水稻杂草检测数据集YOLO/VOC双格式解析与YOLOv8训练实战

简介：面向水稻田杂草检测任务的目标检测数据集，同时适配YOLO与VOC两种主流标注格式，便于直接接入常见深度学习检测框架进行训练与评估。图像全部来自水稻田行走拍摄录像的截取画面，保持真实田间光线与背景，共收录1373张清晰图片，每张均带有矩形框标注，类别为杂草weed，整个数据集合计2394个目标框，可支撑杂草识别、农业视觉等方向的研究与项目开发。压缩包约122.61MB，内含2000个文件，主要文件类型为XML标注文件和TXT标注文件，分别对应VOC与YOLO格式，另附说明文档对目录结构进行解释，便于按训练、验证等需求筛选使用。当前已有187人学习浏览，适合需要真实农田样本的开发者与研究者使用；这份数据集省去野外采集与人工标注的重复劳动，提供规范统一的双格式标注，可直接开展数据划分、模型训练与结果验证，降低杂草检测任务的准备门槛。

1. 稻田除草这件事，为什么先卡在一个数据集上

做智慧农业的人都知道，水稻田里的杂草识别和道路上的车辆检测完全是两码事：杂草种类多、叶片相互遮挡、不同生育期形态差异大，而训练数据又不像通用目标检测那样动辄几十万张。我接触过不少团队，模型结构选得挺新，最后却栽在数据集上——要么类别口径混乱，要么坐标归一化出错，要么训练集和验证集混进了同一批照片。这份「水稻中杂草数据集检测yolo+voc格式1373张.zip」的价值在于：1373张这个量级对细分场景不算多，但它同时给足yolo和voc两种标注，省掉了格式转换和标注口径统一这两件最耗时间的事。适合0基础纯小白用来跑通训练全流程，也适合已经熟悉yolo但想切入农业视觉的工程师快速建立基线。

下面从解压开始，把这个数据集的组成、格式转换、训练参数和标注级事故一路拆开讲。

2. 拆解双格式数据集：yolo/voc的目录结构、标注差异与自查脚本

2.1 yolo和voc两种标注到底差在哪

拿到压缩包解压后，你会看到典型的双格式布局。常见做法是images目录放图片，yolo格式的标签放labels目录（每张图对应一个同名txt），voc格式的标签放Annotations目录（每张图对应一个同名xml）。两种格式描述的是同一个标注事实，但坐标系和存储方式完全不同。

yolo格式是归一化坐标，一行代表一个目标框：

0 0.482910 0.441284 0.182617 0.164506

五个数分别是：类别id、框中心点x坐标、中心点y坐标、框宽度、框高度。所有坐标值都除以了图片宽高，范围在0到1之间。voc格式则用xml保存绝对像素坐标，典型结构是：

<annotation> <size> <width>1920</width> <height>1080</height> </size> <object> <name>weed</name> <bndbox> <xmin>321</xmin> <ymin>218</ymin> <xmax>672</xmax> <ymax>512</ymax> </bndbox> </object> </annotation>

这里存的是真实像素值，xml的size节点里还带着图片宽高，转换格式时这个信息不能丢。下面用一个表把两者的核心差异列清楚：

双格式分发的好处是：训练时直接把txt喂给ultralytics的yolo系列，人工复核时用labelimg打开xml继续修改。但也要留个心眼——很多数据集作者只在发布时做了一次格式转换，后续修订补标时只更新了一种格式，所以开始训练之前先把两种格式的标注数量对一遍。

2.2 解压后先做一遍目录体检

不要急着训练。第一步是确认文件配对完整。一个典型的检查思路是用bash统计图片、txt、xml三类文件数量，再找出缺失配对的样本：

# 进入解压后的数据集根目录 cd rice_weed_dataset # 统计三类文件数量 echo "图片数量: $(find images -type f | wc -l)" echo "yolo标签数量: $(find labels -type f | wc -l)" echo "voc标签数量: $(find Annotations -type f | wc -l)" # 找出缺少txt或xml的图片文件 for img in images/*.jpg; do base=$(basename "$img" .jpg) [ ! -f "labels/$base.txt" ] && echo "缺yolo标签: $base" [ ! -f "Annotations/$base.xml" ] && echo "缺voc标签: $base" done

上面脚本按.jpg后缀匹配，实际操作时先通过ls images | head看看图片后缀是.jpg还是.png或.jpeg，把后缀写对。另外注意文件名是否带空格或中文，yolo训练管线对这些字符很敏感，建议统一改名为纯英文加下划线的形式，这一步能省掉后面很多莫名其妙的报错。

2.3 用python脚本统计标签分布，提前感知小目标和类别失衡

对水稻杂草这类密集小目标场景，统计标签能提前告诉你后面训练会遇到什么。写一个python脚本读取yolo格式标签，统计每张图的框数量、框宽高分布和类别分布：

import os from collections import Counter labels_dir = "labels" img_width, img_height = 1920, 1080 # 从xml的size节点读，或直接看图片尺寸 cls_counter = Counter() box_count_per_image = [] small_box_count = 0 total_boxes = 0 for txt_name in os.listdir(labels_dir): if not txt_name.endswith(".txt"): continue txt_path = os.path.join(labels_dir, txt_name) with open(txt_path, "r") as f: lines = [line.strip() for line in f if line.strip()] box_count_per_image.append(len(lines)) for line in lines: parts = line.split() cls_id = int(parts[0]) w = float(parts[3]) h = float(parts[4]) cls_counter[cls_id] += 1 total_boxes += 1 # 如果框宽或高小于图片宽高的5%，视为小目标 if w * img_width < 96 or h * img_height < 96: small_box_count += 1 print("总框数:", total_boxes) print("每图框数均值:", sum(box_count_per_image) / len(box_count_per_image)) print("小目标框占比: {:.2%}".format(small_box_count / total_boxes)) print("各类别数量:", cls_counter.most_common())

这里有一个关键点：读取yolo标签时最好带上图片宽高信息，因为归一化坐标只有乘回原始尺寸才能判断框的实际大小。如果发现小目标框占比超过50%，后面训练时imgsz就得调高，同时也得考虑是否切图训练。另外如果某个类别的数量比其他类别少一个数量级，就得准备类别权重或额外数据增强手段，否则训练会直接把这个类别“忽略”掉。

3. 把voc转成yolo格式：坐标换算脚本与四个边界坑

3.1 从voc xml转yolo txt：脚本与参数说明

虽然数据集同时给了两种格式，但实际训练时你很可能只需要其中一种。而且有些情况下下载的数据集voc格式是完整的，yolo标签却缺了一部分——这种事不罕见。我一般会自己写一套转换脚本，顺便把数据清洗做掉。下面是从voc转yolo的常用做法：

import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_path, out_txt_path, class_names): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") img_w = int(size.find("width").text) img_h = int(size.find("height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in class_names: continue cls_id = class_names.index(name) bndbox = obj.find("bndbox") xmin = float(bndbox.find("xmin").text) ymin = float(bndbox.find("ymin").text) xmax = float(bndbox.find("xmax").text) ymax = float(bndbox.find("ymax").text) # 坐标合法性检查，越界或零面积直接丢弃 if xmax <= xmin or ymax <= ymin: continue xmin = max(0, min(xmin, img_w - 1)) xmax = max(0, min(xmax, img_w - 1)) ymin = max(0, min(ymin, img_h - 1)) ymax = max(0, min(ymax, img_h - 1)) x_center = (xmin + xmax) / 2 / img_w y_center = (ymin + ymax) / 2 / img_h width = (xmax - xmin) / img_w height = (ymax - ymin) / img_h # 保留6位小数，避免坐标抖动 lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}") with open(out_txt_path, "w") as f: f.write("\n".join(lines))

这段代码有几个参数值得说明。class_names是一个列表，顺序决定了类别id的映射规则，必须和训练时的data.yaml保持一致。坐标裁剪那几行是关键：有些voc标注的框会超出图片边界几个像素，不裁剪的话训练时会导致mosaic增强后坐标越界，甚至引发训练崩溃。最后保留6位小数不是强迫症，而是为了在反向转换为voc时减少像素误差累积。

3.2 yolo转voc回灌labelimg：人工复核的后悔药

转换方向反过来也经常用到。比如你训练完一批数据后想用labelimg检查yolo标注质量，但labelimg默认用voc的xml格式，这时就需要yolo转voc。反向转换要特别注意整数化处理：

def yolo_to_voc(txt_path, xml_path, img_w, img_h, class_names): root = ET.Element("annotation") size = ET.SubElement(root, "size") ET.SubElement(size, "width").text = str(img_w) ET.SubElement(size, "height").text = str(img_h) ET.SubElement(size, "depth").text = "3" with open(txt_path, "r") as f: for line in f: parts = line.strip().split() if len(parts) < 5: continue cls_id, x_center, y_center, w, h = (float(parts[0]), float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4])) # 归一化坐标还原为像素值，注意四舍五入边界 x_center_px = round(x_center * img_w) y_center_px = round(y_center * img_h) w_px = round(w * img_w) h_px = round(h * img_h) xmin = max(0, x_center_px - w_px // 2) ymin = max(0, y_center_px - h_px // 2) xmax = min(img_w - 1, x_center_px + w_px // 2) ymax = min(img_h - 1, y_center_px + h_px // 2) obj = ET.SubElement(root, "object") ET.SubElement(obj, "name").text = class_names[int(cls_id)] bndbox = ET.SubElement(obj, "bndbox") ET.SubElement(bndbox, "xmin").text = str(xmin) ET.SubElement(bndbox, "ymin").text = str(ymin) ET.SubElement(bndbox, "xmax").text = str(xmax) ET.SubElement(bndbox, "ymax").text = str(ymax) tree = ET.ElementTree(root) tree.write(xml_path, encoding="utf-8", xml_declaration=True)

这里最常见的翻车点是w_px // 2整除运算：如果框宽度是奇数像素，xmax和xmin加起来的宽度会差1像素，虽然对训练影响不大，但在回显时肉眼可见框偏了。解决办法是分别计算四个边而不是先算中心再加减半宽，不过多数情况下整除误差可以接受。另一个坑是归一化坐标乘回像素时如果图片被resize过，必须用resize后的新宽高计算，否则全部框错位。

3.3 转换后的完整性校验

任何格式转换脚本跑完后都必须做一次完整性校验，不能只盯输出文件数量。我常用的校验手段是重绘标注框生成对比图：

import cv2 def draw_yolo_boxes(img_path, txt_path, output_path, class_names): img = cv2.imread(img_path) img_h, img_w = img.shape[:2] with open(txt_path, "r") as f: for line in f: parts = line.strip().split() if len(parts) < 5: continue cls_id = int(parts[0]) x_center = float(parts[1]) * img_w y_center = float(parts[2]) * img_h w = float(parts[3]) * img_w h = float(parts[4]) * img_h xmin = int(x_center - w / 2) ymin = int(y_center - h / 2) xmax = int(x_center + w / 2) ymax = int(y_center + h / 2) color = (0, 255, 0) # BGR绿色框 cv2.rectangle(img, (xmin, ymin), (xmax, ymax), color, 2) cv2.putText(img, class_names[cls_id], (xmin, max(0, ymin - 5)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imwrite(output_path, img)

这个脚本本身没有复杂逻辑，但它的价值在于把抽象的坐标数据变成肉眼可判断的图片。随机抽10到20张图生成对比图，快速扫一遍就能发现三类典型问题：框整体偏移（说明坐标换算公式错误）、框大小和植株不符（说明标注源本身不准）、类别标签错位（说明class_names顺序不一致）。这一步值得做，因为数据集的元信息可能和标注序列不完全对齐，等训练完才发现类别对不上，返工成本高得多。

3.4 坐标边界和精度问题归总

四个边界坑值得单独说。第一，xml里的xmax、ymax是包含边缘的像素坐标，转换为宽高时如果直接相减会少算一个像素，对训练影响极小但回灌labelimg时会看到框右边压线。第二，归一化后如果图片带有黑边或者做过letterbox，坐标会整体失效，所以格式转换必须在任何resize操作之前完成。第三，类别id的排序必须与训练配置严格一致，voc里用的字符串，yolo里用整数，转换脚本里class_names列表的顺序就是唯一的映射依据。第四，整数坐标转成浮点归一化再转回整数，来回一次至少损失1像素，多次转换会产生可观察的框漂移，所以尽量在源标注基础上只转一次，不要反复横跳。

4. 用yolov8训练这套数据集：数据划分、data.yaml与必调参数

4.1 数据划分：别用随机洗牌，按拍摄批次隔离

数据集只有1373张，验证集和训练集之间的“信息泄漏”是不容易察觉但又影响深远的坑。如果同一个地块连续拍摄的照片同时出现在训练集和验证集里，模型在验证集上的表现会虚高——它见过几乎一模一样的背景和光照，实际遇到新田块时又会被打回原形。

正确的做法是按拍摄时间或拍摄区域分组划分。图片文件名中通常带有拍摄序号，如果无法确认分组，可以按文件名的序号区间切分。我一般用这样的脚本做划分：

import os import random import shutil images_dir = "images" labels_dir = "labels" train_img_dir = "dataset/images/train" val_img_dir = "dataset/images/val" train_lbl_dir = "dataset/labels/train" val_lbl_dir = "dataset/labels/val" # 关键：先对文件名分组，每个组包含连续拍摄的一批图片 # 按起始序号每隔固定间隔取一组作为验证集 all_images = sorted(os.listdir(images_dir)) val_ratio = 0.15 # 假设文件名形如 IMG_0001.jpg，按前4位序号作为组编号 group_map = {} for img_name in all_images: group_key = img_name.split("_")[1][:4] # 取序号前4位作为组 group_map.setdefault(group_key, []).append(img_name) groups = list(group_map.keys()) val_group_count = max(1, int(len(groups) * val_ratio)) val_groups = set(random.sample(groups, val_group_count)) for group_key, img_list in group_map.items(): for img_name in img_list: base = os.path.splitext(img_name)[0] if group_key in val_groups: shutil.copy(os.path.join(images_dir, img_name), val_img_dir) shutil.copy(os.path.join(labels_dir, base + ".txt"), val_lbl_dir) else: shutil.copy(os.path.join(images_dir, img_name), train_img_dir) shutil.copy(os.path.join(labels_dir, base + ".txt"), train_lbl_dir)

这个脚本里random.sample选中的验证组必须固定下来，最好输出一份val_groups清单保存，免得下次重跑时换了一组图片导致实验结果不可复现。1373张按15%划分，验证集约200张，数量偏紧但够用。如果对泛化性要求高，还可以再做一次k折交叉验证，先确定模型效果稳定。

4.2 data.yaml的写法与路径陷阱

yolov8训练的数据配置是一个yaml文件，路径和类别名是两大陷阱。先看一个正确写法：

path: /home/user/rice_weed_dataset train: images/train val: images/val names: 0: barnyard_grass 1: monochoria_vaginalis 2: echinochloa_crus_galli

path字段指向数据集根目录，train和val是相对path的路径。这里有个容易踩的坑：ultralytics的新版本支持path字段，但如果你把path写成相对路径（比如dataset/），而当前工作目录不在dataset上一层，就会报路径找不到。另一个坑是names列表的类别顺序必须和标签txt里的类别id一一对应，否则模型训练时标签语义完全错乱。检查方法很简单：直接读一张标签txt看一下第一列数字，再对照yaml里的names顺序，确保数字0对应第一个类，数字1对应第二个类。

另外如果数据集是从windows环境拷贝到linux服务器，文件名可能混入回车符。用下面的命令清理：

sed -i 's/\r$//' data.yaml find labels -name "*.txt" -exec sed -i 's/\r$//' {} \;

这类问题通常表现为什么错都报但信息不明确，最后才发现是文件格式夹杂了\r字符。

4.3 训练最小命令与参数对照

环境配置好之后，训练命令本身很简洁。以yolov8n为baseline：

yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=200 \ imgsz=640 \ batch=16 \ patience=50 \ device=0

逐个参数说明：

有几个参数组合要特别注意。imgsz从640提高到1280，小目标召回率通常能提升3到5个点，但训练时间和显存占用翻两到四倍。batch大小如果小于8，在数据只有1300多张的情况下，batchnorm统计不稳定，loss曲线会抖动得厉害。更好的做法是batch固定16以上，如果显存不够就降imgsz而不是降batch。

4.4 数据增强的取舍：不是全开就好

ultralytics内置了一套增强策略，默认配置对小数据集比较激进。mosaic增强会在训练早期混叠四张图，这对密集目标检测有帮助，但也可能生成大量超出真实田间分布的合成样本。我通常会做两个调整：一是把mosaic的概率在最后30轮关闭，让模型适应真实目标分布；二是关闭上下翻转（flipud），因为水稻田里杂草的形态和角度有朝向性，上下翻转会让叶片纹理变得不真实。

# 在训练命令中直接指定增强参数 yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=200 \ imgsz=640 \ batch=16 \ mosaic=0.5 \ flipud=0.0 \ fliplr=0.5

fliplr左右翻转对田间杂草检测相对安全，因为杂草生长方向在左右对称性上没那么敏感。mosaic调到0.5的含义是每两张图里至少有一张使用mosaic拼接。如果你的目标框密集且互相遮挡严重，甚至可以把mosaic完全关掉，改用copy_paste增强。增强参数的本质是把你对田间分布的认知编码到训练策略里，照搬默认配置省事但不一定出好效果。

5. 常见问题排查：让水稻杂草模型翻车的五个标注级事故

5.1 训练loss下降但验证mAP不动

现象：训练前100轮loss从3.0降到0.8，看着正常，但验证集mAP一直卡在0.3左右，提升缓慢。

原因：大部分情况下是数据划分泄漏。水稻田照片连续拍摄，帧之间高度相似，随机划分会让训练集和验证集出现在同一段视频中，验证集信息被训练集覆盖。

解决：按拍摄批次分组划分验证集，或者直接按文件名序号尾部百分比切分数据，保证同一个连续拍摄序列只出现在训练集或验证集中，不跨两边。

5.2 相邻类别混淆严重，模型输出在两个杂草类之间跳变

现象：混淆矩阵显示两三个类别互混，比如某两类杂草被模型反复搞混，但其他类别识别准确率明显更高。

原因：标注人员在标记时的口径漂移。同一个数据集中，前几百张把一类草标为A，后几百张因为视觉差异把同一类草标成B。这种情况尤其在叶型相似的稗草和千金子之间常发生。

解决：把两种格式的标注回灌到labelimg，逐类检查类别边界。不用全部重标，抽样50张，把拿不准的框截图对比，明确标注规则后统一修正。训练前做这一步能省掉后期大量试错。

5.3 小目标漏检严重，召回率上不去

现象：mAP50表现尚可，但mAP50-95明显偏低，距离远或叶片小的杂草几乎不检出来。

原因：数据集里大量目标框的归一化宽高小于0.01，在imgsz=640下对应不到6个像素，模型下采样后特征图上的目标区域只有一两个像素点，信息量严重不足。

解决：优先考虑提高imgsz到1280，配合更强的gpu。如果显存受限，把原始大图切块训练，推理时用tiled prediction拼回全图预测结果。另外检查标签是否有坐标被截断，例如w=0.000000的情况，这种框训练时会被当成背景处理。

5.4 训练到一半显存溢出，换小batch后loss抖动

现象：batch设16训练到第40轮，cuda out of memory；改batch=4后loss曲线大幅震荡，验证mAP随之波动剧烈。

原因：batch太小导致batchnorm统计不稳定，尤其在只有1300多张数据时，每个batch只能看到极少数目标类别，梯度的方向不断变化。

解决：先降低imgsz到512保证batch不小于16，训练结束后用imgsz=1280做fine-tune。如果显存实在不够，考虑混合精度训练（amp=True），ultralytics默认开启，但有时需要显式指定保持开启状态。

5.5 增强后标注框丢失，训练样本数悄悄缩水

现象：训练日志中每轮显示的样本数比1373少了一两百张，且随着轮次增加还会波动。

原因：mosaic和随机仿射变换后，部分目标的框被裁到图片边界外，ultralytics的增强管线会丢弃这些无有效目标的样本。如果原图中本就是密集小目标，这种情况尤其严重。

解决：用pycocotools或自写脚本统计增强前后的框数量变化。如果发现框丢失率超过10%，关闭一部分过激的增强参数，特别是随机平移和缩放的幅度要调低。我一般把scale参数从默认的0.5降到0.3，让框更稳定地留在视野内。

6. 模型没有白训练：验证集之外的三种效果检查手段

6.1 用val命令输出混淆矩阵和特征热力图，别只看最终mAP

训练完成后大多数人只看一轮终端输出的mAP数字就收工了。我建议至少多看两个图：混淆矩阵（confusion_matrix.png）和特征图热力图。ultralytics提供的val命令可以直接生成：

yolo detect val \ data=data.yaml \ model=runs/detect/train/weights/best.pt \ plots=True

plots=True会在验证结束后生成confusion_matrix.png、PR曲线图和一批带标注的预测图。混淆矩阵要关注对角线亮度之外的内容：如果某两个类别的互相混淆值明显偏高，说明类别定义在视觉上就没有区分度，靠调参解决不了，需要回头处理标注。热力图则可以看到模型关注的是目标区域还是背景区域，如果模型聚焦在整片田地上而不是杂草叶片，多半是背景信息过强，后续考虑加入注意力监督或调整训练数据裁剪方式。

6.2 读PR曲线而不是mAP数字

mAP50是把所有类别的PR曲线均值化后的数字，会掩盖单类别的严重缺陷。在杂草检测中，漏检的代价远大于误检——漏掉一株稗草意味着这株草会和水稻争养分，而误判多标一个框至少还能靠人工复核。因此我更习惯看PR曲线的尾部：把置信度阈值从0.5降到0.1，召回率能爬到多少。如果降低阈值后召回率上来了但精确率跌到0.3以下，说明模型学到的特征是弱的判别性特征，需要增大数据集的多样性而不是继续调训练轮数。

6.3 新田块实地抽检：低置信框才是模型真实水平的镜子

最终验证标准永远是新拍摄的、没有出现在训练集中的稻田照片。我一般会留出几段完整视频，在模型的检测结果中把置信度阈值调低到0.25，把所有低置信度的漏检框和误检框都可视化出来。这时候看到的才是最真实的模型弱点分布：是在某个光照角度下漏检、还是对某个生育期的杂草不认识、还是远距离目标大面积漏框。如果你能接受实时场景下漏检率低于5%，那么这个模型可以进入下一步的部署优化；如果接受不了，回到第4章调参数或者收集同类场景补标数据，这才是让模型真正变强的闭环。

我自己的教训是：第一版模型在验证集上mAP50到了0.85，当时以为可以交付了，结果拿到新田块一测，漏检率高一倍，原因就是验证集信息泄漏导致成绩虚高。后来把数据划分严格按拍摄批次隔离，重新训练后mAP50只有0.81，但新田块的实际表现反而改善了。从那之后我再也不把mAP数字当成唯一标准，验证集之外的低置信框可视化成了固定动作。数据集的1393张只是一个起点，把标注质量确认好、把训练和验证的边界划干净，这个方向才能走得更远。希望帮到你。

本文还有配套的精品资源，点击获取