简介面向YOLO系列目标检测的作物杂草数据集专为农业场景下的目标识别、算法训练与模型验证而设计适合目标检测初学者、农业AI开发者和算法评测人员使用。压缩包内共有六百零一个文件包含二百张JPG原图、二百份YOLO格式文本标签、二百份VOC格式XML标签以及一份数据配置文件总大小约一百八十六兆字节。两种标签格式均采用归一化坐标类别索引从零开始中心点与宽高信息完整可被YOLOv5、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLO11等主流算法直接读取免去手动格式转换。数据集已事先划分好训练集、验证集与测试集配合配置文件即可直接启动训练与评估实现开箱即用。目前已有约一百零六人学习下载适合需要标准农业数据集快速跑通实验、对比算法性能的开发者。1. 拿到一份200张的作物杂草YOLO数据集先别急着训练做农业视觉的人应该都有这种经历从网上下载一个zip包解压一看200张图像带YOLO格式的txt标签类别是作物和杂草。第一反应是“这能训练出什么来”第二反应是“先跑起来再说”。这个标题指向的正是这类在真实项目里最常见的资源——不是几千张的公开大模型数据集而是刚好够做一次完整流程验证的小样本集合。它解决的不是“刷高精度”的问题而是“从零把YOLO在自家场景跑通”的问题。对于刚接触目标检测的开发者这份200张的带标签数据是很好的入门材料它足够小小到一张消费级显卡几分钟就能迭代一轮标注格式标准YOLO格式直接能被YOLOv5/v8系列读取场景聚焦在作物与杂草语义清晰类别少适合用来理解训练、验证、推理的完整闭环。但要真把它当生产数据用就得先弄清楚这份数据集的底细——标注质量、类别分布、图像分辨率、场景多样性任何一个环节有问题后面调参全是白费功夫。这篇文章就顺着这条线从数据集验证讲到训练参数再讲到我实际踩过的那些坑。2. 解压后的第一步先给这份数据集做个体检拿到zip包别急着把路径写进训练脚本。我先花十分钟做数据体检这一步能省下后面好几个小时的排查时间。体检的核心是四件事标签格式是否统一、类别ID是否连续、图像与标签是否一一对应、图像尺寸是否适合YOLO的输入要求。2.1 检查目录结构与YOLO格式的完整性常见做法是解压后得到images和labels两个目录分别存放.jpg图像和同名的.txt标注文件。但网上流传的数据集常常不是这么规整可能标签和图像混在一起或者嵌套了好几层目录。我一般先用一条命令把结构摸清楚# 进入解压后的数据集根目录 cd crop_weed_dataset # 统计图像和标签文件数量 find images -type f | wc -l find labels -type f | wc -l # 找出没有对应标签的图像或反过来的孤儿标签 for img in images/*.jpg; do base$(basename $img .jpg) if [ ! -f labels/$base.txt ]; then echo orphan image: $img fi done # 看一眼标签文件的实际内容 head -5 labels/000001.txt逻辑说明第一条find用于确认图像和标签的数量是否一致200张图像就应该对应200个txt文件。孤儿图像检查脚本是排查脏数据的利器删除没有标签的图像可以避免训练时YOLO报“找不到标签”的错。head查看标签文件内容是为了确认是不是标准的class_id x_center y_center width height格式且坐标值是否归一化到0~1之间。参数说明YOLO格式的坐标是归一化后的相对坐标范围在0到1。如果解压后的标签文件里出现绝对值坐标比如640、480这种说明这份数据集要么标注工具配置错了要么被人为转换过直接用会让边界框跑出图像范围。另外类别ID必须从0开始连续编号如果标签里出现class_id5但总共只有两类那肯定有问题。2.2 类别分布与标注质量的快速评估读完标签格式接着要统计每个类别的样本数。200张图看着不多但如果是杂草占多数而“作物”只有几十个实例训练出来的模型会对少数类别严重偏向。我有个小习惯先数类别再数实例。# 统计所有标签里各类别的框数量 cat labels/*.txt | awk {print $1} | sort | uniq -c # 检查标签文件是否为空有图像但无标注 find labels -type f -empty | wc -l逻辑说明第一行命令把全部标签文件的第一个字段类别ID提取出来排序后统计数量。比如输出150 0和80 1表示类别0有150个框类别1有80个框。如果某类只有十几个实例那这类基本训练不出来。第二行检查空标签文件——图像里确实什么目标都没有这种图可以直接从训练集里删掉YOLO遇到空标签会跳过该图像纯属浪费时间。参数说明类别统计数值直接决定后面的类别权重设置。如果两类差距在3倍以上我一般会在损失函数里给少数类更高的权重或者干脆用class_weights参数强制平衡。这里要特别注意200张图像里可能某个类别的实例数只有20个这时即使加了权重效果也有限最有效的做法是后续做针对性数据增强下采样或裁剪出更多包含该类别的小图参与训练。2.3 标签可视化用脚本确认边界框没标错只看数字还不够我的习惯是直接把标签画到图像上肉眼扫一遍。视觉检查能发现统计数字看不出的问题比如框比目标大了一倍、框的位置完全偏了、标注框把两个目标框在一起等。这也是所有数据检查里最值得花时间的一步。import cv2 with open(labels/000001.txt, r) as f: lines f.readlines() img cv2.imread(images/000001.jpg) h, w img.shape[:2] for line in lines: cls, x_center, y_center, bw, bh map(float, line.split()) x1 int((x_center - bw / 2) * w) y1 int((y_center - bh / 2) * h) x2 int((x_center bw / 2) * w) y2 int((y_center bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(cls)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imwrite(visualize/000001.jpg, img)逻辑说明脚本按YOLO格式把归一化坐标换算成像素坐标再用OpenCV画框。x_center - bw / 2是为了把中心点表示转换成左上角表示这是画框最常见的换算方式。可视化输出可以一次性批量跑完200张图再抽看30张左右。我通常重点关注两类问题一是框是否紧贴目标边缘二是框是否包含了大片背景。作物杂草场景里出现后者的概率极高因为杂草的叶片边缘不规则标注员很容易图省事画个大矩形把整株草框进去这会让模型学到的特征包含大量背景噪声。3. 把zip变成YOLO能直接训练的格式目录划分与数据配置体检没问题接下来把数据集划分成训练集和验证集。200张图太少不用再单独拆测试集——验证集已经足够说明模型在小样本上的过拟合情况。常见的做法是按8:2划分即160张训练、40张验证。YOLOv5和YOLOv8都支持通过data.yaml文件指定路径和类别名目录结构不一定要按官方示例来但保持images和labels并列是最省心的。3.1 用脚本划分数据集并生成data.yamlimport os import random import shutil random.seed(42) image_dir images label_dir labels train_image_dir train/images train_label_dir train/labels val_image_dir val/images val_label_dir val/labels for d in [train_image_dir, train_label_dir, val_image_dir, val_label_dir]: os.makedirs(d, exist_okTrue) all_images [f for f in os.listdir(image_dir) if f.endswith(.jpg)] random.shuffle(all_images) val_count int(len(all_images) * 0.2) val_images all_images[:val_count] train_images all_images[val_count:] for img in train_images: shutil.copy(os.path.join(image_dir, img), train_image_dir) label_name img.replace(.jpg, .txt) shutil.copy(os.path.join(label_dir, label_name), train_label_dir) for img in val_images: shutil.copy(os.path.join(image_dir, img), val_image_dir) label_name img.replace(.jpg, .txt) shutil.copy(os.path.join(label_dir, label_name), val_label_dir) print(ftrain: {len(train_images)}, val: {len(val_images)})逻辑说明这个脚本把图像和对应的标签一起移动或复制到新的目录中。random.seed(42)保证每次运行划分结果一致这样如果训练效果有变化可以排除是数据划分不同造成的。验证集比例设为20%在200张的规模下这已经是极限——再多的验证集会挤占训练数据再少的验证集会失去评估意义。YOLO要求在训练时保持图像和标签的相对目录结构一致即images/1.jpg对应labels/1.txt分别放到train和val的子目录里就行。参数说明这里的核心参数是val_count int(len(all_images) * 0.2)200张图得到40张验证图像。如果你的图像中有严重的类别不平衡建议改成按类别分层抽样——保证验证集里各类别比例与全量数据一致而不是简单随机抽样。另外shutil.copy会在硬盘上复制一份数据占用双倍空间如果你的存储紧张可以用os.rename替代但要注意原始数据会被移动后续想重划分就得重新解压了。3.2 写一份干净的data.yaml数据划分完成后需要一份data.yaml告诉YOLO去哪儿找数据、有哪些类别。这个文件是训练命令的入口好多人在这一步把路径写错导致训练时报File not found。train: ./train/images val: ./val/images nc: 2 names: [weed, crop]逻辑说明train和val填的是相对路径相对于当前工作目录。nc表示类别数量这里我假设类别0是杂草、类别1是作物具体顺序要和标签文件里的ID一致。names列表的顺序必须与标签文件里的class_id对应——ID为0的名字放在第一位。这份文件放到数据集根目录下训练时用--data data.yaml指定。参数说明如果训练时报图像路径找不到把train:改成绝对路径是最快的解决办法。但绝对路径有个问题换一台机器就要改文件。我一般倾向于把data.yaml和数据集放在一起训练命令在数据集根目录下执行这样相对路径就不会出错。另外nc: 2必须与标签文件里的最大类别ID1一致如果标签里出现class_id2这里要写nc: 3否则训练会报索引越界的错误。4. 训练参数的设定200张图像下怎么调YOLO才不翻车数据集准备好了进入训练阶段。这里要先泼一盆冷水用200张图直接从头训练YOLO结果只会是损失值降不下去、mAP惨不忍睹。正确的做法是用预训练权重做迁移学习把YOLO在COCO上学到的底层特征复用过来。YOLOv5和YOLOv8都提供COCO预训练权重训练时指定--weights yolov8n.pt即可自动下载也可以手动下载后放到本地目录。4.1 选择模型规模与预训练权重200张图对应的小数据集模型规模必须小。YOLOv8有n/s/m/l/x五个档次这里只推荐nnano或ssmall。原因很简单模型参数量越大需要的数据越多。nano模型约3百万参数small约11百万参数在200张图上nano的过拟合风险远小于small。即便感觉精度不够也应该先跑通nano确认数据没问题的前提下再尝试small。# 在数据集根目录执行假设data.yaml已就位 yolo train taskdetect \ modelyolov8n.pt \ datadata.yaml \ epochs200 \ imgsz640 \ batch16 \ device0 \ workers4 \ cacheTrue逻辑说明这是YOLOv8的CLI训练命令。taskdetect指定目标检测任务modelyolov8n.pt指定用nano规模的COCO预训练权重框架会自动下载权重文件。epochs200在小数据集上不算多——200张图的训练很快每一轮大约几秒钟200轮也就一刻钟的事。batch16是显存允许范围内的较大值batch大能让BN层统计更稳定。cacheTrue把图像预加载到内存里省去了每轮迭代读盘的I/O时间。参数说明imgsz640是YOLO系列的默认输入尺寸如果你的图像分辨率高于1280可以把imgsz调到960或1280但代价是显存占用成倍增加。workers4是数据加载的并行进程数Windows下如果多进程报错就改成0Linux下默认4~8都没问题。这里特别要关注batch——200张图除以16每个epoch只有10个batchBN层的统计量会很不稳定但这也是小数据集必须忍受的。有条件的可以试试batch32但前提是显存能装下。4.2 数据增强参数小数据集的救命稻草YOLOv8默认开启了Mosaic增强、翻转、缩放等策略但这些默认参数针对的是COCO这种大数据集。在200张图上增强过猛会导致模型看到的是变形严重的伪样本增强太弱又等于白搭。我的习惯是保留Mosaic但降低强度同时开启HSV扰动来模拟不同光照下的作物杂草外观。yolo train taskdetect \ modelyolov8n.pt \ datadata.yaml \ epochs200 \ imgsz640 \ batch16 \ device0 \ mosaic0.6 \ hsv_h0.015 \ hsv_s0.5 \ hsv_v0.4 \ fliplr0.5 \ scale0.4逻辑说明mosaic0.6表示有60%的概率使用Mosaic增强把四张图拼成一张训练。原始版本的Mosaic概率是1.0在200张的规模下会让模型看到的都是拼接图泛化能力反而变差。hsv_h/s/v控制色相、饱和度、亮度的随机扰动幅度作物杂草的识别通常依赖颜色和纹理特征适度的HSV扰动可以模拟早晨、正午、傍晚的光照差异。scale0.4允许图像随机缩放40%让模型对不同尺度的杂草更鲁棒。参数说明这些增强参数没有标准答案要靠验证集mAP来反馈。如果训练一轮后验证集mAP明显低于训练集说明增强不足导致过拟合就调大hsv_v或scale。如果训练集损失都降不下去说明增强太猛模型学不到稳定的模式就回调mosaic和scale。这种调参是个玄学过程但大方向是清晰的小数据集上优先保证模型能拟合训练集再通过增强提升泛化。5. 常见问题避坑五个最容易翻车的地方小数据集训练YOLO翻车的点位相对集中。我把过去做农业视觉项目遇到的排查经验整理成五条每条都是现象、原因、解决的结构按出现的频率排序。5.1 训练loss正常但验证集mAP趋近于0这是最高频的问题现象是训练损失值一路下降但每个epoch结束后的验证mAP都是0或接近0让人怀疑是不是评估代码有bug。原因绝大多数是类别ID与data.yaml里的顺序不一致——标签文件里class_id0是杂草但names列表里第一位写的是crop模型学到的映射关系全乱了。解决方法是回到2.2节的统计命令重新确认标签里类别ID的实际分布然后严格按ID顺序修改data.yaml里的names。另外一个原因是我的血泪经验验证集里恰好只有某一类的样本而训练集里另一类的样本也极少模型在验证阶段完全没有见过某些类别的特征。这时回看2.2节统计的每类实例数如果某类少于30基本没法收敛出可用模型。5.2 训练时报“assert labels is not a subset”这个报错在YOLOv5里常见YOLOv8里表现为训练中断并提示标签路径不存在。现象就是训练脚本启动后秒退没有进入epoch循环。原因多半是数据集划分脚本有bug——部分图像被复制到了train/images但对应的txt没有被复制导致YOLO在校验数据完整性时发现标签缺失。解决方法是重新检查3.1节的复制逻辑确保每次复制图像时都同步复制同名txt并且用前面的孤儿图像检查脚本再跑一遍。5.3 显存不足导致训练崩溃现象是训练跑到第几个batch时报CUDA out of memory进程直接退出。原因是imgsz640加上batch16在显存小于8GB的卡上确实会爆。解决方式有降batch到8或者降imgsz到480。也有一个黑匣子式的技巧YOLOv8在训练时默认开cacheTrue这把数据提前加载到内存但显存占用不受影响真正吃显存的是模型激活值所以调batch是最直接的解法。5.4 预测时框的位置偏移严重训练完成的模型在单张图上预测框要么偏上要么偏下和真实目标位置错开。这通常发生在用不同分辨率的图像训练和推理时——训练用了imgsz640推理时输入图是1920x1080YOLO会先做letterbox缩放如果推理脚本没有按同样的letterbox方式预处理框的坐标映射就全偏了。解决方法是推理时使用YOLO自带的predict方法它会自动处理resize和letterbox不要手动用OpenCV缩放后再喂给模型。5.5 验证集的损失上升但mAP也在上升这个小众但坑人训练集损失稳定下降验证集损失在某轮之后开始回升但mAP反而涨了。原因在于验证集损失和mAP不是同一个指标——损失衡量的是框回归和分类的综合误差mAP看的是预测框和真实框的IoU是否超过阈值。在200张规模下验证集本身波动极大某几个框被修正到位就可能让mAP跳升而其他框的回归误差让整体损失变大。这种情况不用太焦虑以mAP为准取mAP最高的那轮权重做推理即可。6. 把200张当2000张用迁移学习与针对性增强的实操顺序有了能跑的模型接下来要解决的是如何在这个小数据集上把性能再往上推一截。我的习惯是分三步走先用训练好的nano模型做一次全量推理把预测错的图像收集起来然后对这些困难样本做针对性增强扩充训练集最后用扩充后的数据微调模型。第一步是错误样本分析。用训练好的模型对160张训练图做预测把IoU低于0.5的检测结果对应的图像存到一个hard_examples目录里。注意误检和漏检都要看——在作物杂草场景中漏检通常发生在杂草与背景颜色相近的图像上误检则是作物叶片被当成了杂草。这一步不需要额外代码YOLO的predict模式输出结果里包含置信度低于阈值的基本都是问题样本。第二步是针对性数据增强。对于颜色相近导致的漏检增加hsv_v扰动强度模拟不同光照对于小目标漏检把原图裁剪成若干个子图让杂草在画面中占比更大。我常用的做法是写一个Python脚本对困难样本做随机裁剪裁剪尺寸设为原图的50%~80%同时保留标签文件中的对应框。import cv2 import random import os src_img_dir hard_examples/images src_label_dir hard_examples/labels dst_img_dir augmented/images dst_label_dir augmented/labels for fname in os.listdir(src_img_dir): if not fname.endswith(.jpg): continue img cv2.imread(os.path.join(src_img_dir, fname)) h, w img.shape[:2] label_file fname.replace(.jpg, .txt) with open(os.path.join(src_label_dir, label_file), r) as f: lines f.readlines() for i in range(3): # 每张困难样本生成3个裁剪 cw int(w * random.uniform(0.5, 0.8)) ch int(h * random.uniform(0.5, 0.8)) x1 random.randint(0, w - cw) y1 random.randint(0, h - ch) crop img[y1:y1ch, x1:x1cw] new_h, new_w crop.shape[:2] # 生成新标签坐标要换算到裁剪图坐标系 new_lines [] for line in lines: cls, xc, yc, bw, bh map(float, line.split()) abs_x1 xc * w abs_y1 yc * h abs_x2 (xc bw / 2) * w abs_y2 (yc bh / 2) * h # 只保留与裁剪区域有交集的框 cx1 max(abs_x1, x1) cy1 max(abs_y1, y1) cx2 min(abs_x2, x1 cw) cy2 min(abs_y2, y1 ch) if cx2 cx1 or cy2 cy1: continue # 重新计算YOLO归一化坐标 nxc ((cx1 cx2) / 2 - x1) / new_w nyc ((cy1 cy2) / 2 - y1) / new_h nbw (cx2 - cx1) / new_w nbh (cy2 - cy1) / new_h new_lines.append(f{int(cls)} {nxc:.6f} {nyc:.6f} {nbw:.6f} {nbh:.6f}\n) if not new_lines: continue new_name f{fname[:-4]}_crop{i}.jpg cv2.imwrite(os.path.join(dst_img_dir, new_name), crop) with open(os.path.join(dst_label_dir, new_name.replace(.jpg, .txt)), w) as f: f.writelines(new_lines) print(augmentation done)逻辑说明脚本从困难样本里随机裁剪出子图裁剪尺寸在原图的50%到80%之间扩大目标在画面中的比例。关键逻辑在坐标换算部分——裁剪后原来以原图尺寸为基准的归一化坐标必须重新映射到裁剪图的坐标系里。先还原成绝对像素坐标扣除裁剪起点(x1, y1)再除以裁剪图的宽高得到新的归一化坐标。裁剪时只保留与裁剪区域有交集的标注框完全在裁剪区域外的框直接丢弃。参数说明每张困难样本生成3个裁剪增强后训练集大约会新增几十张图像相当于把困难样本的重要性放大了。random.uniform(0.5, 0.8)控制裁剪尺寸太小会让目标完全占满画面失去上下文太大会让困难样本的特性消失。类别ID不变因为裁剪不会改变目标类别。第三步是用扩充后的数据集微调。把新增的增强图像混入原训练集重新划分目录然后在之前训练好的模型基础上继续训练。在YOLOv8里指定modelbest.pt继续跑一遍同样的训练命令。此时模型已经学过了基础特征微调的主要目的是适配新增的样本分布。注意epochs可以降到原来的三分之一因为迁移学习收敛快多了反而过拟合。最后说一件我自己的教训最早做这类小数据集训练时我迷信调参把learning_rate、momentum、weight_decay挨个试了一遍后来才发现最有效的提升始终是数据侧的改动——清理错误标签、针对困难样本做增强、纠正类别映射。模型结构是黑匣子但数据质量是可控的与其在训练参数里反复横跳不如回数据里把漏检误检的样本翻出来看一遍。200张图本身做不出生产级模型但利用这200张图把整套流程、验证方法和调优思路跑通再带着这套流程去采集更多数据才是这份数据集真正的价值。希望这些细节对你的项目有帮助。本文还有配套的精品资源点击获取