简介这份资源面向从事农业虫害智能监测、目标检测算法练习与课程设计的研究者与开发者提供柑橘害虫检测的YOLOv5格式数据集可直接投入训练省去格式转换与标注整理环节。数据聚焦苍蝇与木虱两类害虫图像为1000至4000像素的大尺度RGB实拍图覆盖真实果园场景适合检验模型对小目标与高分辨率输入的适应能力。压缩包共603个文件以301个txt标注文件、300张jpeg图像为主另附1个可视化py脚本与1张png示意图整体约260MB其中训练集含240张图片及对应标签验证集含60张图片及对应标签并给出2类别文本信息。可视化脚本无需修改即可运行随机传入一张图片便能绘制边界框并保存到当前目录便于快速核查标注质量。目前已有402人学习适合作为虫害检测入门与算法对比的实用数据基础。1. 柑橘害虫检测数据集2 类别、YOLOV5 目录格式到底解决了什么问题柑橘园的虫害防治有个尴尬现实果农发现叶片卷曲、果实出现蛀孔时往往已经错过最佳施药窗口。人工巡园一天走下来能覆盖的株数有限而且不同人对虫态的识别标准不一致。把这件事交给视觉模型前提是得有一份标注规范、目录结构统一、能直接喂给 YOLOV5 训练流程的数据集。这份柑橘害虫检测数据集就是干这个的——2 个类别训练集和验证集分开目录格式对齐 YOLOV5 的要求拿到手改个 data.yaml 就能开跑。它适合三类人一是做农业视觉方向、想快速验证检测方案可行性的算法同学二是手里有果园图像但不知道怎么整理成训练格式的工程人员三是拿它当目标检测练手项目、想跑通「数据集到推理」完整链路的学习者。2 类别意味着任务本身不复杂模型收敛快单卡就能训重点不在堆算力而在把数据组织、标注校验、训练配置这几步做扎实。下面从目录结构讲起一路讲到训练、评估和踩坑。2. YOLOV5 目录格式拆解从 images/labels 到 data.yaml 的完整链路2.1 为什么 YOLOV5 认这套目录而不是别的YOLOV5 的数据加载逻辑写在 datasets.py 里它不关心你的图片叫什么名字只认两件事图片路径和对应的标签路径之间存在可推导的映射关系。默认规则是把路径里的/images/替换成/labels/再把扩展名换成.txt。所以只要你的目录满足这个替换规则YOLOV5 就能自动配对不需要额外写索引文件。常见做法是长这样citrus_pest/ ├── images/ │ ├── train/ │ │ ├── 0001.jpg │ │ └── ... │ └── val/ │ ├── 0101.jpg │ └── ... ├── labels/ │ ├── train/ │ │ ├── 0001.txt │ │ └── ... │ └── val/ │ ├── 0101.txt │ └── ... └── data.yaml注意 images 和 labels 是同级目录train/val 各自对应。很多人第一次整理时把 labels 塞进 images 里面结果训练时提示找不到标签翻车就翻在这里。YOLOV5 的路径替换是字符串级别的images/train/0001.jpg替换后得到labels/train/0001.txt如果你的实际结构是images/train/labels/0001.txt那自然对不上。标签文件是每行一个目标格式为class_id x_center y_center width height后四个值都是归一化到 0~1 的相对坐标。这里有个容易忽略的点归一化用的是整张图的宽高不是标注框的宽高。我见过有人把宽高也按框自身归一化训练 loss 一直不降排查半天才发现是标注坐标算错了。2.2 把原始标注转成 YOLO txt脚本与参数说明假设你手里是 LabelImg 导出的 XMLVOC 格式或者从标注平台导出的 JSON需要转成 YOLO txt。下面这个脚本处理 VOC XML逻辑清晰改几行就能适配其他格式import xml.etree.ElementTree as ET import os # 类别映射根据你的数据集实际类别名修改 CLASS_MAP {citrus_leaf_miner: 0, citrus_aphid: 1} def voc_to_yolo(xml_path, img_w, img_h, out_path): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text.strip() if name not in CLASS_MAP: continue # 跳过未定义类别避免训练时类别越界 cls_id CLASS_MAP[name] bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 转为中心点 宽高再归一化 x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h # 裁剪到 [0,1]防止标注越界导致训练异常 x_center min(max(x_center, 0.0), 1.0) y_center min(max(y_center, 0.0), 1.0) w min(max(w, 0.0), 1.0) h min(max(h, 0.0), 1.0) lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines))逻辑说明先读 XML 里的 object 节点拿到类别名和边界框坐标。类别名通过 CLASS_MAP 转成 0/1 的整数 ID这一步必须和 data.yaml 里的 names 顺序一致否则模型学到的类别会错位。坐标转换是核心xmin/ymin/xmax/ymax 是绝对像素值先算中心点和宽高再分别除以图片宽高做归一化。最后裁剪到 [0,1] 是防御性写法实际标注里偶尔会出现框超出图片边界的情况不裁剪的话 YOLOV5 会警告甚至报错。参数说明img_w 和 img_h 必须用该图片的真实尺寸不能统一用某个固定值。如果你的图片尺寸不一致建议在转换前先统一 resize或者转换时逐张读取尺寸。CLASS_MAP 的键要和标注文件里的 name 完全匹配大小写敏感。2.3 data.yaml 的四个字段与路径写法data.yaml 是 YOLOV5 训练时的入口配置字段不多但每个都关键path: /data/citrus_pest # 数据集根目录 train: images/train # 相对 path 的训练图片目录 val: images/val # 相对 path 的验证图片目录 nc: 2 # 类别数 names: [citrus_leaf_miner, citrus_aphid] # 类别名顺序对应 class_idpath 写绝对路径最稳妥train 和 val 写相对 path 的路径。names 列表的顺序就是 class_id 的顺序0 对应第一个1 对应第二个。如果你只有 2 个类别但 names 写了 3 个训练时不会立刻报错但评估阶段计算 mAP 时会出现类别对不上的问题。nc 必须等于 len(names)这是硬性约束。提示data.yaml 里不要写中文路径YOLOV5 在某些环境下对非 ASCII 路径处理不稳定容易在 DataLoader 阶段报编码错误。3. 用这份数据集跑通 YOLOV5 训练环境、命令与参数调优3.1 环境配置conda 建环境到依赖安装YOLOV5 对环境的要求不算苛刻但版本对不上会出各种玄学问题。我一般用 conda 建一个干净环境Python 选 3.8 或 3.9这两个版本和 PyTorch 的兼容性最稳conda create -n yolo5 python3.9 -y conda activate yolo5 # 安装 PyTorch根据你的 CUDA 版本选对应命令 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 克隆 YOLOV5 源码后安装依赖 git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txtCUDA 版本用nvidia-smi看右上角的 CUDA Version然后去 PyTorch 官网找对应安装命令。如果装完torch.cuda.is_available()返回 False大概率是 PyTorch 版本和驱动不匹配卸载重装比折腾环境变量快。3.2 训练命令与关键参数怎么设数据准备好之后训练命令本身不复杂python train.py \ --data /data/citrus_pest/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0 \ --project runs/train \ --name citrus_exp1参数逐个说--weights yolov5s.pt用预训练权重2 类别的任务从 COCO 预训练模型微调收敛速度比从头训快很多通常 50~100 epoch 就能到不错的 mAP。--img 640是输入分辨率柑橘害虫目标通常不大640 是起点如果虫体在图中占比很小可以提到 1024但显存占用会翻倍。--batch 16在 8G 显存上跑 640 分辨率基本够用显存不够就降到 8或者用--batch -1让 YOLOV5 自动选。--epochs 100配合预训练权重通常足够如果验证集 mAP 在 60 epoch 后还在涨可以加到 150。--device 0指定第一块 GPU多卡用--device 0,1。--project和--name控制输出目录训练日志、权重、混淆矩阵都会存在runs/train/citrus_exp1/下面。3.3 训练过程看什么loss 曲线与 mAP 的判读训练启动后控制台会逐 epoch 打印 box_loss、obj_loss、cls_loss 和 mAP0.5。box_loss 衡量边界框回归误差obj_loss 是目标置信度cls_loss 是分类误差。三个 loss 整体趋势应该是下降的如果某个 loss 震荡剧烈或者不降对应的问题不同。box_loss 不降通常是标注框坐标有问题回头检查归一化是否正确。obj_loss 不降可能是正负样本比例失衡柑橘害虫在叶片上往往是小目标密集分布可以试试调整 anchor 或者用--rect做矩形推理。cls_loss 不降检查类别映射是否和 data.yaml 一致。mAP0.5 是主要评估指标2 类别任务在 100 epoch 后通常能到 0.85 以上如果低于 0.7先别急着调模型把验证集的可视化结果拉出来看大概率是标注质量问题。注意训练中途不要频繁中断再 resumeYOLOV5 的 resume 逻辑会恢复优化器状态但数据加载器的随机种子可能变化导致 loss 曲线出现跳变影响判断。4. 避坑与排查标注、路径、显存这三类问题最容易翻车4.1 标签文件为空或格式错误现象训练启动后提示No labels found或者某个 epoch 的 obj_loss 直接是 nan。原因标签文件为空图片里没有目标但生成了空 txt或者每行字段数不对比如只有 4 个值少了 class_id。YOLOV5 对空标签文件是容忍的但格式错误会直接导致解析失败。解决写个校验脚本遍历所有 labels 目录下的 txt检查每行是否恰好 5 个字段、class_id 是否在 [0, nc-1] 范围内、坐标是否在 [0,1] 之间。发现异常就打印文件名和行号逐个修。4.2 图片和标签文件名对不上现象训练时提示images and labels count mismatch或者某些图片被跳过。原因图片是0001.jpg标签是0001.JPG.txt或者0001_1.txt路径替换后找不到对应文件。YOLOV5 只做扩展名替换不做模糊匹配。解决用脚本批量检查 images 和 labels 目录下的文件名去掉扩展名后是否一一对应。不对应的要么改名要么删掉。我一般会在转换脚本最后加一步自动校验省得训练时才发现。4.3 显存溢出与 batch size 的取舍现象训练启动几秒后报CUDA out of memory。原因batch size 太大、img size 太大、或者模型选了 yolov5l/x 这种大模型。8G 显存跑 yolov5s 640 batch 16 是安全的但换成 yolov5m 就可能爆。解决优先降 batch从 16 降到 8 再试。如果还爆降 img 到 512。实在不行换 yolov5n。另外--workers设太大会导致内存占用高一般设 4 或 8 就够设 16 反而可能因为数据加载进程过多拖慢训练。4.4 验证集 mAP 远低于训练集现象训练集 loss 很低但验证集 mAP 只有 0.5 左右。原因训练集和验证集分布不一致比如训练集全是晴天拍摄验证集有阴天或逆光图片或者验证集里某个类别的样本太少模型没学好。解决先看混淆矩阵确认是哪个类别拖后腿。如果是样本不均衡可以在训练时用--weights加载预训练权重后冻结 backbone 先训几轮再解冻全量微调。另外检查验证集标注是否和训练集用了同一套标准标注尺度不一致也会导致 mAP 偏低。4.5 推理时检测框偏移或漏检现象用训练好的 best.pt 推理框的位置明显偏了或者小目标漏检。原因推理时的 img size 和训练时不一致YOLOV5 会做 letterbox 缩放但如果推理代码里手动 resize 没保持长宽比坐标映射就会错。小目标漏检通常是训练分辨率不够或者 anchor 尺寸不匹配。解决推理时用--img指定和训练相同的尺寸并且用 YOLOV5 自带的 detect.py它内部处理了 letterbox 和坐标还原。小目标问题可以试试在训练时加--img 1024或者用--rect做矩形训练减少 padding 带来的信息损失。5. 从 2 类别到更多类别数据增强与类别扩展的实操技巧这份数据集只有 2 个类别跑通之后如果想扩展到更多害虫种类或者提升现有类别的检测精度有几个方向可以试。第一个是数据增强。YOLOV5 内置了 mosaic、mixup、HSV 增强训练时默认开启 mosaic。对于柑橘害虫这种小目标场景mosaic 把 4 张图拼成 1 张等效于增加了小目标的出现频率效果通常不错。如果发现模型对遮挡场景表现差可以调高--mixup的比例但 mixup 对小目标不太友好容易把虫体混没建议从 0.1 开始试。第二个是类别扩展。新增类别时不需要重新标注所有旧数据只需要在新图片上标注新类别然后在 data.yaml 里把 nc 改成新的类别数names 列表追加新类别名。但要注意旧数据的标签文件里 class_id 不变新类别的 class_id 从旧的最大值往后排。如果旧数据里某个类别被合并或删除需要批量改标签文件里的 class_id这个操作不可逆改之前先备份。第三个是验证方法。训练完成后除了看 mAP我习惯用val.py跑一遍验证集加上--save-txt和--save-conf把预测结果和置信度存下来。然后写个小脚本统计每个类别的漏检和误检数量漏检多说明 recall 不够可以调低置信度阈值误检多说明 precision 不够可以调高 NMS 的 IoU 阈值。这两个参数在 detect.py 里分别是--conf-thres和--iou-thres默认 0.25 和 0.45实际部署时根据业务容忍度调整。最后一个技巧是关于 anchor 的。YOLOV5 默认 anchor 是基于 COCO 数据集聚类出来的如果你的害虫目标尺寸和 COCO 里的通用目标差异大可以跑一遍python utils/autanchor.py --data data.yaml重新聚类 anchor替换模型配置文件里的 anchor 值。这一步对 mAP 的提升通常在 1~3 个点代价是要重新训练。我自己踩过最深的坑是标注一致性。同一张叶片上不同标注人员对「虫体边界」的理解不一样有人框得紧有人框得松模型学出来的框就会忽大忽小。后来我定了个规矩标注框统一包含虫体完整轮廓不留触角不切翅膀。这个标准写进标注手册之后验证集 mAP 稳定了不少。数据质量这件事工具帮不了你只能靠规范和复核。希望帮到你。本文还有配套的精品资源点击获取