番茄叶片检测数据集：3100张标注数据与YOLOv8实战指南

1. 番茄叶片检测这个方向，为什么值得单独做一个数据集

番茄健康叶片检测数据集，说白了就是一堆标注好的番茄叶子照片，配上每片叶子的健康状态标签，专门喂给YOLO这类目标检测模型去学习。3100张的体量在农业视觉数据集里不算大，但胜在聚焦——只做番茄叶片，只做健康状态分类，这种“窄而深”的思路恰恰是农业AI落地最需要的。

我最早接触农业视觉是在一个温室大棚的病虫害预警项目里，当时团队想用通用COCO数据集预训练的模型直接推理，结果番茄叶片上的早疫病斑和健康叶脉纹理在模型眼里几乎没区别，误报率高得离谱。后来才明白，农业场景的图像分布和自然场景差异太大：叶片背景是重复的茎秆和吊绳，光照是棚膜漫射光，病斑形态又跟品种、生育期强相关。通用数据集里根本没有这些先验，模型自然学不到判别性特征。

这个数据集的价值就在这儿。3100张的规模，如果标注质量过关，足够微调一个YOLOv8n或YOLOv11n级别的轻量模型，在边缘设备上跑实时检测。适合谁用？一是做智慧农业落地的算法工程师，需要快速验证叶片病害检测的可行性；二是农业院校的研究生，想发论文但缺标注数据；三是参加农业AI竞赛的选手，拿它当baseline数据集练手。哪怕你是个刚学YOLO的新手，拿这个数据集跑通训练流程，也比用COCO训猫狗更有成就感——毕竟检测出来的每一片病叶，背后都是真实的农业减产风险。

2. 数据集的核心设计与标注逻辑拆解

2.1 为什么是3100张这个量级

3100张不是拍脑袋定的。目标检测数据集的规模有个经验公式：每个类别至少需要1500到2000个实例，模型才能稳定收敛。番茄叶片健康检测通常分两类——健康叶片和病害叶片，如果按7:3的比例分配，病害叶片大约930张，每张平均2到3个病斑实例，总实例数在2000到2800之间，刚好卡在收敛门槛上。

但这里有个坑：如果病害类型细分到早疫病、晚疫病、叶霉病、灰叶斑等，每类分到的实例可能只有几百个，模型对小样本类别的召回率会断崖式下跌。我的建议是，初次训练先把所有病害合并成一个“病害叶片”大类，等baseline跑通后再做细分类。3100张的体量做二分类检测绰绰有余，做五分类就有点捉襟见肘了。

2.2 标注格式的选择与转换

这个数据集大概率提供的是YOLO格式的txt标注，每行格式为class_id x_center y_center width height，坐标全部归一化到0到1之间。为什么用YOLO格式而不是COCO的json？因为YOLO训练时直接读txt，省去了pycocotools的解析开销，而且txt文件小，3100张的标注打包也就几百KB。

如果你拿到的是VOC的xml格式，转换脚本我建议自己写一个，别用网上现成的。原因很简单：农业数据集的类别名经常带中文或特殊字符，现成脚本的映射表不一定对得上。转换时注意两点：一是图片和标注文件名必须严格一一对应，二是归一化前要确认图片的实际尺寸，有些手机拍的番茄叶片照片是4000×3000，有些是1920×1080，混在一起不统一尺寸会出大问题。

import os from xml.etree import ElementTree as ET def voc_to_yolo(xml_dir, img_dir, output_dir, class_map): 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() 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'): cls_name = obj.find('name').text if cls_name not in class_map: continue cls_id = class_map[cls_name] bbox = obj.find('bndbox') x1 = float(bbox.find('xmin').text) y1 = float(bbox.find('ymin').text) x2 = float(bbox.find('xmax').text) y2 = float(bbox.find('ymax').text) x_center = (x1 + x2) / 2.0 / img_w y_center = (y1 + y2) / 2.0 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") txt_name = xml_file.replace('.xml', '.txt') with open(os.path.join(output_dir, txt_name), 'w') as f: f.write('\n'.join(lines))

注意：转换后一定要抽查几张，用labelImg或CVAT可视化一下，确认框的位置没偏。我见过归一化时把宽高搞反的，模型训练loss直接飙到nan。

2.3 数据划分的讲究

3100张按8:1:1划分，训练集2480张，验证集310张，测试集310张。但农业数据有个特殊性：同一株番茄的叶片可能被连续拍摄多张，如果随机划分，同一株的叶片可能同时出现在训练集和验证集里，导致验证指标虚高。正确的做法是按“株”划分，同一株的所有叶片照片只进一个集合。

如果数据集没提供株系信息，退而求其次按拍摄时间划分——同一天拍的照片归入同一集合。这个细节很多论文里都不提，但审稿人一问就露馅。

3. 用YOLOv8跑通番茄叶片检测的完整实操

3.1 环境配置的极简方案

别被网上那些“超详细环境配置”吓到，YOLOv8的环境三行命令搞定。我试过在Windows、Ubuntu、甚至树莓派上都跑过，核心依赖就三个：Python 3.8以上、PyTorch、ultralytics包。

conda create -n tomato_yolo python=3.10 -y conda activate tomato_yolo pip install ultralytics

ultralytics会自动装好PyTorch和OpenCV，不用手动折腾CUDA版本。如果你的显卡是NVIDIA的，装完后跑一行python -c "import torch; print(torch.cuda.is_available())"，返回True就说明GPU可用。返回False也别慌，CPU训练3100张也就多花两三个小时，先跑通再说。

提示：如果pip安装速度慢，加个国内镜像源，但别用那些来路不明的第三方源，清华源或阿里源足够稳。

3.2 数据配置文件怎么写

在数据集根目录下建一个tomato.yaml，内容如下：

path: ./tomato_dataset train: images/train val: images/val test: images/test names: 0: healthy 1: diseased

目录结构必须是这样的：

tomato_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── tomato.yaml

图片和标注的文件夹名必须严格对应，YOLO会自动把images替换成labels去找txt。我踩过的坑是：有人把标注文件夹命名成annotations，训练时找不到标签，模型把所有背景都当负样本学，mAP直接归零。

3.3 训练参数的计算与选择

启动训练的命令很简单：

yolo detect train data=tomato.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16

但每个参数背后都有讲究。model=yolov8n.pt选的是nano版本，参数量3.2M，在3100张的数据集上足够用。如果你用yolov8x，参数量68M，训练时间翻十倍，mAP可能只涨两个点，性价比极低。

imgsz=640是输入分辨率。番茄叶片照片如果原图是4000×3000，直接缩到640会丢失病斑细节。我的做法是先把原图裁剪成叶片区域，再缩放到640，这样病斑在输入中的像素占比更大。如果不想裁剪，可以把imgsz提到1280，但显存占用会翻四倍，8G显存的卡跑batch=8就顶天了。

batch=16是批大小。显存不够就往下调，调到8或4都行，但学习率要相应降低。有个经验公式：lr = 0.01 * batch / 64。batch=16时lr设0.0025左右比较稳。

epochs=100是训练轮数。3100张的数据集，100轮大约需要1到2小时（RTX 3060）。怎么判断该停？看验证集的mAP曲线，如果连续20轮不涨，就可以早停了。YOLOv8默认有早停机制，patience=50，不用手动干预。

3.4 训练过程的监控与调优

训练启动后，终端会实时打印loss和mAP。重点盯三个指标：box_loss、cls_loss、mAP50。box_loss管定位准不准，cls_loss管分类对不对，mAP50是综合指标。

如果box_loss下降但cls_loss震荡，说明分类边界不清晰，可能是健康叶片和早期病叶的视觉差异太小。解决办法是加数据增强，在yaml里加一行augment: True，YOLO会自动做随机翻转、色彩抖动、马赛克增强。农业图像特别适合色彩抖动，因为大棚光照色温变化大，模型需要学会忽略色偏。

如果mAP50卡在0.6上不去，检查标注质量。我遇到过标注员把叶脉阴影当成病斑标了，模型学了一堆假阳性。用yolo detect val命令生成混淆矩阵，看看健康叶片有多少被误判成病害，反过来也一样。

4. 农业场景下的常见问题与排查实录

4.1 叶片重叠导致漏检

番茄叶片在植株上层层叠叠，一张照片里可能有十几片叶子互相遮挡。YOLO的NMS后处理会把IoU高的框合并，导致重叠叶片只检出一个。这个问题在密集场景下特别严重。

解决方案有两个：一是训练时开启overlap_mask，但YOLOv8的检测模型不支持实例分割，这个参数只对seg模型有效。二是后处理时调高NMS的IoU阈值，从默认的0.7调到0.9，让模型保留更多重叠框。命令是yolo detect predict nms_iou=0.9。代价是误检率会上升，需要根据实际场景权衡。

4.2 小病斑检测不到

早期病斑可能只有十几个像素，缩放到640后几乎消失。我试过在yaml里加copy_paste增强，把病斑区域复制粘贴到健康叶片上，人为制造小目标样本。YOLOv8的copy_paste参数默认0.0，调到0.3左右效果明显。

另一个办法是切图推理。把4000×3000的原图切成4块2000×1500，每块单独推理，再把结果拼回去。这样病斑在每块图中的相对尺寸翻倍，召回率能提升15%以上。切图的重叠区域设20%，避免边缘目标被切断。

4.3 模型在温室外的泛化能力差

训练集如果全是大棚里拍的，模型到了露天田地就抓瞎。背景从灰色棚膜变成蓝天黄土，光照从漫射变成直射，模型的特征分布完全变了。

我的做法是在训练时加入强背景增强。用albumentations库随机替换背景，把叶片抠出来贴到不同的自然场景上。这个操作需要额外写代码，但效果立竿见影。如果不想这么麻烦，至少把hsv_h、hsv_s、hsv_v三个色彩增强参数调大，让模型对光照变化不敏感。

4.4 类别不平衡的处理技巧

健康叶片通常比病害叶片多，如果按自然分布采样，模型会偏向预测健康类。我的做法是在yaml里给病害类加权重，但YOLOv8不直接支持类权重。替代方案是过采样病害叶片，把病害图片在训练集中重复2到3次。注意只在训练集重复，验证集保持原始分布，否则评估指标失真。

还有个更优雅的办法：用focal loss替换默认的BCE loss。YOLOv8的loss函数在ultralytics/utils/loss.py里，改起来需要一定代码功底。如果不想动源码，就在数据层面做文章，过采样是最省事的。

5. 从训练到部署的最后一公里

5.1 模型导出与推理加速

训练完的best.pt可以直接用，但部署到边缘设备建议导出ONNX。命令是yolo export model=best.pt format=onnx。导出后模型体积缩小30%左右，推理速度提升20%到50%，具体取决于硬件。

如果部署到Jetson Nano这类ARM设备，还要进一步用TensorRT量化。INT8量化能把推理速度再提一倍，但精度会掉1到2个点。农业场景对精度容忍度相对高，INT8完全可用。

5.2 实际部署中的预处理对齐

训练时的预处理是缩放加归一化，部署时也必须一模一样。我见过有人训练用RGB，部署时OpenCV读进来是BGR，颜色通道反了，模型把健康叶片全判成病害。这个坑排查了一整天，最后发现是cv2.imread的默认行为。

部署代码里加一行img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)，问题解决。另外归一化的均值方差也要对齐，YOLOv8默认是0到1归一化，不用减ImageNet均值。

5.3 持续迭代的数据闭环

模型上线后，把误检和漏检的图片自动保存下来，人工复核后加入训练集。每积累500张新数据，就重新微调一次模型。这个闭环跑起来后，模型在特定大棚里的精度会越来越高。

我自己的经验是，第一版模型mAP50能到0.75就不错了，跑三个月数据闭环后能到0.88以上。关键是标注要跟上，误检图片的修正标注比重新标一张新图快得多。

提示：保存误检图片时，把模型输出的置信度和类别也存下来，方便后续分析是定位问题还是分类问题。

5.4 成本与收益的粗略估算

一套番茄叶片检测系统的硬件成本：一个RGB摄像头300块，一块Jetson Nano 800块，加上电源和外壳，1500块以内搞定。软件成本主要是标注人力，3100张的标注如果外包，按一张1块算就是3100块。训练用云GPU，RTX 3060每小时2块，跑100轮20块。

总投入不到5000块，换来的是病害早期发现能力。番茄早疫病如果能在发病初期定位到具体植株，精准施药的农药用量能减少40%以上。一个大棚一季的农药成本按2000块算，省800块，几个大棚就能回本。这还没算减产损失——病害晚发现一周，产量可能掉10%。

我在实际部署中发现，模型对早疫病的召回率比晚疫病高，因为早疫病的同心轮纹特征更明显。晚疫病的水渍状病斑在叶片正面和背面表现不同，如果训练集只拍了正面，背面病叶就会漏检。后来补拍了200张背面照片，晚疫病的召回率从0.62提到了0.81。这个细节说明，农业数据集的采集角度比数量更重要，3100张如果全是正面，不如2000张多角度覆盖。

最后分享一个小技巧：训练时把save_period设成10，每10轮存一个checkpoint。有时候最佳模型不在最后一轮，而在中间某个epoch。我遇到过第60轮的mAP比第100轮高3个点的情况，如果没有中间checkpoint，这个最佳模型就丢了。