番茄叶病害YOLO数据集：7类实拍+标准结构+可视化质检

简介：本资源是一套专为农业AI视觉检测任务设计的YOLO格式番茄叶片病害识别与检测数据集，面向计算机视觉初学者、农业智能化研究者及深度学习实践者，解决作物病害图像识别模型训练所需高质量标注数据匮乏问题。数据集共1477个文件，含737张JPG格式实拍图像与738个对应YOLOv5标准格式TXT标签文件，另附1个开箱即用的数据可视化Python脚本（支持自动加载并绘制边界框）及1张类别示意图PNG，整体压缩包仅22.18MB，轻量易部署。已有267人学习下载，资源结构清晰：按train/val/test划分，内置classes.txt明确定义细菌斑点、黑点、早期枯萎病等7类常见病害，覆盖田间多角度、多光照、多病程阶段真实场景。可视化脚本无需修改参数，运行后即可生成带标注框的示例图，便于快速验证数据质量与标签准确性，显著降低入门门槛与调试成本。

1. 这不是“又一个番茄数据集”：7类病害+划分好+可视化脚本开箱即用，专治YOLO训练前的三小时焦虑

你有没有经历过：花两天爬图、三天标注、半天调路径，结果发现train/里混着.png和.jpg，classes.txt顺序和 labelImg 生成的 txt 不一致，val.txt里漏了 3 张图导致训练时IndexError: list index out of range？——这个番茄叶病害数据集，就是为终结这种「标注完不敢训」的玄学状态而生的。它不是原始图片包，而是已按 YOLOv5/v8 标准结构完整组织的落地型数据集：700 张 JPG 图片（非截图、非合成、田间实拍）、7 类真实病害（细菌斑点、黑斑病、早疫病、晚疫病、叶霉病、灰霉病、枯萎病）、train/val/test三级目录已划分完毕、classes.txt与所有.txt标注文件严格对齐、附带一个不改参数就能跑通的可视化脚本——传入任意一张图，自动画框、标类别、存结果图，连cv2.imshow()都帮你绕开了（避免远程服务器无 GUI 报错）。适合正在做农业 AI 落地的工程师、农科院合作项目的学生、以及想用真实作物病害练手 YOLO 检测 pipeline 的新手。它不解决模型精度天花板，但能让你把第一轮训练卡在「数据加载失败」之前。

2. 数据结构解析：为什么这 700 张图能直接喂进 YOLO 训练器

这个数据集不是「一堆 jpg + 一堆 txt」的松散集合，而是严格遵循 Ultralytics 官方 YOLOv8 数据格式 构建的可执行结构。理解它的目录逻辑，是避免后续训练报错的第一道防线。下面拆解其物理组织与语义映射关系。

2.1 目录树与 YOLO 训练器的硬性契约

数据集解压后根目录结构如下（已去除冗余说明文件，仅保留训练必需项）：

tomato_disease_yolo/ ├── train/ │ ├── images/ # 必须：存放全部训练图片（JPG 格式） │ └── labels/ # 必须：与 images/ 同名图片一一对应，.txt 内容为 class_id x_center y_center width height（归一化值） ├── val/ │ ├── images/ # 必须：验证集图片 │ └── labels/ # 必须：验证集标注 ├── test/ # 可选：测试集（本数据集含此目录，可用于 final inference） │ ├── images/ │ └── labels/ ├── classes.txt # 必须：每行一个类别，顺序即 class_id（0-based） └── visualize.py # 工具脚本：独立于训练流程，用于快速验证标注质量

注意：Ultralytics 的yolo train命令默认只认train/和val/；test/是额外提供的，需手动指定--data配置文件或用yolo predict单独推理。不要试图把test/images/复制进train/images/—— 会导致数据泄露，验证指标失真。

2.2 classes.txt 的隐含规则与边界陷阱

classes.txt内容如下（共 7 行，无空行，UTF-8 编码）：

bacterial_spot black_spot early_blight late_blight leaf_mold gray_mold wilt

这个文件表面简单，实则暗藏三个关键约束：

• class_id 严格从 0 开始连续编号：bacterial_spot→0，black_spot→1，…，wilt→6。任何.txt标注文件中出现7或-1，训练会直接崩溃。
• 名称中禁止空格与特殊字符：early_blight是合法的，early blight（含空格）或early-blight（含连字符）会导致yaml解析失败或类别映射错位。
• 必须与所有labels/*.txt中的 class_id 完全对齐：例如某张图标注了3 0.45 0.62 0.21 0.33，则3对应late_blight（第 4 行），若classes.txt第 4 行写成late_blight_（多下划线），模型会把该框识别为未知类别，loss 爆炸。

我曾在线上调试时发现一个血泪经验：某次导出 labelImg 标注时勾选了「Verify Images」但未清空缓存，导致部分.txt文件末尾多出一个空行，yolo train读取时将最后一行解析为空字符串，class_id 变成None，报错信息却是ValueError: could not convert string to float: ''—— 根本不提 class_id 问题。所以，永远用cat classes.txt | wc -l和grep -r "^[0-9]" train/labels/ | wc -l | head -1交叉验证类别数与标注行数是否一致。

2.3 图片与标注的物理一致性校验

700 张图不是随机堆砌的。我们抽样检查了train/images/与train/labels/的文件名匹配度（使用diff <(ls train/images | sort) <(ls train/labels | sed 's/\.txt$/.jpg/' | sort)），结果为零差异。这意味着：

• 所有train/images/IMG_0251_JPG.rf.a4224f27558260a22332bc8e4fc15116.jpg都有且仅有一个对应train/labels/IMG_0251_JPG.rf.a4224f27558260a22332bc8e4fc15116.txt；
• 文件名中的rf.是 labelImg 自动生成的哈希后缀（防止重名），不影响读取；
• 所有.jpg图片均通过file IMG_*.jpg | grep "JPEG image"验证为标准 JPEG 格式，无 EXIF 元数据污染（某些手机直出图含 orientation tag，OpenCV 读取会旋转，本数据集已统一 strip）。

提示：如果你后续要增补自己的图片，务必用labelImg打开classes.txt加载类别，保存时选择「YOLO format」，并确保「Auto Save Mode」开启——否则极易漏存.txt。

3. 可视化脚本实战：3 行命令验证标注质量，比打开 700 张图快 200 倍

visualize.py是这个数据集最被低估的价值点。它不是玩具脚本，而是经过生产环境验证的标注质检工具。不用配环境、不依赖 GPU、不改一行代码，就能把标注框、类别、置信度（模拟）叠加到原图上，输出 PNG 结果。这解决了 YOLO 训练前最耗时的环节：人工抽查标注是否偏移、漏标、错标。

3.1 脚本运行逻辑与零配置设计

visualize.py的核心逻辑极简：

import cv2 import numpy as np import random import os # 1. 随机选一张 train/images/ 下的图 img_files = [f for f in os.listdir("train/images") if f.endswith(".jpg")] img_path = os.path.join("train/images", random.choice(img_files)) # 2. 读图 + 读对应 .txt img = cv2.imread(img_path) h, w = img.shape[:2] label_path = img_path.replace("images", "labels").replace(".jpg", ".txt") with open(label_path, "r") as f: lines = f.readlines() # 3. 解析每行：class_id x_cen y_cen w h → 转为像素坐标 for line in lines: parts = line.strip().split() cls_id = int(parts[0]) x_cen, y_cen, box_w, box_h = map(float, parts[1:5]) # 归一化 → 像素 x1 = int((x_cen - box_w / 2) * w) y1 = int((y_cen - box_h / 2) * h) x2 = int((x_cen + box_w / 2) * w) y2 = int((y_cen + box_h / 2) * h) # 画框 + 标签 cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, f"{cls_id}", (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) # 4. 保存结果 output_path = f"vis_{os.path.basename(img_path)}" cv2.imwrite(output_path, img) print(f"Saved visualization to {output_path}")

这段代码的关键设计在于：

• 路径硬编码：直接写死"train/images"和"train/labels"，省去命令行参数解析，降低新手门槛；
• 归一化逆变换鲁棒：x_cen * w等计算前已用int()截断，避免浮点误差导致坐标越界（x1 < 0或x2 > w）；
• 颜色固定为绿色：不引入类别色盘（如 COCO 的 80 色），避免因classes.txt行数变化导致颜色索引错乱。

3.2 三步执行法：从下载到看到框

假设你已解压数据集到当前目录tomato_disease_yolo/，执行以下操作：

cd tomato_disease_yolo python visualize.py

✅ 预期输出：

Saved visualization to vis_IMG_0251_JPG.rf.a4224f27558260a22332bc8e4fc15116.jpg

✅ 生成文件：当前目录下出现vis_XXX.jpg，用任意看图软件打开，可见绿色矩形框精准覆盖病斑区域，左上角标有数字（0到6），对应classes.txt行号。

⚠️ 若报错FileNotFoundError: [Errno 2] No such file or directory: 'train/images'，说明你没在tomato_disease_yolo/目录下运行，或解压时多了一层父目录（如tomato_disease_yolo/tomato_disease_yolo/）。此时用ls -l | grep "^d"确认目录层级，必要时mv tomato_disease_yolo/* . && rmdir tomato_disease_yolo平铺。

3.3 进阶用法：批量可视化 + 指定类别过滤

虽然脚本默认随机，但你可以快速魔改为批量模式。在visualize.py末尾添加：

# 批量处理前10张图（可选） # for img_file in sorted(os.listdir("train/images"))[:10]: # img_path = os.path.join("train/images", img_file) # ...（原有逻辑）... # cv2.imwrite(f"batch_vis_{img_file}", img)

更实用的是按类别过滤查看。比如你想专看wilt（枯萎病，class_id=6）的标注质量，在循环内加判断：

# 替换原循环中的 for line in lines: for line in lines: parts = line.strip().split() cls_id = int(parts[0]) if cls_id != 6: # 只画枯萎病 continue # 后续画框逻辑不变

这样生成的图里，只有wilt类别的框被绘制，方便集中评估最难识别的病害标注一致性。

4. 训练启动指南：YOLOv8 官方命令一行到位，附参数调优逻辑

有了结构合规的数据，下一步就是训起来。这里以Ultralytics YOLOv8n（nano 版）为例，给出从零到第一轮 loss 下降的完整命令链。不推荐直接上 yolov8x —— 700 张图撑不起大模型，容易过拟合。

4.1 最小可行训练命令（CPU 可跑，GPU 更佳）

yolo detect train \ data=tomato_disease_yolo/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ name=tomato_v8n_100e \ project=runs/detect

参数详解：

• data=tomato_disease_yolo/data.yaml：必须自定义！YOLO 不接受裸目录，需先生成data.yaml（见下节）；
• model=yolov8n.pt：nano 模型，参数量 3.2M，700 张图上收敛快，显存占用低（GTX 1660 也能跑）；
• epochs=100：小数据集不宜训太久，100 轮足够让 loss 从 5+ 降到 1.2 以下；
• imgsz=640：保持官方默认，避免 resize 导致小病斑丢失；
• batch=16：若显存不足（< 4GB），降至8或4；CPU 训练用batch=2；
• name&project：指定日志和权重保存路径，避免覆盖历史实验。

4.2 data.yaml 生成：3 行文本决定训练成败

在tomato_disease_yolo/目录下新建data.yaml，内容仅需 3 行：

train: ./train val: ./val nc: 7 names: ['bacterial_spot', 'black_spot', 'early_blight', 'late_blight', 'leaf_mold', 'gray_mold', 'wilt']

⚠️ 关键细节：

• train/val路径是相对于data.yaml自身位置的相对路径，不是绝对路径；
• nc: 7必须与classes.txt行数严格一致，少写或多写都会报AssertionError: nc mismatch；
• names数组顺序必须与classes.txt完全相同，包括大小写（gray_mold≠Gray_Mold）。

避坑：不要用在线 YAML 生成器粘贴，Windows 记事本保存可能带 BOM 头，导致yolo解析失败。用 VS Code 或 Notepad++，编码选 UTF-8 without BOM。

4.3 训练过程关键指标解读

启动后，终端实时输出类似：

Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 0/100 1.2G 2.1452 3.8721 1.0234 127 640 1/100 1.2G 1.9821 3.5412 0.9876 132 640 ... 99/100 1.2G 0.8721 1.2345 0.4567 142 640

重点关注：

• box_loss：定位损失，下降慢说明 anchor 匹配差（本数据集已适配，通常 30 轮后 <1.0）；
• cls_loss：分类损失，若长期 >2.0，检查classes.txt是否有拼写错误；
• Instances：每 batch 检测到的目标数，稳定在 120–150 说明数据加载正常；
• GPU_mem：若突然飙升至显存上限（如 6G→7.9G），立即Ctrl+C，调小batch。

训练完成后，权重保存在runs/detect/tomato_v8n_100e/weights/best.pt，这是你部署的起点。

5. 避坑指南：7 类番茄病害训练中最常翻车的 4 个现场

这些坑，我都亲手踩过，也帮同事 debug 过 13 次。不是理论推测，是血泪换来的 checklist。

5.1 现象：AssertionError: Error loading data from ...: cannot reshape array of size X into shape (Y, Z)

原因：某张.txt标注文件里，一行写了超过 5 个数字（如0 0.1 0.2 0.3 0.4 0.5），通常是 labelImg 误操作或文本编辑器粘贴带格式数字导致。YOLO 解析时尝试reshape失败。
解决：用grep -n " " train/labels/*.txt | grep -E " [0-9]{2,} "扫描含多余空格的行，手动删掉末尾数字；或写脚本批量清理：

for f in train/labels/*.txt; do sed -i 's/ \+/ /g; s/^ //; s/ $//' "$f"; done

5.2 现象：训练 loss 一直 >5.0，且cls_loss占比超 80%

原因：classes.txt与data.yaml中names顺序不一致，或nc值写错（如写成8）。模型把所有框都当错类别学，分类损失爆炸。
解决：

1. diff <(cat classes.txt) <(python -c "import yaml; print('\n'.join(yaml.safe_load(open('data.yaml'))['names']))")
2. 若有差异，按classes.txt重写data.yaml的names；
3. grep "nc:" data.yaml确认值为7。

5.3 现象：val阶段 mAP@0.5 为 0，但trainloss 正常下降

原因：val/labels/中某张图的.txt文件为空（0 字节），YOLO 加载时跳过该图，但val/images/仍有对应图，导致dataset长度不匹配，mAP 计算失效。
解决：

# 找出 labels 为空的文件 find val/labels -size 0 # 删除对应 images（保持一一对应） for f in $(find val/labels -size 0); do rm "val/images/$(basename $f .txt).jpg"; done

5.4 现象：visualize.py画出的框严重偏移，或完全不在病斑上

原因：图片分辨率被 OpenCV 读取后意外改变（罕见），或labelImg标注时未勾选「Use default label」导致 class_id 写错（如写成bacterial_spot字符串而非0）。
解决：

1. 用file train/images/XXX.jpg确认原始尺寸（如1920x1080）；
2. 在visualize.py中print(w, h)确认cv2.imread读取尺寸一致；
3. head -1 train/labels/XXX.txt查看首行，确认是0 0.123...而非bacterial_spot 0.123...。

6. 进阶技巧：用 Confusion Matrix 定向优化难分病害，附一键生成脚本

训完模型只是开始。7 类番茄病害中，early_blight（早疫病）和late_blight（晚疫病）在叶片上症状高度相似，black_spot与bacterial_spot边界模糊——单纯看 mAP 会掩盖这些细粒度问题。必须用混淆矩阵（Confusion Matrix）定位哪两类最容易混淆，再针对性增强数据或调整 loss 权重。

6.1 生成 Confusion Matrix 的三步法

Ultralytics 官方提供val命令生成混淆矩阵，但默认不保存图像。我们用以下命令导出：

yolo detect val \ data=tomato_disease_yolo/data.yaml \ model=runs/detect/tomato_v8n_100e/weights/best.pt \ conf=0.25 \ iou=0.6 \ save_conf=True \ save_txt=True \ plots=True \ name=tomato_cm

关键参数：

• conf=0.25：降低置信度阈值，让更多预测参与统计（避免高阈值下样本过少）；
• iou=0.6：匹配 IoU 阈值，与训练一致；
• save_conf=True：保存每张图的.txt预测结果（含置信度）；
• plots=True：自动生成confusion_matrix.png，位于runs/detect/tomato_cm/。

6.2 解读混淆矩阵热力图

生成的confusion_matrix.png是一个 7×7 矩阵，横轴为预测类别，纵轴为真实类别。重点看非对角线上的亮块：

上表示意：早疫病有 11% 被误判为晚疫病，晚疫病有 15% 被误判为早疫病——这就是你需要攻坚的边界。

6.3 定向优化方案：数据增强 + Focal Loss 微调

针对混淆对（如 early_blight/late_blight），我一般会：

1. 从train/images/中提取这两类的所有图：

   grep -l "^0 " train/labels/*.txt | xargs -I{} basename {} .txt | xargs -I{} cp "train/images/{}.jpg" aug/early/ grep -l "^3 " train/labels/*.txt | xargs -I{} basename {} .txt | xargs -I{} cp "train/images/{}.jpg" aug/late/

2. 用 Albumentations 做针对性增强（模拟田间光照变化）：

   import albumentations as A transform = A.Compose([ A.RandomBrightnessContrast(p=0.5), A.HueSaturationValue(hue_shift_limit=10, sat_shift_limit=20, val_shift_limit=10, p=0.5), A.GaussNoise(p=0.3), ]) # 对 aug/early/ 和 aug/late/ 中的图批量增强，生成新样本

3. 修改训练 loss，给混淆对加权重：在ultralytics/utils/loss.py中，找到BCELoss计算处，插入：

   # 假设 early_blight=2, late_blight=3 if cls_id in [2, 3]: loss_cls *= 1.5 # 提升混淆类别的分类 loss 权重

从那以后我每次训农业检测模型，都强制在val后跑一遍plots=True，盯着混淆矩阵的非对角线——它比 mAP 更诚实，能告诉你模型到底「懂」了什么，而不是「猜」对了多少。希望帮到你。

本文还有配套的精品资源，点击获取