拓冰网站定制 
简介这份资源面向计算机、人工智能及农业工程相关专业的本科生与研究生提供一套基于Python实现的无人机病虫害智能识别与精准施药系统完整方案可用于毕业设计、课程设计或项目开发练手。项目围绕无人机航拍图像展开涵盖数据加载与增强、模型训练与验证、分类推理等环节并配套项目说明文档便于理解整体技术路线与模块划分。压缩包共25个文件以15个py源码文件为核心辅以6个pyc编译文件、2个txt说明、1份pdf项目文档及license授权文件整体约4.74MB结构紧凑、便于快速部署与二次开发。目前已有61人学习关注。源码经过严格测试读者可据此掌握从数据集构建、模型训练到施药决策的完整流程并在此基础上替换数据集或调整网络结构延伸出更多农业智能识别应用。1. 从一份能跑通的病虫害识别源码说起植保无人机拍回来的叶片图像十张里有三张是逆光、两张带运动模糊剩下五张还混着健康叶和病斑叶。人工分拣不现实直接上通用分类模型又经常把「早疫病」认成「晚疫病」。这份基于 Python 的无人机病虫害智能识别与精准施药系统源码解决的正是从图像到施药决策这一段链路它把分类网络、数据加载、训练引擎、采样策略和推理脚本拆成了独立模块目录里能看到main.py、engine.py、datasets.py、samplers.py、trans.py、crossvit.py、classify.py、valid.py、test_leaf.py这些文件外加一份系统说明 PDF。适合正在做毕业设计、课程设计或者想拿一套结构完整的视觉分类工程做二次开发的人。它不是玩具脚本而是一个带训练、验证、推理入口的完整工程骨架下面按「能跑起来 → 能改参数 → 能避坑」的顺序拆开讲。2. 工程结构与运行链路先搞清楚每个文件干什么拿到一个压缩包最忌讳上来就python main.py。这个项目的文件命名有比较明显的工程习惯先花十分钟把职责理清楚后面调参和排错会省很多时间。2.1 目录职责拆解从文件清单看核心可以分成四层层级文件职责入口层main.py、main_vaild.py、valid.py、test_leaf.py训练入口、验证入口、单叶测试入口引擎层engine.py训练/验证循环epoch 调度指标统计数据层datasets.py、trans.py、samplers.py数据集封装、图像增强、采样策略模型层models/、crossvit.py、t2t网络定义含 CrossViT 与 T2T 结构utils.py是通用工具classify.py大概率是分类推理封装run_with_submitit.py用于多卡或集群提交requirements.txt锁依赖log.txt是运行日志。__pycache__里的.pyc说明作者在 Python 3.10 环境下跑过这点对复现很关键。2.2 环境准备与依赖安装先确认 Python 版本。.pyc文件名带cpython-310说明原始环境是 3.10。用 3.8 或 3.11 有可能在个别依赖上翻车建议直接对齐。# 建议用 conda 建独立环境避免污染系统 Python conda create -n pestdrone python3.10 -y conda activate pestdrone # 安装依赖requirements.txt 里通常锁了 torch/torchvision/timm 等 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple逻辑说明-i指定国内镜像源requirements.txt里如果锁了 CUDA 版本的 torch装完要用python -c import torch; print(torch.cuda.is_available())验证。参数上如果本机没有 NVIDIA 显卡把 torch 换成 CPU 版即可但训练会慢到不适合做完整实验建议至少用一张 8G 显存的卡。2.3 训练入口的参数结构main.py一般用 argparse 组织参数。常见做法是数据集路径、模型名、batch size、学习率、epoch 数、输出目录这几项。跑之前先看--helppython main.py --help如果输出里能看到--data-path、--model、--batch-size、--epochs、--output_dir这类字段说明入口是标准的。第一次跑建议用小 epoch 和小子集验证链路# 小规模冒烟测试确认数据能读、模型能前向、loss 能下降 python main.py \ --data-path ./data/leaf \ --model crossvit \ --batch-size 8 \ --epochs 2 \ --output_dir ./runs/smoke逻辑说明--batch-size 8是为了在显存不足时也能跑通--epochs 2只验证流程不追求精度。跑完看./runs/smoke下有没有生成权重和日志。如果这里就报错问题基本在数据路径或依赖版本不用往下调模型。2.4 数据组织与增强链路datasets.py负责把图像和标签对应起来trans.py负责增强。病虫害图像分类通常按ImageFolder结构组织data/leaf/ ├── train/ │ ├── healthy/ │ ├── early_blight/ │ └── late_blight/ └── val/ ├── healthy/ ├── early_blight/ └── late_blight/trans.py里一般会定义训练增强和验证增强两套。训练侧常见的是随机裁剪、翻转、颜色抖动验证侧只做 resize 和归一化。这里有个容易忽略的点病虫害识别对颜色敏感颜色抖动幅度过大会把病斑颜色改掉反而降低精度。我一般会把ColorJitter的brightness和contrast控制在 0.2 以内saturation和hue更小甚至关掉。# trans.py 中训练增强的典型写法按项目实际结构调整 train_tf transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness0.2, contrast0.2), # 色偏别开太大 transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ])参数说明scale(0.7, 1.0)控制裁剪比例太小会把病斑裁没Normalize用的是 ImageNet 统计量如果从头训练可以换成数据集自身均值但用预训练权重就必须保持这套。3. 模型选型与训练引擎CrossViT 和 T2T 到底怎么用这个项目里出现了crossvit.py和t2t目录说明模型侧不是单一 CNN而是引入了 Transformer 类结构。选型理由和训练细节是这份源码比较有价值的部分。3.1 为什么病虫害识别会用 CrossViT叶片病斑在图像里往往只占很小一块CNN 靠堆卷积核感受野对细长病斑和边缘纹理的捕捉有限。CrossViT 的思路是用两种不同 patch 尺寸并行提特征再交叉融合大 patch 抓整体叶形和分布小 patch 抓局部病斑纹理。对「同一片叶子上既有大面积枯斑又有零星霉点」这种场景比单一尺度更稳。crossvit.py里通常定义了不同规格的模型如 crossvit_9、crossvit_15数字对应 backbone 深度。选型上如果数据集只有几千张用 crossvit_9 就够参数量小、过拟合风险低数据上万再考虑 15 或 18。t2t目录是 Tokens-to-Token 结构作用是让 Transformer 在浅层也能保留局部连续性适合病斑边界模糊的图像。3.2 训练引擎的关键参数engine.py是训练循环所在。需要重点看三处损失函数、优化器、学习率调度。# engine.py 训练循环的核心结构示意按实际文件调整 for epoch in range(args.epochs): model.train() for images, labels in train_loader: images, labels images.cuda(), labels.cuda() outputs model(images) loss criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() scheduler.step() # 按 epoch 调整学习率 acc evaluate(model, val_loader) print(fepoch {epoch} acc {acc:.4f})逻辑说明criterion一般是CrossEntropyLoss如果类别不均衡健康叶远多于病叶要加weight参数或改用 Focal Loss。scheduler.step()的位置很关键放在 epoch 末尾还是 batch 内会影响学习率曲线。optimizer.zero_grad()必须在backward()之前顺序错了梯度会累加这是新手最常见的翻车点之一。3.3 采样策略samplers.py 解决类别不均衡田间数据天然不均衡健康叶片样本多特定病害样本少。samplers.py里大概率实现了加权采样或类别平衡采样。常见做法是给每个类别按样本数倒数赋权让少数类被抽到的概率提高。# samplers.py 加权采样示意 from torch.utils.data import WeightedRandomSampler class_counts [1200, 300, 150] # 三个类别的样本数 weights [1.0 / c for c in class_counts] sample_weights [weights[label] for label in all_labels] sampler WeightedRandomSampler(sample_weights, num_sampleslen(sample_weights), replacementTrue)参数说明replacementTrue表示有放回采样少数类会被重复抽到num_samples一般设成总样本数保证每个 epoch 看到的量级一致。如果不开采样模型会倾向于全预测成多数类准确率看着高但召回率极低这在毕业设计答辩时很容易被问住。3.4 验证与单叶测试入口valid.py和test_leaf.py是两个不同粒度的验证。valid.py跑整个验证集出指标test_leaf.py大概率是拿单张叶片图做推理适合演示。跑验证时注意model.eval()和torch.no_grad()要同时加上否则 BN 层和 dropout 行为不对指标会偏低。# 验证集评估 python valid.py --data-path ./data/leaf/val --weights ./runs/smoke/best.pth # 单张叶片推理 python test_leaf.py --image ./samples/leaf_01.jpg --weights ./runs/smoke/best.pth逻辑说明--weights指向训练产出的权重文件test_leaf.py输出通常是类别名和置信度。如果单张推理结果和验证集指标差距很大先检查预处理是否一致——训练用的归一化和推理用的必须完全相同这是血泪经验。4. 避坑与常见问题排查这套源码结构完整但复现时踩坑点集中在环境、数据、显存和指标四个方向。下面五条是我实际跑这类工程时最常遇到的。4.1 报错ModuleNotFoundError: No module named models现象在项目根目录外执行python main.py提示找不到models模块。原因Python 的模块搜索路径以当前工作目录为准不在根目录跑就找不到同级包。解决cd到项目根目录再执行或者用python -m main的方式运行。如果必须在外部调用在入口文件顶部加sys.path.append(os.path.dirname(__file__))。4.2 训练 loss 不下降准确率卡在多数类比例现象训练几个 epochloss 几乎不动验证准确率等于健康叶占比。原因类别不均衡且没启用采样模型学到「全猜多数类」就能拿到不低的准确率。解决确认samplers.py是否被真正接入DataLoader检查sampler参数有没有传进去。同时把评估指标从 accuracy 换成 macro-F1 或每类召回率才能看出真实效果。4.3 CUDA out of memory现象跑到第二个 batch 就报显存不足。原因batch size 过大或者 CrossViT 的 patch 分辨率太高。解决先把--batch-size降到 4 或 8再考虑把输入分辨率从 224 降到 192。如果还不够开启梯度累积模拟大 batch。别一上来就换小模型先确认是不是分辨率吃掉了显存。4.4 验证指标远低于训练指标现象训练集准确率 0.95验证集只有 0.6。原因增强过强、数据量太小、或者验证集预处理和训练不一致。解决先检查trans.py里验证增强是否只做了 resize 和归一化。再确认训练集和验证集有没有图像重叠。如果数据确实少加权重衰减和早停别硬训到过拟合。4.5test_leaf.py推理结果全是同一类现象换不同叶片图输出类别不变。原因推理时的归一化参数和训练不一致或者权重没加载成功。解决打印权重加载的 key 匹配情况确认load_state_dict没有大量 missing keys。再逐行对比推理预处理和训练预处理均值方差必须一模一样。提示每次改完数据增强或归一化都要重新跑一遍单张推理验证别只看训练日志。5. 从能跑到好用迁移到自己的数据集与施药决策衔接把工程跑通只是第一步真正决定这份源码价值的是能不能换成自己的数据、能不能把分类结果接到施药逻辑上。5.1 替换数据集的最小改动路径假设你手上有自己采集的叶片图像按ImageFolder结构放好然后改三处datasets.py里的类别名列表、main.py里的--data-path、以及如果有硬编码类别数的地方分类头输出维度。分类头维度必须等于类别数改完先跑一次--epochs 1确认不报维度错误。# 换成自己的数据后先冒烟 python main.py --data-path ./my_leaf --model crossvit --batch-size 8 --epochs 1 --output_dir ./runs/mine如果类别数和预训练权重不匹配加载时分类头会报 size mismatch这是正常的把分类头单独初始化即可backbone 权重仍然可用。5.2 分类结果到施药量的映射精准施药的核心是把「病害类别 置信度 病斑面积占比」映射成喷量。常见做法是设一个分级表病害等级判定条件施药策略健康置信度 0.9 且健康类不喷或减量轻度病斑类置信度 0.6~0.8常规剂量 70%中度病斑类置信度 0.8~0.9常规剂量 100%重度病斑类置信度 0.9 且面积占比高常规剂量 120% 并标记复飞置信度直接取softmax输出最大值面积占比可以用分割或简单阈值统计病斑像素比例。这张表可以根据实际药剂说明调整但分级思路是通用的。5.3 验证模型是否真的可用别只看准确率。做一次混淆矩阵重点看相邻病害之间有没有互相误判。早疫病和晚疫病在视觉上接近如果这两类互相错分率高说明模型学到的特征不够细需要加局部裁剪增强或换更高分辨率输入。再抽 20 张田间实拍图做盲测田间图和实验室图的分布差异往往比想象中大。# 快速画混淆矩阵 from sklearn.metrics import confusion_matrix import seaborn as sns cm confusion_matrix(all_labels, all_preds) sns.heatmap(cm, annotTrue, fmtd, xticklabelsclass_names, yticklabelsclass_names)从那以后我每次拿到这类分类工程都强制先跑一遍混淆矩阵再谈精度因为准确率会骗人混淆矩阵不会。希望这份拆解帮到你把源码跑成自己能改的东西才算真正拿到手。本文还有配套的精品资源点击获取 基于Python的无人机病虫害识别与精准施药系统源码解析
简介这份资源面向计算机、人工智能及农业工程相关专业的本科生与研究生提供一套基于Python实现的无人机病虫害智能识别与精准施药系统完整方案可用于毕业设计、课程设计或项目开发练手。项目围绕无人机航拍图像展开涵盖数据加载与增强、模型训练与验证、分类推理等环节并配套项目说明文档便于理解整体技术路线与模块划分。压缩包共25个文件以15个py源码文件为核心辅以6个pyc编译文件、2个txt说明、1份pdf项目文档及license授权文件整体约4.74MB结构紧凑、便于快速部署与二次开发。目前已有61人学习关注。源码经过严格测试读者可据此掌握从数据集构建、模型训练到施药决策的完整流程并在此基础上替换数据集或调整网络结构延伸出更多农业智能识别应用。1. 从一份能跑通的病虫害识别源码说起植保无人机拍回来的叶片图像十张里有三张是逆光、两张带运动模糊剩下五张还混着健康叶和病斑叶。人工分拣不现实直接上通用分类模型又经常把「早疫病」认成「晚疫病」。这份基于 Python 的无人机病虫害智能识别与精准施药系统源码解决的正是从图像到施药决策这一段链路它把分类网络、数据加载、训练引擎、采样策略和推理脚本拆成了独立模块目录里能看到main.py、engine.py、datasets.py、samplers.py、trans.py、crossvit.py、classify.py、valid.py、test_leaf.py这些文件外加一份系统说明 PDF。适合正在做毕业设计、课程设计或者想拿一套结构完整的视觉分类工程做二次开发的人。它不是玩具脚本而是一个带训练、验证、推理入口的完整工程骨架下面按「能跑起来 → 能改参数 → 能避坑」的顺序拆开讲。2. 工程结构与运行链路先搞清楚每个文件干什么拿到一个压缩包最忌讳上来就python main.py。这个项目的文件命名有比较明显的工程习惯先花十分钟把职责理清楚后面调参和排错会省很多时间。2.1 目录职责拆解从文件清单看核心可以分成四层层级文件职责入口层main.py、main_vaild.py、valid.py、test_leaf.py训练入口、验证入口、单叶测试入口引擎层engine.py训练/验证循环epoch 调度指标统计数据层datasets.py、trans.py、samplers.py数据集封装、图像增强、采样策略模型层models/、crossvit.py、t2t网络定义含 CrossViT 与 T2T 结构utils.py是通用工具classify.py大概率是分类推理封装run_with_submitit.py用于多卡或集群提交requirements.txt锁依赖log.txt是运行日志。__pycache__里的.pyc说明作者在 Python 3.10 环境下跑过这点对复现很关键。2.2 环境准备与依赖安装先确认 Python 版本。.pyc文件名带cpython-310说明原始环境是 3.10。用 3.8 或 3.11 有可能在个别依赖上翻车建议直接对齐。# 建议用 conda 建独立环境避免污染系统 Python conda create -n pestdrone python3.10 -y conda activate pestdrone # 安装依赖requirements.txt 里通常锁了 torch/torchvision/timm 等 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple逻辑说明-i指定国内镜像源requirements.txt里如果锁了 CUDA 版本的 torch装完要用python -c import torch; print(torch.cuda.is_available())验证。参数上如果本机没有 NVIDIA 显卡把 torch 换成 CPU 版即可但训练会慢到不适合做完整实验建议至少用一张 8G 显存的卡。2.3 训练入口的参数结构main.py一般用 argparse 组织参数。常见做法是数据集路径、模型名、batch size、学习率、epoch 数、输出目录这几项。跑之前先看--helppython main.py --help如果输出里能看到--data-path、--model、--batch-size、--epochs、--output_dir这类字段说明入口是标准的。第一次跑建议用小 epoch 和小子集验证链路# 小规模冒烟测试确认数据能读、模型能前向、loss 能下降 python main.py \ --data-path ./data/leaf \ --model crossvit \ --batch-size 8 \ --epochs 2 \ --output_dir ./runs/smoke逻辑说明--batch-size 8是为了在显存不足时也能跑通--epochs 2只验证流程不追求精度。跑完看./runs/smoke下有没有生成权重和日志。如果这里就报错问题基本在数据路径或依赖版本不用往下调模型。2.4 数据组织与增强链路datasets.py负责把图像和标签对应起来trans.py负责增强。病虫害图像分类通常按ImageFolder结构组织data/leaf/ ├── train/ │ ├── healthy/ │ ├── early_blight/ │ └── late_blight/ └── val/ ├── healthy/ ├── early_blight/ └── late_blight/trans.py里一般会定义训练增强和验证增强两套。训练侧常见的是随机裁剪、翻转、颜色抖动验证侧只做 resize 和归一化。这里有个容易忽略的点病虫害识别对颜色敏感颜色抖动幅度过大会把病斑颜色改掉反而降低精度。我一般会把ColorJitter的brightness和contrast控制在 0.2 以内saturation和hue更小甚至关掉。# trans.py 中训练增强的典型写法按项目实际结构调整 train_tf transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness0.2, contrast0.2), # 色偏别开太大 transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ])参数说明scale(0.7, 1.0)控制裁剪比例太小会把病斑裁没Normalize用的是 ImageNet 统计量如果从头训练可以换成数据集自身均值但用预训练权重就必须保持这套。3. 模型选型与训练引擎CrossViT 和 T2T 到底怎么用这个项目里出现了crossvit.py和t2t目录说明模型侧不是单一 CNN而是引入了 Transformer 类结构。选型理由和训练细节是这份源码比较有价值的部分。3.1 为什么病虫害识别会用 CrossViT叶片病斑在图像里往往只占很小一块CNN 靠堆卷积核感受野对细长病斑和边缘纹理的捕捉有限。CrossViT 的思路是用两种不同 patch 尺寸并行提特征再交叉融合大 patch 抓整体叶形和分布小 patch 抓局部病斑纹理。对「同一片叶子上既有大面积枯斑又有零星霉点」这种场景比单一尺度更稳。crossvit.py里通常定义了不同规格的模型如 crossvit_9、crossvit_15数字对应 backbone 深度。选型上如果数据集只有几千张用 crossvit_9 就够参数量小、过拟合风险低数据上万再考虑 15 或 18。t2t目录是 Tokens-to-Token 结构作用是让 Transformer 在浅层也能保留局部连续性适合病斑边界模糊的图像。3.2 训练引擎的关键参数engine.py是训练循环所在。需要重点看三处损失函数、优化器、学习率调度。# engine.py 训练循环的核心结构示意按实际文件调整 for epoch in range(args.epochs): model.train() for images, labels in train_loader: images, labels images.cuda(), labels.cuda() outputs model(images) loss criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() scheduler.step() # 按 epoch 调整学习率 acc evaluate(model, val_loader) print(fepoch {epoch} acc {acc:.4f})逻辑说明criterion一般是CrossEntropyLoss如果类别不均衡健康叶远多于病叶要加weight参数或改用 Focal Loss。scheduler.step()的位置很关键放在 epoch 末尾还是 batch 内会影响学习率曲线。optimizer.zero_grad()必须在backward()之前顺序错了梯度会累加这是新手最常见的翻车点之一。3.3 采样策略samplers.py 解决类别不均衡田间数据天然不均衡健康叶片样本多特定病害样本少。samplers.py里大概率实现了加权采样或类别平衡采样。常见做法是给每个类别按样本数倒数赋权让少数类被抽到的概率提高。# samplers.py 加权采样示意 from torch.utils.data import WeightedRandomSampler class_counts [1200, 300, 150] # 三个类别的样本数 weights [1.0 / c for c in class_counts] sample_weights [weights[label] for label in all_labels] sampler WeightedRandomSampler(sample_weights, num_sampleslen(sample_weights), replacementTrue)参数说明replacementTrue表示有放回采样少数类会被重复抽到num_samples一般设成总样本数保证每个 epoch 看到的量级一致。如果不开采样模型会倾向于全预测成多数类准确率看着高但召回率极低这在毕业设计答辩时很容易被问住。3.4 验证与单叶测试入口valid.py和test_leaf.py是两个不同粒度的验证。valid.py跑整个验证集出指标test_leaf.py大概率是拿单张叶片图做推理适合演示。跑验证时注意model.eval()和torch.no_grad()要同时加上否则 BN 层和 dropout 行为不对指标会偏低。# 验证集评估 python valid.py --data-path ./data/leaf/val --weights ./runs/smoke/best.pth # 单张叶片推理 python test_leaf.py --image ./samples/leaf_01.jpg --weights ./runs/smoke/best.pth逻辑说明--weights指向训练产出的权重文件test_leaf.py输出通常是类别名和置信度。如果单张推理结果和验证集指标差距很大先检查预处理是否一致——训练用的归一化和推理用的必须完全相同这是血泪经验。4. 避坑与常见问题排查这套源码结构完整但复现时踩坑点集中在环境、数据、显存和指标四个方向。下面五条是我实际跑这类工程时最常遇到的。4.1 报错ModuleNotFoundError: No module named models现象在项目根目录外执行python main.py提示找不到models模块。原因Python 的模块搜索路径以当前工作目录为准不在根目录跑就找不到同级包。解决cd到项目根目录再执行或者用python -m main的方式运行。如果必须在外部调用在入口文件顶部加sys.path.append(os.path.dirname(__file__))。4.2 训练 loss 不下降准确率卡在多数类比例现象训练几个 epochloss 几乎不动验证准确率等于健康叶占比。原因类别不均衡且没启用采样模型学到「全猜多数类」就能拿到不低的准确率。解决确认samplers.py是否被真正接入DataLoader检查sampler参数有没有传进去。同时把评估指标从 accuracy 换成 macro-F1 或每类召回率才能看出真实效果。4.3 CUDA out of memory现象跑到第二个 batch 就报显存不足。原因batch size 过大或者 CrossViT 的 patch 分辨率太高。解决先把--batch-size降到 4 或 8再考虑把输入分辨率从 224 降到 192。如果还不够开启梯度累积模拟大 batch。别一上来就换小模型先确认是不是分辨率吃掉了显存。4.4 验证指标远低于训练指标现象训练集准确率 0.95验证集只有 0.6。原因增强过强、数据量太小、或者验证集预处理和训练不一致。解决先检查trans.py里验证增强是否只做了 resize 和归一化。再确认训练集和验证集有没有图像重叠。如果数据确实少加权重衰减和早停别硬训到过拟合。4.5test_leaf.py推理结果全是同一类现象换不同叶片图输出类别不变。原因推理时的归一化参数和训练不一致或者权重没加载成功。解决打印权重加载的 key 匹配情况确认load_state_dict没有大量 missing keys。再逐行对比推理预处理和训练预处理均值方差必须一模一样。提示每次改完数据增强或归一化都要重新跑一遍单张推理验证别只看训练日志。5. 从能跑到好用迁移到自己的数据集与施药决策衔接把工程跑通只是第一步真正决定这份源码价值的是能不能换成自己的数据、能不能把分类结果接到施药逻辑上。5.1 替换数据集的最小改动路径假设你手上有自己采集的叶片图像按ImageFolder结构放好然后改三处datasets.py里的类别名列表、main.py里的--data-path、以及如果有硬编码类别数的地方分类头输出维度。分类头维度必须等于类别数改完先跑一次--epochs 1确认不报维度错误。# 换成自己的数据后先冒烟 python main.py --data-path ./my_leaf --model crossvit --batch-size 8 --epochs 1 --output_dir ./runs/mine如果类别数和预训练权重不匹配加载时分类头会报 size mismatch这是正常的把分类头单独初始化即可backbone 权重仍然可用。5.2 分类结果到施药量的映射精准施药的核心是把「病害类别 置信度 病斑面积占比」映射成喷量。常见做法是设一个分级表病害等级判定条件施药策略健康置信度 0.9 且健康类不喷或减量轻度病斑类置信度 0.6~0.8常规剂量 70%中度病斑类置信度 0.8~0.9常规剂量 100%重度病斑类置信度 0.9 且面积占比高常规剂量 120% 并标记复飞置信度直接取softmax输出最大值面积占比可以用分割或简单阈值统计病斑像素比例。这张表可以根据实际药剂说明调整但分级思路是通用的。5.3 验证模型是否真的可用别只看准确率。做一次混淆矩阵重点看相邻病害之间有没有互相误判。早疫病和晚疫病在视觉上接近如果这两类互相错分率高说明模型学到的特征不够细需要加局部裁剪增强或换更高分辨率输入。再抽 20 张田间实拍图做盲测田间图和实验室图的分布差异往往比想象中大。# 快速画混淆矩阵 from sklearn.metrics import confusion_matrix import seaborn as sns cm confusion_matrix(all_labels, all_preds) sns.heatmap(cm, annotTrue, fmtd, xticklabelsclass_names, yticklabelsclass_names)从那以后我每次拿到这类分类工程都强制先跑一遍混淆矩阵再谈精度因为准确率会骗人混淆矩阵不会。希望这份拆解帮到你把源码跑成自己能改的东西才算真正拿到手。本文还有配套的精品资源点击获取