简介目标检测是计算机视觉领域的核心任务之一其原理是通过边界框定位并分类图像中的目标对象。在垂直农业场景中高质量的标注数据往往比模型结构更关键。以烟草叶片病害检测为例基于YOLOv5框架的实践路径涵盖从15类病害数据集的目录组织、标签格式校验到训练配置、验证集评估与模型部署的完整闭环。利用验证集进行mAP评估与早停判断能有效防止过拟合提升模型泛化能力。这类技术可广泛应用于无人机巡田、手机端病害识别等农业AI场景帮助植保人员快速掌握病害分布。本文围绕烟草叶片病害数据集剖析YOLOv5训练全流程中的关键细节与常见坑点为垂直领域目标检测落地提供可复用的方法论。1. 项目概述与场景价值做农业视觉方向的目标检测项目最头疼的往往不是模型选型而是数据本身。工业界的公开数据集像COCO、VOC这些场景和农业病害差异太大直接拿来预训练再微调效果总隔着一层。而这个“烟草叶片病害检测”数据集属于典型的垂直领域小样本实战场景——15个病害类别带训练集和验证集专为YOLOv5训练设计。我觉得它最值得聊的地方不是“有个数据集能用”而是整个项目链路从数据组织、标签格式校验、模型训练到验证集评估它把一条完整的目标检测落地路径给串起来了。标题里没有提到测试集只写了训练集和验证集这一点其实很关键。很多第一次接触目标检测的朋友会问没有测试集模型效果怎么评估实际上YOLOv5在训练过程中本身就依赖验证集来做mAP评估、早停判断和超参数调优测试集更多是发布模型前的最终抽检。对于学习型项目或者内部农情分析系统来说训练集加验证集的结构已经足够支撑一次完整的模型迭代。那这个项目适合谁来参考我大致梳理了三类人。第一类是农业院校里做植保智能化、病害识别的研究生他们需要快速跑通一个基于深度学习的检测基线第二类是工业界做农业AI平台、无人机巡田或者手机端病害识别的工程师他们想看看垂直领域数据集的坑都在哪里第三类就是刚入门YOLOv5的爱好者想找一个结构规整、类别明确的数据集来练手。不管你是哪一类这篇文章都会从数据集结构、YOLO格式细节、训练配置到故障排查把这个项目的每个环节拆开讲透。做目标检测这些年我最大的感受是模型结构再先进也不如数据组织得干净带来的收益大。一个类别混淆、标签错位、坐标越界的数据集能让最稳定的训练流程跑出极其诡异的结果。所以这篇文章里我会把重点放在那些日常文档不会写、但你在真实项目中一定会踩到的细节上。2. 数据集核心结构与设计思路拆解2.1 15类别划分背后的农业场景逻辑烟草叶片病害检测这个任务15个类别的划分并不是随便拍的。烟叶在大田生长过程中不同病害的病原体、发病部位、病斑形态差异很大有的表现为全叶萎蔫有的只在叶片表面形成局部斑点。如果从植保角度去给数据归类通常会按照“真菌性病害、细菌性病害、病毒性病害、生理性病害”这几个维度来做第一层区分。以常见的烟草病害为例赤星病和野火病都属于叶部斑点类但赤星病的病斑有明显轮纹而野火病病斑周围有黄色晕圈普通花叶病和黄瓜花叶病都是病毒病一个表现为叶片凹凸不平、花叶斑驳另一个表现为叶片狭长、脉间褪绿。从计算机视觉的角度看这些差别其实构成了模型可学习的纹理特征和颜色特征。15个类别如果标记准确训练出来的模型完全有能力抓住这些细微差异。不过我在看这个数据集的时候更关注的是类别之间的“相似度”。像角斑病和气候性斑点病在某些生长阶段拍出来的照片连植保专家光看图片都可能误判。模型在这个任务上的难点不只是把病害认出来还要把容易混淆的类别分开。这一点也提醒我们在训练之前最好先用混淆矩阵观察哪些类别之间误检率高再针对性补充难例样本。数据集的类别设计决定了模型的能力天花板而实际训练只是逼近这个天花板的过程。2.2 训练集与验证集划分的作用分析这个数据集明确包含训练集和验证集划分比例虽然没有写在标题里但按照目标检测任务的常见实践通常训练集占80%-90%验证集占10%-20%。为什么要专门抽出验证集而不把所有数据都丢进训练因为深度学习模型的训练过程本质上是一个“在训练数据上拟合、在未知数据上泛化”的博弈。如果只用训练集的loss来指导模型更新模型很容易陷入过拟合——它对见过的图片表现完美但对没见过的图片一塌糊涂。验证集在这里承担了三个职责。第一是评估模型的mAP、Precision、Recall等指标让你知道模型真实水平如何第二是触发早停机制当验证集loss连续多轮不下降时训练自动停止避免浪费时间第三是用于超参数调优比如你在调confidence阈值、IoU阈值时都需要在验证集上观察效果变化而不是回到训练集上去看。我自己的习惯是在拿到这样的数据集后第一件事不是急着跑训练而是先手动抽几张验证集的图片和对应的标签文件对照着看一遍。这一步看起来费时间但能帮你发现很多标注层面的问题比如类别id是否从0开始、bbox坐标是否归一化、有没有标注框明显偏离目标位置等。数据质量确认没问题再进入训练环节后期排查问题的范围就会小很多。3. YOLOv5格式数据集搭建与核心细节实操3.1 目录结构与标注格式详解在开始训练之前首先要把数据集按照YOLOv5要求的目录结构组织好。这个数据集既然标注了“包含训练集、验证集”大概率已经是下面这种标准布局tobacco_disease_dataset/ ├── images/ │ ├── train/ │ │ ├── img_001.jpg │ │ ├── img_002.jpg │ │ └── ... │ └── val/ │ ├── img_101.jpg │ ├── img_102.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── img_001.txt │ │ ├── img_002.txt │ │ └── ... │ └── val/ │ ├── img_101.txt │ ├── img_102.txt │ └── ... └── tobacco_disease.yaml这里有个很容易踩的坑images和labels下相同子集内的文件名必须一一对应但图片是jpg、标签是txt两者后缀不同前缀要完全一致。YOLOv5在训练时是根据图片路径去查找同名txt文件的如果某个图片没有对应的标签文件它会被自动当作背景样本处理如果一个txt文件找不到对应图片这个标注就直接被忽略。这两种情况都会造成训练数据被静默损耗而你甚至不会收到任何报错。标签文件里面的内容也是严格格式化的每一行代表一个目标框结构是class_id x_center y_center width height其中class_id是整数从0开始对应13个类别也就是0到14x_center、y_center、width、height都是归一化到0-1区间的浮点数分别表示目标框中心点的横坐标、纵坐标、框的宽度和高度。归一化的意思是如果目标框左上角在像素坐标(250, 180)右下角在(450, 420)图片尺寸是1000x600那么x_center就是((250450)/2)/10000.35y_center就是((180420)/2)/6000.5width就是(450-250)/10000.2height就是(420-180)/6000.4。在动手训练之前我强烈建议写几行Python代码把标注文件读出来把归一化坐标还原成像素坐标然后直接在图片上画出方框做一次可视化校验。这是确认标注格式正确最直观的方式。很多人拿到数据集就直接开训结果训练出来的模型预测框全部偏移最后才发现是归一化公式理解错了。3.2 数据配置文件与类别映射YOLOv5训练时需要一个YAML配置文件用来告诉框架数据集的路径、类别数量和类别名称。对于这个烟草病害项目配置文件大致长这样path: /data/tobacco_disease_dataset train: images/train val: images/val nc: 15 names: 0: common_tobacco_mosaic_virus 1: cucumber_mosaic_virus 2: potato_virus_y 3: brown_spot 4: wildfire 5: angular_leaf_spot 6: black_shank 7: bacterial_wilt 8: root_black_rot 9: powdery_mildew 10: sooty_mold 11: weather_fleck 12: etch_virus 13: ring_spot 14: target_spot注意一个细节path字段可以填绝对路径也可以填相对路径。如果你把数据集和yolov5代码放在了不同目录建议使用绝对路径省去一堆路径拼接的麻烦。train和val字段只需要填相对于path的路径不需要写绝对路径。这个配置文件的任何一行出错都会直接影响数据加载——最典型的报错是AssertionError: train: No labels in ...如果你看到这个提示基本可以断定训练集路径或者标签文件路径对不上。类别名称排序也有讲究必须和标注文件里的class_id顺序严格一致。比如第0类在标注文件里写的是0YAML的names列表里第0个名字就要和它对应。这个对应关系决定了模型最终输出结果的显示名称如果写错位置模型其实还是能训练但推理时类别名会对不上看起来就像模型“认错”了。3.3 数据集校验工具与常见修复方法当你准备用这个数据集训练时我建议在跑训练之前先用YOLOv5自带的数据集校验工具过一遍。在yolov5项目目录下运行python train.py --data tobacco_disease.yaml --epochs 1 --batch-size 16 --weights yolov5s.ptepochs设成1不是真为了训练而是为了触发数据加载流程让YOLOv5在启动时报出所有数据相关的问题。如果标签格式有错误、图片路径有缺失、类别id越界这轮1个epoch的训练会在数据加载阶段直接抛异常远比训练到一半再爆错容易排查。还有一个我常用的检查方法是统计每张图片的平均标注框数量。正常来说烟草叶片病害的图片中每张图片可能包含1到5个不等的病斑区域或整叶区域。如果发现大量图片没有任何标注框而它们又是病害图片那很有可能是标注导出时出了问题需要回溯到标注源头修复。如果发现某一张图片的标注框特别多、已经超出了合理范围也要重点复查因为有些标注工具在导出时会重复导出同一条记录。4. YOLOv5训练环境搭建与核心配置4.1 环境准备与依赖安装训练YOLOv5之前环境是绕不开的第一道坎。不管你是Windows、Linux还是macOSYOLOv5的核心依赖都是PyTorch、OpenCV、NumPy、Pandas等。如果你有NVIDIA独立显卡建议安装CUDA版本的PyTorch训练速度会有数量级的提升如果只有CPU也能训练只是会慢很多后期调参效率会很低。我自己习惯用conda维护独立的虚拟环境避免各个项目之间的依赖冲突conda create -n yolov5 python3.9 conda activate yolov5 pip install -r requirements.txtyolov5代码库里的requirements.txt已经写好了所有依赖项直接安装即可。不过这里有个小经验要分享PyTorch的版本建议单独安装不要直接全用requirements.txt里的版本。因为默认安装的PyTorch可能是CPU版本而你需要根据自己机器的CUDA版本选择合适的安装命令。比如CUDA 11.8环境下可以用pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118装完之后用python -c import torch; print(torch.cuda.is_available())验证一下输出True就说明CUDA环境可用。这一步确认好后面的训练才会流畅。4.2 预训练权重选择与网络结构配置YOLOv5官方提供了n、s、m、l、x五个规模的模型分别对应从轻量到高精度的不同选择。对于烟草叶片病害检测这个任务我的建议是先从小模型yolov5s.pt或yolov5m.pt入手因为病害检测的目标是叶片上的斑块或整片叶子目标尺寸相对较大背景相对简单不是那种典型的小目标检测场景s或者m的容量完全够用。如果直接用yolov5x.pt训练时间成本会大幅上升而精度提升可能很有限。使用预训练权重的方式是在train.py中通过--weights参数指定python train.py --data tobacco_disease.yaml --weights yolov5s.pt --img 640 --batch-size 16 --epochs 100这里涉及到一个关键概念迁移学习。COCO数据集上有80个类别虽然和烟草病害完全无关但模型在COCO上学到的底层特征比如边缘、纹理、颜色渐变、形状结构这些是通用的视觉特征。把预训练权重作为初始参数相当于让模型带着“已经学会怎么‘看’图像”的基础去学习新任务比从零训练收敛快得多也稳定得多。尤其是这个数据集规模不会特别大有预训练权重的帮助能显著降低过拟合风险。img参数默认是640也就是训练时会将图片缩放到640x640像素。对于烟草叶片这种目标占比相对偏大的场景640完全够用。如果你发现某些病斑非常小可以考虑调到800甚至960但显存占用和训练时间都会同步上升需要综合考虑。4.3 超参数调整逻辑训练过程YOLOv5的超参数配置存放在data/hyps/hyp.scratch-low.yaml文件中包括学习率、动量、权重衰减、数据增强的强度等。默认参数在大多数场景下都能跑出不错的效果但这不意味着不需要调整。这里有一个很实用的原理解释模型训练过程可以理解为在“损失函数地形图”上寻找最低点。学习率决定每一步迈多大动量决定当前方向对下一步的影响程度。对于垂直领域的病害检测因为背景比COCO简单通常会建议把学习率整体降低一点比如把lr0从0.01改成0.005防止前期loss震荡。如果训练曲线显示loss连续多轮不降同时验证集指标也停滞也可以尝试在训练中期用--cos-lr开启余弦退火学习率让模型在后期以更小的步长精细收敛。训练过程中的一个关键观察指标是验证集的mAP0.5和mAP0.5:0.95。mAP0.5表示预测框和真实框的IoU超过0.5即为正检出的平均精度mAP0.5:0.95则是从0.5到0.95每隔0.05取一个IoU阈值计算平均精度后再取平均。后者更严格对定位精度要求更高。在烟草叶片病害场景中如果你只关心“病害区域有没有被框出来”那mAP0.5就够用如果还要精准定位病斑边界就得关注mAP0.5:0.95这个指标。训练过程中的输出日志会实时显示这些指标同时YOLOv5会在训练结束后生成result.png曲线图和confusion_matrix.png混淆矩阵图。这些文件保存在runs/train目录下是你判断模型训练质量的重要依据。5. 训练结果分析与模型评估方法5.1 关键指标解读与最佳模型选择训练完成后runs/train/exp目录下会出现weights/best.pt和weights/last.pt两个权重文件。best.pt是训练过程中在验证集上表现最好的模型last.pt是最后一轮训练结束时的模型。实际使用中几乎总是优先选择best.pt因为last.pt往往已经处于过拟合状态在训练集上loss很低但泛化能力已经下降。用best.pt在验证集上跑一次评估命令是python val.py --data tobacco_disease.yaml --weights runs/train/exp/weights/best.pt --img 640val.py会把所有验证集图片送入模型计算预测结果和真实标签对比生成详细的指标报告包括每个类别的Precision、Recall和mAP。对15个类别的烟草病害来说重点关注两类问题一是整体mAP是否够用二是具体是哪个类别的召回率偏低。如果普通花叶病这种病斑明显的类别mAP很高而角斑病和气候性斑点病这种外观相似的类别mAP偏低说明模型存在类别混淆后续需要补充难例数据或者在后处理时适当提高置信度阈值。5.2 可视化验证集预测效果光看指标还不够我每次训练完都会跑一批可视化预测直接在验证集图片上画框、标类别、标置信度。YOLOv5自带detect.py可以完成这个操作python detect.py --weights runs/train/exp/weights/best.pt --source data/tobacco_disease_dataset/images/val --conf-thres 0.25跑完之后runs/detect/exp目录下会生成带预测框的图片。我会重点关注几个场景光照强烈的叶片表面是否有误检叶片边缘卷曲的位置模型能不能稳定框出来多个病斑靠近时会不会框成一个大的以及不同生长阶段的叶片、不同拍摄角度下模型的稳定性如何。这些视觉观察能提供比mAP更直观的信息因为mAP是统计数字而你需要确保的是“模型在实际场景中用起来不会闹出离谱的问题”。5.3 模型推理导出与应用部署训练好的best.pt模型可以直接用Python进行推理也可以导出为其他格式部署到不同平台。深色背景或大田环境下的推理代码很简单import torch model torch.hub.load(ultralytics/yolov5, custom, pathruns/train/exp/weights/best.pt) results model(test_leaf.jpg) results.show() results.print()如果你需要在移动端或者边缘设备上部署可以考虑导成TensorRT、ONNX或者TorchScript格式。对于烟草病害这种农业场景很多实际应用是无人机巡田或者田间手机拍照识别模型需要部署到嵌入式设备或移动端这时的体积和推理速度就成了关键约束。我建议先确认部署平台的算力再决定要导出哪种格式。比如NVIDIA Jetson系列可以优先考虑TensorRT普通ARM板子可以试试ONNX Runtime。6. 常见问题与排查技巧实录6.1 错误标注导致loss降不下去很多人在训练初期会遇到loss降不下来或者验证集精度始终上不去的情况。我排查类似问题时第一个怀疑对象往往不是模型而是标注质量。错误标注导致训练集loss降不下来这句话在实践中有非常具体的表现模型在某个类别上反复学习了相互矛盾的标注比如同一个位置的病斑有的图片标注为赤星病有的图片标注为野火病这两个类别在形态上本来就有相似性错误的标注会让模型在梯度更新时无所适从最终出现loss在高位震荡、无法收敛的现象。对策是做一个类别分布统计。用Python读一遍所有标签文件统计每个类别的目标框数量。如果发现个别类别的样本数量偏少或者类别之间的样本量差距过大模型的预测就会向样本多的类别倾斜。这时候可以先用YOLOv5自带的class weight功能调整类别权重或者通过mosaic、copy-paste等数据增强手段增加少数类的样本多样性。6.2 训练集和验证集分布不一致这个坑非常隐蔽而且一旦踩中训练过程看起来一切正常指标也漂亮但实际效果差到离谱。假设训练集图片大多来自温室环境下拍摄的烟叶光照均匀、背景干净而验证集图片来自大田环境背景有土壤、杂草、滴灌带光照变化大。模型在验证集上的表现会明显下降因为验证集的图像分布和训练集不同模型从没见过这种风格的输入。标题中的数据集包含训练集和验证集在训练前我强烈建议抽查两边的图片确认它们的拍摄环境、光照条件、目标尺度分布是否一致。如果发现明显差异就需要重新划分数据集把不同环境的图片按比例均匀分配到训练集和验证集中。否则你训练出来的模型指标再好也只是“考试型选手”一上真实场景就露馅。6.3 训练中显存不足与Batch Size调整显存不足是目标检测训练中最常见的硬件类报错。典型提示是CUDA out of memory。遇到这个问题最直接的解决办法是调小batch-size。不过这里有一个权衡batch-size太小会导致梯度估计不稳定训练容易震荡。比如你原本设置batch-size为32显存不够可以改成16或8如果8还不够那就得考虑使用梯度累积技巧或者降低img尺寸到512。另一个我自己长期使用的小技巧在训练前把训练脚本里的--workers设为4或8利用多线程加速数据加载这样batch-size下降带来的训练速度损失会被一定程度弥补。如果数据集标注框特别密集也可以考虑把--rect参数加上让YOLOv5按照图片宽高比分批训练减少无效填充像素的计算从而降低显存压力。6.4 小目标检测效果差怎么办虽然标题中的烟草病害检测并不一定以“小目标检测”为核心痛点但大田场景下无人机拍摄的照片里早期病斑确实可能只占几十个像素。如果验证集上的小目标比如面积小于32x32像素的目标框漏检率很高可以从三个方向入手。第一把训练分辨率从640上调到960甚至1280小目标在更高分辨率下的像素信息更丰富模型更容易学到特征。第二检查锚框设置是否适配。YOLOv5默认锚框是基于COCO数据集聚类得到的如果你的目标框普遍很小需要重新聚类生成适合这个数据集的锚框。YOLOv5在训练时会自动对锚框做k-means聚类但你可以在data yaml里手动指定一组锚框。第三可以把小目标所在的图像区域做裁剪增强拼接成训练样本让模型有更多机会看到小目标。7. 实操过程中的补充心得这个项目我自己在实际操作中试过几种不同的训练策略分享一下经验。第一次跑的时候我直接用了yolov5s.pt预训练权重训练了80个epoch验证集mAP0.5在0.78左右。整体能看但有几个类别的漏检比较明显。后来我调整了两个地方一是把图片输入尺寸从640升到800小病斑的召回率提升了不少二是结合混淆矩阵发现青枯病和黑胫病之间误检比较多这两个病害在叶片上的表现有相似之处我补充了几十张这两种病害的难例图片放入训练集重新训练误检率明显下降。还有一个值得说的点数据增强参数。YOLOv5的数据增强是内置的包括mosaic、随机平移、旋转、缩放、HSV色域变化等。在烟草叶片病害识别场景中我觉得HSV色域变化尤其重要因为大田环境下光照变化非常剧烈从正午直射光到阴天散射光叶片的颜色表现差异很大。让模型在训练时见过更多的色彩变换能显著提升它在新环境下的健壮性。默认的HSV增强参数在hyp.scratch-low.yaml里已经比较合适如果你发现模型在不同光照条件下不稳定可以适当把hsv_h、hsv_s、hsv_v调大一点再训练。关于类别名称的命名如果你的类别名需要展示给最终用户建议在names列表里用英文加下划线的格式这样在可视化预测时不容易出现编码问题需要给植保专家看的话再单独做一个id到中文名称的映射表。这个映射表在后续做报表、做统计时很有用也方便了业务方理解模型输出的含义。8. 后续可以扩展的方向训练出基线模型只是第一步。如果你的目标是真正把烟草叶片病害检测应用到实际生产中我强烈建议继续做两件事情。第一做模型蒸馏或者剪枝。yolov5s.pt模型大小大约在14MB左右但如果你要部署到手机端或者低算力的边缘设备上体积还显得有点大。可以先把模型稀疏化训练再用剪枝工具把不重要的通道裁掉模型可以压缩到原来的一半甚至更小速度提升明显精度基本不掉。第二把检测结果和病害统计数据打通。模型输出的是每张图片上各类病害的框和置信度你可以按时间维度、地块维度聚合这些数据算出一个区域的病害发生率、病害严重程度趋势。这种数据化的农情分析才是模型在实际农业管理中真正的价值所在。从数据集的15个类别、训练集和验证集的组织结构到YOLOv5训练、评估、部署的完整链路这个项目其实搭建了一个很扎实的农业AI落地框架。按这套流程走下来你得到的不仅是一个能用的病害检测模型更是对目标检测项目从数据到部署全流程的完整认知。后面再换任何类似场景你会发现核心方法论都是相通的只是在数据清洗和超参数调优的细节上需要重新针对业务再做一轮适配。本文还有配套的精品资源点击获取 基于YOLOv5的烟草叶片病害检测：从数据集构建到模型部署全流程解析
简介目标检测是计算机视觉领域的核心任务之一其原理是通过边界框定位并分类图像中的目标对象。在垂直农业场景中高质量的标注数据往往比模型结构更关键。以烟草叶片病害检测为例基于YOLOv5框架的实践路径涵盖从15类病害数据集的目录组织、标签格式校验到训练配置、验证集评估与模型部署的完整闭环。利用验证集进行mAP评估与早停判断能有效防止过拟合提升模型泛化能力。这类技术可广泛应用于无人机巡田、手机端病害识别等农业AI场景帮助植保人员快速掌握病害分布。本文围绕烟草叶片病害数据集剖析YOLOv5训练全流程中的关键细节与常见坑点为垂直领域目标检测落地提供可复用的方法论。1. 项目概述与场景价值做农业视觉方向的目标检测项目最头疼的往往不是模型选型而是数据本身。工业界的公开数据集像COCO、VOC这些场景和农业病害差异太大直接拿来预训练再微调效果总隔着一层。而这个“烟草叶片病害检测”数据集属于典型的垂直领域小样本实战场景——15个病害类别带训练集和验证集专为YOLOv5训练设计。我觉得它最值得聊的地方不是“有个数据集能用”而是整个项目链路从数据组织、标签格式校验、模型训练到验证集评估它把一条完整的目标检测落地路径给串起来了。标题里没有提到测试集只写了训练集和验证集这一点其实很关键。很多第一次接触目标检测的朋友会问没有测试集模型效果怎么评估实际上YOLOv5在训练过程中本身就依赖验证集来做mAP评估、早停判断和超参数调优测试集更多是发布模型前的最终抽检。对于学习型项目或者内部农情分析系统来说训练集加验证集的结构已经足够支撑一次完整的模型迭代。那这个项目适合谁来参考我大致梳理了三类人。第一类是农业院校里做植保智能化、病害识别的研究生他们需要快速跑通一个基于深度学习的检测基线第二类是工业界做农业AI平台、无人机巡田或者手机端病害识别的工程师他们想看看垂直领域数据集的坑都在哪里第三类就是刚入门YOLOv5的爱好者想找一个结构规整、类别明确的数据集来练手。不管你是哪一类这篇文章都会从数据集结构、YOLO格式细节、训练配置到故障排查把这个项目的每个环节拆开讲透。做目标检测这些年我最大的感受是模型结构再先进也不如数据组织得干净带来的收益大。一个类别混淆、标签错位、坐标越界的数据集能让最稳定的训练流程跑出极其诡异的结果。所以这篇文章里我会把重点放在那些日常文档不会写、但你在真实项目中一定会踩到的细节上。2. 数据集核心结构与设计思路拆解2.1 15类别划分背后的农业场景逻辑烟草叶片病害检测这个任务15个类别的划分并不是随便拍的。烟叶在大田生长过程中不同病害的病原体、发病部位、病斑形态差异很大有的表现为全叶萎蔫有的只在叶片表面形成局部斑点。如果从植保角度去给数据归类通常会按照“真菌性病害、细菌性病害、病毒性病害、生理性病害”这几个维度来做第一层区分。以常见的烟草病害为例赤星病和野火病都属于叶部斑点类但赤星病的病斑有明显轮纹而野火病病斑周围有黄色晕圈普通花叶病和黄瓜花叶病都是病毒病一个表现为叶片凹凸不平、花叶斑驳另一个表现为叶片狭长、脉间褪绿。从计算机视觉的角度看这些差别其实构成了模型可学习的纹理特征和颜色特征。15个类别如果标记准确训练出来的模型完全有能力抓住这些细微差异。不过我在看这个数据集的时候更关注的是类别之间的“相似度”。像角斑病和气候性斑点病在某些生长阶段拍出来的照片连植保专家光看图片都可能误判。模型在这个任务上的难点不只是把病害认出来还要把容易混淆的类别分开。这一点也提醒我们在训练之前最好先用混淆矩阵观察哪些类别之间误检率高再针对性补充难例样本。数据集的类别设计决定了模型的能力天花板而实际训练只是逼近这个天花板的过程。2.2 训练集与验证集划分的作用分析这个数据集明确包含训练集和验证集划分比例虽然没有写在标题里但按照目标检测任务的常见实践通常训练集占80%-90%验证集占10%-20%。为什么要专门抽出验证集而不把所有数据都丢进训练因为深度学习模型的训练过程本质上是一个“在训练数据上拟合、在未知数据上泛化”的博弈。如果只用训练集的loss来指导模型更新模型很容易陷入过拟合——它对见过的图片表现完美但对没见过的图片一塌糊涂。验证集在这里承担了三个职责。第一是评估模型的mAP、Precision、Recall等指标让你知道模型真实水平如何第二是触发早停机制当验证集loss连续多轮不下降时训练自动停止避免浪费时间第三是用于超参数调优比如你在调confidence阈值、IoU阈值时都需要在验证集上观察效果变化而不是回到训练集上去看。我自己的习惯是在拿到这样的数据集后第一件事不是急着跑训练而是先手动抽几张验证集的图片和对应的标签文件对照着看一遍。这一步看起来费时间但能帮你发现很多标注层面的问题比如类别id是否从0开始、bbox坐标是否归一化、有没有标注框明显偏离目标位置等。数据质量确认没问题再进入训练环节后期排查问题的范围就会小很多。3. YOLOv5格式数据集搭建与核心细节实操3.1 目录结构与标注格式详解在开始训练之前首先要把数据集按照YOLOv5要求的目录结构组织好。这个数据集既然标注了“包含训练集、验证集”大概率已经是下面这种标准布局tobacco_disease_dataset/ ├── images/ │ ├── train/ │ │ ├── img_001.jpg │ │ ├── img_002.jpg │ │ └── ... │ └── val/ │ ├── img_101.jpg │ ├── img_102.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── img_001.txt │ │ ├── img_002.txt │ │ └── ... │ └── val/ │ ├── img_101.txt │ ├── img_102.txt │ └── ... └── tobacco_disease.yaml这里有个很容易踩的坑images和labels下相同子集内的文件名必须一一对应但图片是jpg、标签是txt两者后缀不同前缀要完全一致。YOLOv5在训练时是根据图片路径去查找同名txt文件的如果某个图片没有对应的标签文件它会被自动当作背景样本处理如果一个txt文件找不到对应图片这个标注就直接被忽略。这两种情况都会造成训练数据被静默损耗而你甚至不会收到任何报错。标签文件里面的内容也是严格格式化的每一行代表一个目标框结构是class_id x_center y_center width height其中class_id是整数从0开始对应13个类别也就是0到14x_center、y_center、width、height都是归一化到0-1区间的浮点数分别表示目标框中心点的横坐标、纵坐标、框的宽度和高度。归一化的意思是如果目标框左上角在像素坐标(250, 180)右下角在(450, 420)图片尺寸是1000x600那么x_center就是((250450)/2)/10000.35y_center就是((180420)/2)/6000.5width就是(450-250)/10000.2height就是(420-180)/6000.4。在动手训练之前我强烈建议写几行Python代码把标注文件读出来把归一化坐标还原成像素坐标然后直接在图片上画出方框做一次可视化校验。这是确认标注格式正确最直观的方式。很多人拿到数据集就直接开训结果训练出来的模型预测框全部偏移最后才发现是归一化公式理解错了。3.2 数据配置文件与类别映射YOLOv5训练时需要一个YAML配置文件用来告诉框架数据集的路径、类别数量和类别名称。对于这个烟草病害项目配置文件大致长这样path: /data/tobacco_disease_dataset train: images/train val: images/val nc: 15 names: 0: common_tobacco_mosaic_virus 1: cucumber_mosaic_virus 2: potato_virus_y 3: brown_spot 4: wildfire 5: angular_leaf_spot 6: black_shank 7: bacterial_wilt 8: root_black_rot 9: powdery_mildew 10: sooty_mold 11: weather_fleck 12: etch_virus 13: ring_spot 14: target_spot注意一个细节path字段可以填绝对路径也可以填相对路径。如果你把数据集和yolov5代码放在了不同目录建议使用绝对路径省去一堆路径拼接的麻烦。train和val字段只需要填相对于path的路径不需要写绝对路径。这个配置文件的任何一行出错都会直接影响数据加载——最典型的报错是AssertionError: train: No labels in ...如果你看到这个提示基本可以断定训练集路径或者标签文件路径对不上。类别名称排序也有讲究必须和标注文件里的class_id顺序严格一致。比如第0类在标注文件里写的是0YAML的names列表里第0个名字就要和它对应。这个对应关系决定了模型最终输出结果的显示名称如果写错位置模型其实还是能训练但推理时类别名会对不上看起来就像模型“认错”了。3.3 数据集校验工具与常见修复方法当你准备用这个数据集训练时我建议在跑训练之前先用YOLOv5自带的数据集校验工具过一遍。在yolov5项目目录下运行python train.py --data tobacco_disease.yaml --epochs 1 --batch-size 16 --weights yolov5s.ptepochs设成1不是真为了训练而是为了触发数据加载流程让YOLOv5在启动时报出所有数据相关的问题。如果标签格式有错误、图片路径有缺失、类别id越界这轮1个epoch的训练会在数据加载阶段直接抛异常远比训练到一半再爆错容易排查。还有一个我常用的检查方法是统计每张图片的平均标注框数量。正常来说烟草叶片病害的图片中每张图片可能包含1到5个不等的病斑区域或整叶区域。如果发现大量图片没有任何标注框而它们又是病害图片那很有可能是标注导出时出了问题需要回溯到标注源头修复。如果发现某一张图片的标注框特别多、已经超出了合理范围也要重点复查因为有些标注工具在导出时会重复导出同一条记录。4. YOLOv5训练环境搭建与核心配置4.1 环境准备与依赖安装训练YOLOv5之前环境是绕不开的第一道坎。不管你是Windows、Linux还是macOSYOLOv5的核心依赖都是PyTorch、OpenCV、NumPy、Pandas等。如果你有NVIDIA独立显卡建议安装CUDA版本的PyTorch训练速度会有数量级的提升如果只有CPU也能训练只是会慢很多后期调参效率会很低。我自己习惯用conda维护独立的虚拟环境避免各个项目之间的依赖冲突conda create -n yolov5 python3.9 conda activate yolov5 pip install -r requirements.txtyolov5代码库里的requirements.txt已经写好了所有依赖项直接安装即可。不过这里有个小经验要分享PyTorch的版本建议单独安装不要直接全用requirements.txt里的版本。因为默认安装的PyTorch可能是CPU版本而你需要根据自己机器的CUDA版本选择合适的安装命令。比如CUDA 11.8环境下可以用pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118装完之后用python -c import torch; print(torch.cuda.is_available())验证一下输出True就说明CUDA环境可用。这一步确认好后面的训练才会流畅。4.2 预训练权重选择与网络结构配置YOLOv5官方提供了n、s、m、l、x五个规模的模型分别对应从轻量到高精度的不同选择。对于烟草叶片病害检测这个任务我的建议是先从小模型yolov5s.pt或yolov5m.pt入手因为病害检测的目标是叶片上的斑块或整片叶子目标尺寸相对较大背景相对简单不是那种典型的小目标检测场景s或者m的容量完全够用。如果直接用yolov5x.pt训练时间成本会大幅上升而精度提升可能很有限。使用预训练权重的方式是在train.py中通过--weights参数指定python train.py --data tobacco_disease.yaml --weights yolov5s.pt --img 640 --batch-size 16 --epochs 100这里涉及到一个关键概念迁移学习。COCO数据集上有80个类别虽然和烟草病害完全无关但模型在COCO上学到的底层特征比如边缘、纹理、颜色渐变、形状结构这些是通用的视觉特征。把预训练权重作为初始参数相当于让模型带着“已经学会怎么‘看’图像”的基础去学习新任务比从零训练收敛快得多也稳定得多。尤其是这个数据集规模不会特别大有预训练权重的帮助能显著降低过拟合风险。img参数默认是640也就是训练时会将图片缩放到640x640像素。对于烟草叶片这种目标占比相对偏大的场景640完全够用。如果你发现某些病斑非常小可以考虑调到800甚至960但显存占用和训练时间都会同步上升需要综合考虑。4.3 超参数调整逻辑训练过程YOLOv5的超参数配置存放在data/hyps/hyp.scratch-low.yaml文件中包括学习率、动量、权重衰减、数据增强的强度等。默认参数在大多数场景下都能跑出不错的效果但这不意味着不需要调整。这里有一个很实用的原理解释模型训练过程可以理解为在“损失函数地形图”上寻找最低点。学习率决定每一步迈多大动量决定当前方向对下一步的影响程度。对于垂直领域的病害检测因为背景比COCO简单通常会建议把学习率整体降低一点比如把lr0从0.01改成0.005防止前期loss震荡。如果训练曲线显示loss连续多轮不降同时验证集指标也停滞也可以尝试在训练中期用--cos-lr开启余弦退火学习率让模型在后期以更小的步长精细收敛。训练过程中的一个关键观察指标是验证集的mAP0.5和mAP0.5:0.95。mAP0.5表示预测框和真实框的IoU超过0.5即为正检出的平均精度mAP0.5:0.95则是从0.5到0.95每隔0.05取一个IoU阈值计算平均精度后再取平均。后者更严格对定位精度要求更高。在烟草叶片病害场景中如果你只关心“病害区域有没有被框出来”那mAP0.5就够用如果还要精准定位病斑边界就得关注mAP0.5:0.95这个指标。训练过程中的输出日志会实时显示这些指标同时YOLOv5会在训练结束后生成result.png曲线图和confusion_matrix.png混淆矩阵图。这些文件保存在runs/train目录下是你判断模型训练质量的重要依据。5. 训练结果分析与模型评估方法5.1 关键指标解读与最佳模型选择训练完成后runs/train/exp目录下会出现weights/best.pt和weights/last.pt两个权重文件。best.pt是训练过程中在验证集上表现最好的模型last.pt是最后一轮训练结束时的模型。实际使用中几乎总是优先选择best.pt因为last.pt往往已经处于过拟合状态在训练集上loss很低但泛化能力已经下降。用best.pt在验证集上跑一次评估命令是python val.py --data tobacco_disease.yaml --weights runs/train/exp/weights/best.pt --img 640val.py会把所有验证集图片送入模型计算预测结果和真实标签对比生成详细的指标报告包括每个类别的Precision、Recall和mAP。对15个类别的烟草病害来说重点关注两类问题一是整体mAP是否够用二是具体是哪个类别的召回率偏低。如果普通花叶病这种病斑明显的类别mAP很高而角斑病和气候性斑点病这种外观相似的类别mAP偏低说明模型存在类别混淆后续需要补充难例数据或者在后处理时适当提高置信度阈值。5.2 可视化验证集预测效果光看指标还不够我每次训练完都会跑一批可视化预测直接在验证集图片上画框、标类别、标置信度。YOLOv5自带detect.py可以完成这个操作python detect.py --weights runs/train/exp/weights/best.pt --source data/tobacco_disease_dataset/images/val --conf-thres 0.25跑完之后runs/detect/exp目录下会生成带预测框的图片。我会重点关注几个场景光照强烈的叶片表面是否有误检叶片边缘卷曲的位置模型能不能稳定框出来多个病斑靠近时会不会框成一个大的以及不同生长阶段的叶片、不同拍摄角度下模型的稳定性如何。这些视觉观察能提供比mAP更直观的信息因为mAP是统计数字而你需要确保的是“模型在实际场景中用起来不会闹出离谱的问题”。5.3 模型推理导出与应用部署训练好的best.pt模型可以直接用Python进行推理也可以导出为其他格式部署到不同平台。深色背景或大田环境下的推理代码很简单import torch model torch.hub.load(ultralytics/yolov5, custom, pathruns/train/exp/weights/best.pt) results model(test_leaf.jpg) results.show() results.print()如果你需要在移动端或者边缘设备上部署可以考虑导成TensorRT、ONNX或者TorchScript格式。对于烟草病害这种农业场景很多实际应用是无人机巡田或者田间手机拍照识别模型需要部署到嵌入式设备或移动端这时的体积和推理速度就成了关键约束。我建议先确认部署平台的算力再决定要导出哪种格式。比如NVIDIA Jetson系列可以优先考虑TensorRT普通ARM板子可以试试ONNX Runtime。6. 常见问题与排查技巧实录6.1 错误标注导致loss降不下去很多人在训练初期会遇到loss降不下来或者验证集精度始终上不去的情况。我排查类似问题时第一个怀疑对象往往不是模型而是标注质量。错误标注导致训练集loss降不下来这句话在实践中有非常具体的表现模型在某个类别上反复学习了相互矛盾的标注比如同一个位置的病斑有的图片标注为赤星病有的图片标注为野火病这两个类别在形态上本来就有相似性错误的标注会让模型在梯度更新时无所适从最终出现loss在高位震荡、无法收敛的现象。对策是做一个类别分布统计。用Python读一遍所有标签文件统计每个类别的目标框数量。如果发现个别类别的样本数量偏少或者类别之间的样本量差距过大模型的预测就会向样本多的类别倾斜。这时候可以先用YOLOv5自带的class weight功能调整类别权重或者通过mosaic、copy-paste等数据增强手段增加少数类的样本多样性。6.2 训练集和验证集分布不一致这个坑非常隐蔽而且一旦踩中训练过程看起来一切正常指标也漂亮但实际效果差到离谱。假设训练集图片大多来自温室环境下拍摄的烟叶光照均匀、背景干净而验证集图片来自大田环境背景有土壤、杂草、滴灌带光照变化大。模型在验证集上的表现会明显下降因为验证集的图像分布和训练集不同模型从没见过这种风格的输入。标题中的数据集包含训练集和验证集在训练前我强烈建议抽查两边的图片确认它们的拍摄环境、光照条件、目标尺度分布是否一致。如果发现明显差异就需要重新划分数据集把不同环境的图片按比例均匀分配到训练集和验证集中。否则你训练出来的模型指标再好也只是“考试型选手”一上真实场景就露馅。6.3 训练中显存不足与Batch Size调整显存不足是目标检测训练中最常见的硬件类报错。典型提示是CUDA out of memory。遇到这个问题最直接的解决办法是调小batch-size。不过这里有一个权衡batch-size太小会导致梯度估计不稳定训练容易震荡。比如你原本设置batch-size为32显存不够可以改成16或8如果8还不够那就得考虑使用梯度累积技巧或者降低img尺寸到512。另一个我自己长期使用的小技巧在训练前把训练脚本里的--workers设为4或8利用多线程加速数据加载这样batch-size下降带来的训练速度损失会被一定程度弥补。如果数据集标注框特别密集也可以考虑把--rect参数加上让YOLOv5按照图片宽高比分批训练减少无效填充像素的计算从而降低显存压力。6.4 小目标检测效果差怎么办虽然标题中的烟草病害检测并不一定以“小目标检测”为核心痛点但大田场景下无人机拍摄的照片里早期病斑确实可能只占几十个像素。如果验证集上的小目标比如面积小于32x32像素的目标框漏检率很高可以从三个方向入手。第一把训练分辨率从640上调到960甚至1280小目标在更高分辨率下的像素信息更丰富模型更容易学到特征。第二检查锚框设置是否适配。YOLOv5默认锚框是基于COCO数据集聚类得到的如果你的目标框普遍很小需要重新聚类生成适合这个数据集的锚框。YOLOv5在训练时会自动对锚框做k-means聚类但你可以在data yaml里手动指定一组锚框。第三可以把小目标所在的图像区域做裁剪增强拼接成训练样本让模型有更多机会看到小目标。7. 实操过程中的补充心得这个项目我自己在实际操作中试过几种不同的训练策略分享一下经验。第一次跑的时候我直接用了yolov5s.pt预训练权重训练了80个epoch验证集mAP0.5在0.78左右。整体能看但有几个类别的漏检比较明显。后来我调整了两个地方一是把图片输入尺寸从640升到800小病斑的召回率提升了不少二是结合混淆矩阵发现青枯病和黑胫病之间误检比较多这两个病害在叶片上的表现有相似之处我补充了几十张这两种病害的难例图片放入训练集重新训练误检率明显下降。还有一个值得说的点数据增强参数。YOLOv5的数据增强是内置的包括mosaic、随机平移、旋转、缩放、HSV色域变化等。在烟草叶片病害识别场景中我觉得HSV色域变化尤其重要因为大田环境下光照变化非常剧烈从正午直射光到阴天散射光叶片的颜色表现差异很大。让模型在训练时见过更多的色彩变换能显著提升它在新环境下的健壮性。默认的HSV增强参数在hyp.scratch-low.yaml里已经比较合适如果你发现模型在不同光照条件下不稳定可以适当把hsv_h、hsv_s、hsv_v调大一点再训练。关于类别名称的命名如果你的类别名需要展示给最终用户建议在names列表里用英文加下划线的格式这样在可视化预测时不容易出现编码问题需要给植保专家看的话再单独做一个id到中文名称的映射表。这个映射表在后续做报表、做统计时很有用也方便了业务方理解模型输出的含义。8. 后续可以扩展的方向训练出基线模型只是第一步。如果你的目标是真正把烟草叶片病害检测应用到实际生产中我强烈建议继续做两件事情。第一做模型蒸馏或者剪枝。yolov5s.pt模型大小大约在14MB左右但如果你要部署到手机端或者低算力的边缘设备上体积还显得有点大。可以先把模型稀疏化训练再用剪枝工具把不重要的通道裁掉模型可以压缩到原来的一半甚至更小速度提升明显精度基本不掉。第二把检测结果和病害统计数据打通。模型输出的是每张图片上各类病害的框和置信度你可以按时间维度、地块维度聚合这些数据算出一个区域的病害发生率、病害严重程度趋势。这种数据化的农情分析才是模型在实际农业管理中真正的价值所在。从数据集的15个类别、训练集和验证集的组织结构到YOLOv5训练、评估、部署的完整链路这个项目其实搭建了一个很扎实的农业AI落地框架。按这套流程走下来你得到的不仅是一个能用的病害检测模型更是对目标检测项目从数据到部署全流程的完整认知。后面再换任何类似场景你会发现核心方法论都是相通的只是在数据清洗和超参数调优的细节上需要重新针对业务再做一轮适配。本文还有配套的精品资源点击获取