信号。YOLO 默认的损失函数对多数类更友好，少数类会被压住。我不建议一上来就改损失函数，先从数据层面解决，比如把少数类用水平翻转做离线增强，或者去补充收集。数据可视化脚本在这一步的价值就是让你把“看似平衡”的错觉打掉。
如果还想看得更直观，用 matplotlib 画个柱状图：
import matplotlib.pyplot as plt labels = [f"class{i}" for i in range(7)] plt.bar(labels, [counts[i] for i in range(7)], color="skyblue") plt.title("Tomato leaf disease box distribution") plt.ylabel("box count") plt.tight_layout() plt.savefig("class_distribution.png", dpi=150)这个图存下来，后面调增强参数、改数据划分时都用得到。训练完对比混淆矩阵和这个分布图，你就能解释为什么某一类病害总是识别不好——大概率是它本身样本就少，而不是模型不行。
3.3 一键体检：同名文件、空标签和坐标越界一起查
除了画框和统计分布，可视化脚本还有一个隐藏功能：体检。训练数据里最容易藏雷的三种情况是：图片缺同名标签、标签是空文件、坐标越界。写成一个小脚本一次查完：
import os def inspect_dataset(image_dir, label_dir): img_names = {f.rsplit(".", 1)[0] for f in os.listdir(image_dir) if f.endswith((".jpg", ".jpeg", ".png"))} lbl_names = {f.rsplit(".", 1)[0] for f in os.listdir(label_dir) if f.endswith(".txt")} print("缺标签的图片数:", len(img_names - lbl_names)) print("缺图片的标签数:", len(lbl_names - img_names)) bad = [] for f in os.listdir(label_dir): path = os.path.join(label_dir, f) with open(path, encoding="utf-8") as fh: for line in fh: parts = line.strip().split() if len(parts) != 5: bad.append((f, "列数不对", line)) continue cid = int(parts[0]) vals = list(map(float, parts[1:])) if not 0 <= cid < 7: bad.append((f, "class id 越界", line)) if any(v < 0 or v > 1 for v in vals): bad.append((f, "坐标越界", line)) print("异常标签行数:", len(bad)) for item in bad[:10]: print(item) inspect_dataset("tomato_yolo/images/train", "tomato_yolo/labels/train")这里的逻辑很直白：先用集合差算出缺同名文件的数量，再逐行检查 txt 的列数、class id 和坐标范围。这个 7 是类别数，如果你手里的 class 文件不是 7 类，记得改成实际的 nc。跑完看到“异常标签行数: 0”再开始训练，能省掉很多无意义的排错时间。
4. 训练参数怎么设：imgsz、batch、增强与预训练权重的取舍
4.1 imgsz 和 batch：先定分辨率，再量显存
番茄叶病害检测里，病斑往往很小，早疫病的病斑可能只占整张图的 1%。这种场景下 imgsz=640 是性价比选择，但不是精度选择。想要把小黑点、黄化初期的细微纹理抓住，常见做法是把 imgsz 提到 1280。
imgsz 每翻一倍，单张图的像素数翻四倍，显存占用和控制差不多是平方关系。yolo detect train imgsz=1280 batch=8跑不动，就降到 imgsz=640 batch=16。一个简单的经验是：先跑 imgsz=640 batch=8，如果能跑完一个 epoch，再把 batch 翻倍试；显存不够时优先降 batch，别一开始就降 imgsz，因为分辨率对病斑检测的影响比 batch 更直接。
batch 参数还影响 BN（Batch Normalization）统计。batch 太小时，比如 batch=2 或 4，BN 的均值和方差抖动很大，训练不稳定。如果只有小显存卡，要么选更小的 yolov8n，要么开cache=True减少显存与硬盘之间的等待，要么用device=cpu老老实实跑小模型。不要指望提高 batch 能解决一切，它只决定梯度估计的噪声水平，对数据质量问题是无效的。
4.2 数据增强参数：植物叶片场景要动四个地方
Ultralytics YOLO 默认的增强参数适合自然图像，但番茄叶病害有自己的脾气。默认mosaic=1.0会把四张图拼在一起训练，这对小目标是双刃剑：一方面增加上下文多样性，另一方面病斑在拼接边界处容易被切碎、缩小，模型学到的是“半截斑”。我一般把 mosaic 调到 0.5 以下，并在最后 10 个 epoch 让它自动关闭。具体修改方式可以建一个 hyp 配置，也可以直接在命令行传：
yolo detect train data=tomato_yolo/data.yaml model=yolov8n.pt \ epochs=80 imgsz=640 batch=16 \ mosaic=0.5 hsv_h=0.015 hsv_s=0.7 hsv_v=0.4 fliplr=0.5 flipud=0.0这几个参数的含义：hsv_h/hsv_s/hsv_v控制色调、饱和度、亮度的随机扰动。番茄叶在不同光照下颜色差异很大，给一点 HSV 扰动能让模型不依赖“叶子必须很绿”这个特征。但 hsv_h 别给太大，0.015 就好，太大会把病斑的黄色、褐色也给改了，模型反而学不到真实病色。
fliplr=0.5是左右翻转，叶片左右对称，安全。flipud=0.0是上下翻转，我建议关闭，因为番茄叶片有向光性，病斑分布和叶脉方向有关，上下翻转会制造出自然界不存在的样本。再加上scale=0.4适当缩放和translate=0.1小范围平移，增强集就不会太畸变。这几个参数在精度上差别不一定大，但能少一个干扰就少一个。
4.3 预训练权重：从 n 开始，小事下载失败，用本地文件兜底
训练入口里的model=yolov8n.pt是 nano 版权重，参数最小、跑得最快，适合先验证数据集。等第一次训练结束，确认 mAP 能用，再换yolov8s.pt或yolov8m.pt跑一版。不要一上来就用 x 版，一旦数据有问题，x 版跑一天给你一个垃圾结果，排查成本极高。
“yolo 预训练模型下载”是很多人卡住的步骤。Ultralytics 默认从 GitHub 下载，网络不稳时下载失败，训练命令会一直停在 Downloading 阶段。解决办法是先用浏览器手动下载 yolov8n.pt，放到运行命令的当前目录，再执行训练。只要当前目录有这个文件，Ultralytics 就不会重复下载，会直接加载本地权重。
训练时还有个参数值得打开：cache=True。它会提前把整份数据集读进内存，省掉每个 epoch 从磁盘读图的 IO 等待。如果你的机器内存足够大（16G 以上），这个参数能把训练时间缩短近一半。内存不足时系统会频繁换页，反而更慢，酌情使用。训练结束后，runs/detect/train/里会自动生成 confusion_matrix.png、results.png、val_batch*.jpg 这些验证文件，这就是后面排查的基础。
4.4 训练日志读法：P、R、mAP50 和 mAP50-95 分别看什么
很多新手盯着 loss 曲线，以为 loss 降了就行，其实检测任务要看验证集指标。训练结束时 Ultralytics 会打印一个按类别统计的表，大概长这样：
Class Images Instances Box(P R mAP50 mAP50-95) all 50 392 0.72 0.68 0.71 0.45 bacterial_spot 50 130 0.91 0.75 0.87 0.56 early_blight 50 88 0.66 0.59 0.62 0.38P 是精确率，框到真正病斑的比例；R 是召回率，真实病斑被框出来的比例。mAP50 是 IoU 阈值 0.5 下的平均精度，mAP50-95 是 0.5 到 0.95 多个阈值下的平均，后者更严格。看类别行能直接定位问题类别：P 高 R 低，说明这类病斑大量漏检，可能和样本少或病斑太小有关；P 低 R 高，说明误报多，模型把健康组织也框了。每轮看这个表，比看 loss 曲线有用得多。
5. 避坑指南：番茄叶病害数据集最容易翻车的 5 个问题
5.1 标签 id 和 class 文件不一致：训练正常但 mAP 一直为 0
现象：loss 在降，训练日志也很正常，但 val 的 mAP 从头到尾都是 0。画验证集图片时发现框完全不对。
原因：labels txt 里的 class id 顺序和 data.yaml 的 names 顺序对不上。比如作者用 LabelImg 时类别顺序是 early_blight 在第 0 位，你换成的 data.yaml 把 bacterial_spot 放到了第 0 位，模型始终在用第 0 类的名字学习第 2 类的图像。
解决：不要改标签文件，先打开作者提供的 class 文件，看第一行是什么。把 data.yaml 的 names 改成一模一样的顺序。改完后重新跑一次yolo detect val，mAP 立刻恢复正常。以后每次拿到新数据集，先做这个核对，成本两分钟。
5.2 图片 EXIF 旋转：可视化脚本画完框全偏了
现象：标签画回原图，框的位置比病斑偏出去很远，或者整张图内容转了 90 度。
原因：手机或数码相机拍的 JPG 会记录 EXIF 方向信息，很多图像库默认不处理这个字段，导致图像实际像素是旋转过的，而标签坐标是按原始方向标注的。
解决：训练前做一次批量修正，用 PIL 的ImageOps.exif_transpose()处理后另存为 JPG，同时重新生成对应标签。脚本大概长这样：
from PIL import Image, ImageOps import glob for path in glob.glob("tomato_yolo/images/train/*.jpg"): img = Image.open(path) img = ImageOps.exif_transpose(img) # 按 EXIF 信息旋转回正 if img.getexif(): img.save(path, quality=95, exif=b"") # 旋转后清除 EXIF，避免二次旋转注意如果图片确实被转正了，原标签里的坐标可能不再准确，保险做法是旋转后重新用标注工具检查。我一般只对来源是手机照片的数据执行这个操作，从网上下载的公开数据集基本不需要。
5.3 标签坐标不在 0~1 范围：训练时不报错，但损失曲线特别高
现象：loss 在 2.0 以上降不下去，损失曲线抖动剧烈，可视化画框位置全在画布外。
原因：标注工具导出的坐标有的是像素坐标，有的是归一化坐标。有人直接把 512、346 这种像素值当归一化坐标写进 txt，模型读到 x 大于 1 后先报 warning，然后异常预测。
解决：统计一下所有 txt 里的坐标是否落在 0~1 区间：
awk '{for(i=2;i<=5;i++) if($i<0||$i>1) print FILENAME, $0}' tomato_yolo/labels/train/*.txt | head如果发现大量超界坐标，说明数据的坐标格式不一致。常见做法是写一个校正脚本检查异常行数量，确认全部异常后按原图宽高做除法，把像素坐标批量转成归一化坐标。千万不要手工改几百个文件。
5.4 验证集划分不按样本来源：mAP 虚高，换手机拍摄就崩
现象：训练集 mAP50 达到 0.85，但换一批新拍的番茄叶照片，检测效果很差。
原因：划分 train/val 时用的是纯随机文件划分，同一株番茄、同一个视频连续帧的图片同时出现在训练集和验证集。模型记住的是背景、光照、叶位纹理，不是真正的病害特征。
解决：按样本来源分组划分。比如同一个植株编号或同一天拍摄的图片只能进训练集或验证集，不能两边都进。常见做法是给图片名里的植株编号加一列元数据，用 sklearn 的GroupShuffleSplit按组划分。如果没有编号，就用采集时间戳分组。这一步对农业数据集尤其重要，因为同一块地里叶片背景非常相似。
5.5 中文路径和特殊字符：cv2.imread 返回 None，训练直接中断
现象：可视化脚本读图老是不成功，返回 None；训练时提示找不到图片文件。检查路径，文件夹名是“番茄病害数据集（7类）”。
原因：OpenCV 的 imread 在 Windows 和部分 Linux 环境下不支持中文路径和全角括号，返回空指针。
解决：把数据集根目录改成纯英文路径，例如从C:\Users\张三\番茄病害数据集\001.jpg改成D:\tomato_yolo\images\train\001.jpg。代码内部也不要拼中文路径。如果你因为项目要求必须保留中文名，可以改用 PIL 读图再转成 OpenCV 的 BGR 格式，但训练阶段 YOLO 在加载图片时仍可能出问题，根治办法还是统一英文路径。这个坑看起来小，但一旦数据集里混了一部分中文路径，训练会在中途莫名中断，日志还不容易定位。
6. 用混淆矩阵和热力图验收 7 类模型：三个低成本检查法
6.1 混淆矩阵：7 类里哪两类最容易混
训练完成后，runs/detect/train/confusion_matrix.png是最值得放大的图。番茄叶病害里早疫病和晚疫病、斑枯病和靶斑病的外观极其接近，混淆矩阵里这两组大概率有交叉。看到交叉不用慌，先确认是不是样本量不平衡导致，回到第 3 节的分布图对比。如果某类样本少且混淆严重，加样本比换模型更有效。
6.2 热力图：确认模型看的是病斑而不是叶柄
用 Grad-CAM 或类似类激活图检查模型关注区域时注意，YOLO 这类检测头并不像分类网络那样天然就有一个全局可解释层，直接把 Grad-CAM 套在 backbone 输出的特征图上，能看到大致的关注区域。关注区域应该落在叶面病斑附近，而不是叶柄、土壤背景或图片角落。我一般抽 10 张 val 图分别看原图、预测图、热力图，只要有一两张明显关注错区域，就值得重新检查标签有没有标到背景上。
6.3 一个收尾习惯
我自己的固定流程是：训练结束后先跑yolo detect val，记下 mAP50 和 mAP50-95；再打开 confusion_matrix.png 看类别交叉；最后用可视化脚本随机抽 20 张 val 图，对比标签框和预测结果。三步都做完，模型才算过了我的验收线。如果时间允许，再把 best.pt 导出成 ONNX，提前暴露算子兼容问题。这套流程不挑数据集，换到其他作物病害或者工业质检同样适用。希望这份番茄叶病害 7 类数据集的使用经验，能帮你少熬几个夜。
本文还有配套的精品资源，点击获取
