简介一套面向作物与杂草检测的yolo系列数据集适用于yolov5、yolov7、yolov8、yolov9、yolov10、yolo11等主流框架帮助计算机视觉学习者、农业智能化开发者和模型调参新手快速获得可直接训练的目标检测数据。压缩包共601个文件包含200张jpg图像、200个YOLO格式txt标签、200个VOC格式xml标签及1个data.yaml配置文件整体大小约185.56MB。数据集已按训练与验证需求划分好配合data.yaml即可直接调用各版本yolo框架完成训练和测试省去手动划分数据集与标签格式转换的环节。txt标签按class、中心点坐标及宽高的归一化数值记录每类作物和杂草位置xml标签则符合VOC规范可在LabelImg等工具中查看或二次修正。已有106人学习下载适合用于算法验证、课程设计、科研实验以及搭建农业环境下的实时检测应用。1. 作物杂草数据集的 200 张图像是一场小规模迁移学习农田场景下真正能落到部署环节的视觉模型很少从零训练。拿到了一个名为“yolo算法-作物杂草数据集-200张图像带标签-.zip”的压缩包这通常意味着你已经站在一条更省力的路上别人替你完成了采集和人工标注你要做的事是把这 200 张带标签图像变成 YOLO 能直接吃的训练集。数据量不大但迁移学习模型仍然能给出可用的检测效果前提是解压后先做格式排查再决定训练参数。本文按从业者从下载到验证的完整链路把数据集准备、标注转换、YOLO训练和调参踩坑一次写透。2. 解压压缩包之后先做三件事完整性校验、目录结构摸底、标注格式解码2.1 用 Python 先验 zip 完整性再谈训练下载回来的 .zip 文件最容易踩的第一个坑是“文件没下全”。很多训练报错最后追到源头其实都是zipfile解压时抛出BadZipFile: File is not a zip file。校验方式不依赖图形界面工具命令行一行就能解决unzip -t yolo算法-作物杂草数据集-200张图像带标签-.zip参数-t是 test 的缩写只测试压缩包完整性不实际解压。输出末尾出现No errors detected in compressed data才是可用状态。如果你在 Windows 下没有 unzip 命令用 Python 做同样的事import zipfile zip_path ryolo算法-作物杂草数据集-200张图像带标签-.zip try: with zipfile.ZipFile(zip_path) as zf: bad zf.testzip() if bad is not None: print(f损坏文件: {bad}) else: print(zip 完整) except zipfile.BadZipFile as e: print(f不是有效 zip 文件: {e})这里用testzip()扫描每一个压缩成员并计算 CRC 校验值返回第一个损坏的文件名。若解压工具的报错信息里出现could not find EOCD是文件截断的典型信号直接重新下载不要尝试用修复工具补全。2.2 三类常见标注格式的识别XML、JSON、TXT“图像带标签”是一个模糊描述解压后必须先确认标注文件落盘格式YOLO 系列无法直接读取 VOC XML 或 COCO JSON。常见的三种分别是格式文件扩展名核心内容是否需要转换PASCAL VOC.xml每张图像一个文件含 object 的 bndbox 坐标是COCO.json单文件annotations 数组里存 bbox 与 category_id是YOLO.txt每张图一个文件格式为 class x_center y_center width height否在压缩包内先运行下面的命令把目录结构打印成树状方便一眼定位标注文件位置find . -maxdepth 2 -type d | sort find . -maxdepth 2 -type f | sed s/.*\.// | sort | uniq -c第二条命令统计所有文件扩展名的数量分布。正常情况应看到两种主要扩展名.jpg或 .png和.xml或 .txt。若只有图像没有标注文件说明压缩包内的标注目录被单独嵌套了需要进一步查三层以上的子目录。标注文件命名必须和图像文件名保持一致例如IMG_001.jpg对应IMG_001.txt大小写也需严格匹配Linux 环境下img_001与IMG_001会被视为不同文件。2.3 生成类别分布表决定训练集怎么切200 张图像里“作物”和“杂草”两个类别的数量极少可能均衡因此第一步是统计类别频率。以下脚本对 YOLO 格式的 txt 标注做类别统计from collections import Counter from pathlib import Path label_dir Path(labels) counter Counter() for txt in label_dir.glob(*.txt): for line in txt.read_text().splitlines(): if not line.strip(): continue cls int(line.split()[0]) counter[cls] 1 for cls_id, count in sorted(counter.items()): print(f类别 {cls_id}: {count} 个目标)运行后记录各类别目标总数。若作物目标有 320 个、杂草目标只有 86 个后续训练时杂草类天然容易产生漏检。一种常见做法是先按图像比例 8:2 划分 train/val再检查验证集中杂草目标是否过少如果 val 中某个类别只有个位数目标则改为按类别目标数做分层抽样。做这一步的意义是提早暴露类别极端不平衡否则等训练完成再看混淆矩阵调整成本更高。3. 把“图像带标签”整理成 YOLO 能直接读取的训练目录3.1 labels 坐标换算从像素坐标到归一化坐标如果是 VOC XML 格式目标框坐标记录为左上角和右下角的像素值而 YOLO 要求的是归一化后的中心点和宽高。常见做法是写一段脚本把坐标换算并写入 txt。核心计算逻辑如下import xml.etree.ElementTree as ET from pathlib import Path xml_dir Path(annotations) out_dir Path(labels) out_dir.mkdir(exist_okTrue) class_map {crop: 0, weed: 1} # 根据实际类别名修改 for xml_path in xml_dir.glob(*.xml): root ET.parse(xml_path).getroot() img_w int(root.find(./size/width).text) img_h int(root.find(./size/height).text) lines [] for obj in root.findall(object): cls_name obj.find(name).text if cls_name not in class_map: continue bnd obj.find(bndbox) x1 int(bnd.find(xmin).text) y1 int(bnd.find(ymin).text) x2 int(bnd.find(xmax).text) y2 int(bnd.find(ymax).text) # 转成 YOLO 格式中心点与宽高都除以图像尺寸 x_center (x1 x2) / 2 / img_w y_center (y1 y2) / 2 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h lines.append(f{class_map[cls_name]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) out_path out_dir / (xml_path.stem .txt) out_path.write_text(\n.join(lines) \n)坐标归一化是训练前的硬性要求因为模型输入尺寸会随 imgsz 参数变化绝对像素坐标无法适配多尺度训练。脚本里 class_map 的映射关系要与最终训练用的 data.yaml 保持一致类别顺序错了会导致模型学到的语义与推理时错位。转换完成后随机挑一张图把对应 txt 的第一行输出出来人工对照原图上的框确认 x_center、y_center 落在 0 到 1 区间。3.2 按 8:2 分层切分 train/val并检查类目标分布200 张图像规模小划分时不能简单使用随机抽样。使用 scikit-learn 的train_test_split并传入 stratify 参数可以按类别分布维持比例from pathlib import Path from sklearn.model_selection import train_test_split image_paths sorted(Path(images).glob(*.jpg)) # 以每张图的第一个目标类别作为分层标签保证划分后类别比例基本一致 stratify_labels [] for img_path in image_paths: label_path Path(labels) / (img_path.stem .txt) with open(label_path) as f: first_line f.readline().strip() stratify_labels.append(int(first_line.split()[0]) if first_line else -1) train_paths, val_paths train_test_split( image_paths, test_size0.2, random_state42, stratifystratify_labels, )划分完需要输出一个表格验证两边类别数不能只在心里默认“大约八二开”。类别训练集目标数验证集目标数crop26060weed7016如果 weed 在验证集中掉到 10 个以下建议用random_state换一个随机种子重新划分或直接采用手动抽样把含有杂草的图像优先放进验证集。200 张图的基础数据量本身就不大验证集的作用是让你看出过拟合趋势而不是追求统计显著性所以目标数只要能覆盖各类别位置与尺度即可。3.3 使用增强扩样颜色抖动与仿射变换的参数边界数据增强不是越多越好尤其是农田背景相对单一过度增强会把图像变成模型在真实场景中根本见不到的样子。常见的组合是HSV 通道扰动Hue 0.015、Saturation 0.7、Value 0.4Mosaic 拼图仅训练前 50 个 epoch 开启Translation 与 Scale-0.2 和 -0.5增强是在线进行的即每一轮 epoch 读到的图像都略有不同。配合epochs增大不会引入额外磁盘占用但会放大过拟合风险。要特别注意mosaic在 epoch 后半段关闭理由是虚拟拼图与真实农田里的稀疏分布差异大长时间开启会让模型对边界位置的杂草鲁棒性变差。200 张图像配合适度增强后模型见过的大致有效样本数约是 2000 张级别足以支撑迁移学习的微调过程。4. 用 YOLOv5/v8 在自己的数据集上训练参数怎么调4.1 data.yaml 与预训练权重的写法、关联和选择在开始输入训练命令前先建立一个 data.yaml。标准写法是path: ./datasets/crop_weed train: images/train val: images/val nc: 2 names: 0: crop 1: weedpath是相对路径相对于你执行 train.py 的目录。很多人在 Windows 下直接用绝对路径一旦换机器训练就会断裂。常见做法是用仓库根目录的相对路径train和val都写成相对 path 的子目录。nc必须与第 2 章统计的类别数严格一致多一个或少一个都会让标签解析出错。预训练权重建议从官方仓库下载yolov5s.pt或yolov8s.pts 版本在农田部署场景里性价比最高。不要一上来就用yolov5x.pt它的参数量大200 张图像很快会把权重往过拟合方向拉。使用预训练权重时训练脚本会自动丢弃最后一层分类头只保留 backbone 和 neck 的通用特征提取参数因此训练开始时 loss 会从相对较低的值起步。4.2 训练命令逐参数拆解epochs、batch、imgsz 的设定依据YOLOv5 训练命令如下python train.py \ --data crop_weed.yaml \ --weights yolov5s.pt \ --epochs 150 \ --batch-size 16 \ --imgsz 640 \ --patience 30 \ --save-period 10YOLOv8 的命令写法略有差异但参数含义一致yolo detect train \ datacrop_weed.yaml \ modelyolov8s.pt \ epochs150 \ batch16 \ imgsz640 \ patience30四个高频参数的作用如下epochs 150200 张图属于小数据集迁移学习从第 30 轮左右开始明显拟合训练到 150 轮足够收敛。继续加大 epochs 只会让 val loss 抬高。batch-size 16batch 取值取决于显卡显存。8GB 显存跑 640x640 的 s 模型batch 大于 16 会 OOM显存够的话可以提到 32能让 BatchNorm 统计量更稳定。imgsz 640作物和杂草的检测目标普遍处于中等尺度640 能兼顾速度与精度不要为追求 mAP 盲目上调到 1280推理端的实际耗时可能翻两倍。patience 3030 轮内 val loss 无提升则早停这能避免你为了等一个收敛而反复盯终端。4.3 训练早停与过拟合判断val loss 和 P、R 同时看训练过程中终端会打印val_box_loss、P、R和mAP0.5。小数据集的典型陷阱是train loss 不断下降val loss 先降后升。当发现 val loss 连续 10 轮以上上升而 train loss 仍在下降说明权重已经记住了训练集特征。此时不要马上停止训练先把lr0从默认的 0.01 降到 0.002 再继续跑 20 轮部分模型能跳出局部最优。若仍无效回头看增强参数特别是hsv_h是否被调得过大。训练结束后模型会自动筛选 val loss 最低的 epoch 对应的权重文件作为 best.pt。yolov5 与 yolov8 都会保存 last.pt 和 best.pt而 best 未必是最后一个 epoch 的权重。后续推理、导出 ONNX 和部署全部使用 best.pt这一点经常被忽略很多人拿 last.pt 去部署导致最终效果比训练日志里显示的 mAP 低一大截。5. 验证与排查的三个技巧曲线判据、混淆矩阵与异常标签可视化5.1 一眼识破过拟合看三根关键曲线训练完成后进入 runs/detect/exp 目录用 Python 打开 results.png 里的三根曲线train_loss、val_loss、mAP。过拟合的判据是 val_loss 与 train_loss 出现明显喇叭口。记录两者在最后一个 epoch 的差值若 val 是 train 的 2 倍以上下一轮训练优先操作是削减模型的 depth_multiple而不是加数据。可以在 yolo.yaml 里把 depth_multiple 改为 0.5相当于将模型的 bottleneck 层数减半这样能大幅压缩对训练集细节的记忆能力换回泛化性能。5.2 用混淆矩阵定位杂草漏检runs/detect/exp/confusion_matrix.png是检查类别行为的直接依据。矩阵中 crop 行被预测为 background 的比例如果超过两成说明模型对遮挡情况下的作物漏检严重这通常不是超参问题而是训练图像里本身缺乏严重遮挡样本。看矩阵的同时打开 val 目录下的 bbox 可视化图确认标注框是否都落在目标实体上如果发现人工标注时把杂草叶片的一部分切出去了需要回退到标注文件修正坐标后再重新训练。5.3 对 best.pt 做推理自检并输出置信度分布用以下脚本评估验证集上的置信度分布识别可能存在的阈值误设import torch from pathlib import Path model torch.hub.load(ultralytics/yolov5, custom, pathbest.pt, force_reloadTrue) conf_list [] for img_path in sorted(Path(images).glob(*.jpg)): results model(str(img_path)) if len(results.pred[0]) 0: conf results.pred[0][:, 4].cpu().numpy() conf_list.extend(conf.tolist()) conf_list.sort() print(f样本数量: {len(conf_list)}) print(f最低置信度: {conf_list[0]:.3f}) print(f最高置信度: {conf_list[-1]:.3f})把输出的最低值与你实际推理时的 conf-thres 做比较。如果最低置信度低于 0.4意味着大量目标在默认阈值下会被过滤掉建议推理时将阈值调低到 0.25 再配合 NMS 的 iou 阈值 0.45 使用。200 张图像训练出的模型不适合追求高阈值先保证召回再通过统计筛选误报这是小数据量场景下更多见且更可靠的部署路径。本文还有配套的精品资源点击获取