YOLO户外果园覆盆子果实与花朵目标检测数据集未成熟覆盆子目标检测YOLO26 大规模训练实践这套数据共 1678 张图标了 4 个类别未成熟覆盆子、半成熟覆盆子、成熟覆盆子 等。划分已经做好训练集 1175 张验证集 335 张测试集 168 张。标签给了 VOC 和 YOLO 两种格式data.yaml 里的路径也是配好的。下面按「数据长什么样 → 怎么训 → 怎么导出部署」的顺序过一遍训练命令、关键超参和导出示例都是能直接复制跑的。 数据集基本信息目标类别 [‘0’, ‘1’, ‘2’, ‘3’]中文类别[‘未成熟覆盆子’, ‘半成熟覆盆子’, ‘成熟覆盆子’, ‘覆盆子花’]训练集1175 张验证集335 张测试集168 张总计1678 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:4names:[0,1,2,3]️ 标注可视化数据集下载数据集下载⬇️⬇️⬇️ 点击下载数据集详细介绍YOLO户外果园覆盆子果实与花朵目标检测数据集是一个专为农业自动化场景设计的视觉数据集适用于果园中对覆盆子生长状态的监测与管理。从名称可推断该数据集聚焦于户外环境下的覆盆子种植区域主要用于识别和定位果实及花朵等关键生长阶段的物体。此类数据在智能农业、作物健康评估、产量预测以及自动化采摘系统中具有重要应用价值能够支持基于深度学习的目标检测模型在复杂自然环境中的部署与优化。数据集包含1678张高质量图像覆盖不同光照条件、季节变化和植物生长阶段确保了数据的多样性和实用性。类别数量为4类结合中文与英文类别推测可能包括“覆盆子果实”、“覆盆子花朵”、“其他植物”以及“背景”或“无目标”等具体类别定义需根据实际标注信息确认。这种多类别配置使得数据集不仅适用于果实与花朵的识别任务还可拓展至杂草识别或植株健康状况分析等更广泛的农业应用场景。在标注规范方面数据集采用了YOLO格式的标签文件每个图像对应一个txt文件记录了目标物体的类别和边界框坐标。这种标准化的标注方式便于直接用于YOLO系列模型的训练提升了模型开发效率。同时数据集的多样性与标注一致性也为模型训练提供了可靠的基础有助于提升检测精度和泛化能力尤其在复杂背景下的小目标识别上具有较高的训练价值。该数据集适合用于农业领域的计算机视觉研究与工程实践特别是在需要实时检测和分类的自动化系统中。典型应用方向包括果园智能巡检、果实成熟度评估、花朵数量统计以及病虫情早期识别等。建议在实际部署前进行数据增强处理以应对不同天气条件和拍摄角度带来的挑战。此外可结合多光谱或红外图像进一步提升检测性能推动农业智能化水平的提升。YOLO26 目标检测算法原理理解 YOLO26 的架构设计关键是抓住一个变化从多对多检测头变成默认一对一检测头这个看似小的改动牵动了整个推理管线。端到端无 NMS 推理传统 YOLO 模型在推理后需要执行非极大值抑制NMS来去除冗余检测框这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一one-to-one检测头直接输出每张图像最多 300 个检测结果(N, 300, 6)完全省去 NMS 步骤推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。无 DFL 回归YOLO26 移除了分布焦点损失Distribution Focal Loss, DFL结构检测头更加轻量。边界框回归不再受限于预设的离散区间既降低了模型复杂度又保持了同等甚至更优的回归精度。Progressive Loss 与 STAL训练过程中通过渐进损失Progressive Loss将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配STAL策略特别提升小目标的正样本标签覆盖率改善小物体检测性能。MuSGD 混合优化器创新性地将大语言模型常用的 Muon 优化器与 SGD 结合实现更稳定高效的训练收敛。相比纯 SGDMuSGD 在大 batch 训练时收敛更快且不易震荡。模型尺度与 COCO 性能YOLO26 提供 N/S/M/L/X 五种尺度模型mAP50-95CPU ONNX(ms)T4 TensorRT(ms)参数量YOLO26n40.938.91.72.4MYOLO26s48.687.22.59.5MYOLO26m53.1220.04.720.4MYOLO26l55.0286.26.224.8MYOLO26x57.5525.811.855.7MNano 版本参数量仅 2.4MCPU 推理速度比 YOLO11n 快 43%适合边缘设备和小数据集X 版本 mAP 达 57.5适用于对准确率要求极高的场景。双头架构设计YOLO26 检测模型内置两个检测头——一对一默认无 NMS输出 300 个检测框和一对多需 NMS输出 8400 个候选框。训练时一对多头作为辅助监督信号加速收敛推理时默认使用一对一头实现端到端输出。YOLO26 支持全部七大视觉任务检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测OBB一个框架覆盖从 2D 检测到 3D 感知的完整需求。关键训练参数配置详解拿到一个新数据集时面对 YOLO 那一长串参数难免眼花。其实大部分保持默认就好只需要关注几个关键参数。参数默认值本项目设置含义model-yolo26n.pt预训练权重n/s/m/l/x 五种尺度epochs100120训练总轮数imgsz640416输入图像尺寸batch1632批次大小根据显存调整lr00.010.01初始学习率lrf0.010.01最终学习率因子lr0 × lrfmomentum0.9370.937SGD 动量weight_decay0.00050.0005权重衰减L2 正则化warmup_epochs3.03.0预热轮数warmup_momentum0.80.8预热期间动量初始值box7.57.5边界框回归损失权重cls0.50.5分类损失权重dfl1.51.5DFL 损失权重YOLO26 可置 0patience100100早停轮数cos_lrFalseTrue余弦学习率衰减close_mosaic1010最后 N 轮关闭 Mosaic 增强optimizerautoSGD优化器选择ampTrueTrue自动混合精度训练freezeNone0冻结前 N 层骨干网络参数dropout0.00.1分类头 Dropout 率防过拟合训练日志里的 box_loss/cls_loss 比值可以告诉你模型在偏重什么。比值 10 说明定位损失占主导比值 3 说明分类问题更大。学习率调参经验训练初期 loss 不下降 → 调大lr0或增加warmup_epochs训练后期 loss 震荡 → 降低lr0增大weight_decay验证集 loss 先降后升过拟合→ 增大dropout、weight_decay或减小epochs小数据集100张→lr00.001,weight_decay5e-4,dropout0.2大数据集1000张→lr00.01,weight_decay5e-4,batch32训练可视化与TensorBoardYOLO26 默认开启 TensorBoard 日志记录训练过程中可实时查看 loss 曲线和指标变化。在命令行执行tensorboard --logdir runs/detect/train即可打开 Web 看板每轮训练完成后自动刷新。训练结束后 results.png 生成的六合一曲线图是最直观的诊断工具——一眼就能看出是否过拟合、是否收敛、哪个 loss 在震荡。断点续训机制如果训练意外中断断电、OOM 等不用从头开始。YOLO 每轮保存last.pt恢复训练时指定modellast.pt并设置resumeTrue学习率和优化器状态都会从断点恢复训练曲线也和连续训练一样平滑。模型评估指标解读如果训出来的 mAP50 很高但 mAP50-95 很低说明模型对定位宽容度不够——框的位置稍微偏一点就判定为错误通常跟标注质量有关。训练完成后YOLO26 训练器自动输出以下指标mAP50mAP0.5IoU 阈值为 0.5 时的平均精度均值反映模型粗粒度定位能力。mAP50 ≥ 0.90 表示定位效果很好。mAP50-95mAP0.5:0.95IoU 从 0.5 到 0.95 共 10 个阈值上取平均。更严苛反映精确定位能力是更具代表性的综合评价指标。Precision精确率检测结果中正确检测的比例。高 Precision 意味着虚警少。Recall召回率真实目标中被成功检测到的比例。高 Recall 意味着漏检少。F1 ScorePrecision 和 Recall 的调和平均数 2×P×R/(PR)综合衡量模型平衡性。Confusion Matrix混淆矩阵N×N 矩阵对角线为正确分类非对角线为误分类可定位类别间混淆情况。训练曲线分析train/box_loss单调下降 → 边界框回归正常收敛val/box_loss先降后升 → 过拟合风险应增大数据增强或减小模型metrics/mAP50(B)增长放缓趋于平稳 → 模型接近收敛上限train 持续降、val 持续升 → 严重过拟合建议减小模型或增大 dropout指标使用场景安全生产场景如安全帽检测→ 优先保证 Recall宁可多报不能漏报质检场景如缺陷检测→ 优先保证 Precision降低误检率减少人工复核量通用检测 → 均衡优化关注 mAP50-95 和 F1 Score对比不同训练版本的 PR 曲线时不要只看曲线位置高低——看形状变化更重要。训练后期曲线从陡峭变平滑是好事说明模型鲁棒性在提升。YOLO 系列算法演进史从 2015 年 YOLOv1 初代论文发表算起YOLO 系列已经走过了超过十年的演进历程。每一代都在前作的基础上解决一两个关键痛点。YOLOv1 (2015)将检测问题建模为单一回归问题直接在输出层预测边界框和类别概率。速度极快但定位精度较差。YOLOv2/YOLOv3 (2016-2018)引入 anchor box 机制、特征金字塔FPN和多尺度训练。YOLOv3 的 Darknet-53 骨干网络成为经典架构至今仍被广泛使用。YOLOv5 (2020)Ultralytics 在 PyTorch 上的实现带来了完善的训练框架、自动锚框聚类和数据增强 pipeline大幅降低了使用门槛。YOLOv8 (2023)统一了检测、分割、分类和关键点任务的框架引入 C2f 模块和无锚框anchor-free检测头。YOLOv9 (2024)提出 GELAN通用高效层聚合网络和 PGI可编程梯度信息同等参数量下精度提升显著。YOLOv10/YOLOv11 (2024)YOLOv10 首次提出无 NMS 端到端检测。YOLOv11 进一步优化骨干网络和训练策略在速度和精度之间取得新平衡。YOLO26 (2026)集历代之大成核心创新包括① 端到端无 NMS 一对一检测头 ② 无 DFL 的简化回归头 ③ Progressive Loss 渐进式监督转移 ④ STAL 小目标感知标签分配 ⑤ MuSGD 混合优化器。关键设计演进总结Anchor-based → Anchor-freev8 起C3 → C2f → C3k2骨干模块持续优化多任务统一框架v8 起NMS 后处理 → 无 NMS 端到端v10/v26单一损失函数 → 多任务联合损失Box Cls DFLv26 可去 DFLYOLO26 训练步骤详解训练其实很简单装好环境后两行命令就能跑起来环境准备pipinstallultralytics yolo checks python-cimport torch; print(torch.cuda.is_available())命令行训练yolo detect traindatadata.yamlmodelyolo26n.ptepochs120imgsz416batch32device0lr00.01patience100cos_lrTrueclose_mosaic10Python API 训练fromultralyticsimportYOLO modelYOLO(yolo26n.pt)resultsmodel.train(datadata.yaml,epochs120,imgsz416,batch32,device0,lr00.01,patience100,cos_lrTrue,close_mosaic10,augmentTrue,ampTrue,workers8,)训练输出文件runs/detect/train/weights/best.pt验证集上 mAP 最高的权重runs/detect/train/weights/last.pt最后一轮保存的权重runs/detect/train/results.csv每轮 loss 和指标数据runs/detect/train/confusion_matrix.png混淆矩阵图runs/detect/train/results.png训练曲线图runs/detect/train/val_batch*_pred.jpg验证集预测效果图单张推理测试modelYOLO(runs/detect/train/weights/best.pt)resultsmodel(test_image.jpg)results[0].show()多 GPU 分布式训练yolo detect traindatadata.yamlmodelyolo26n.ptdevice0,1epochs100恢复中断的训练yolo detect trainmodelpath/to/last.ptdatadata.yamlresumeTrue部署与应用建议大规模数据集1678 张训练出的模型泛化能力通常已经不错。部署的重点在于效率和稳定性而不是继续压榨精度。fromultralyticsimportYOLO modelYOLO(runs/detect/train/weights/best.pt)# 推荐 TensorRT FP16精度几乎无损、速度翻倍model.export(formatengine,device0,halfTrue)# 备选 ONNX兼容性好model.export(formatonnx,opset17)运维建议生产环境部署后建议建立模型版本管理和 A/B 测试机制。新模型上线前在 10% 流量下跑 24 小时对比核心指标漏检率、误检率、P99 延迟和老模型无显著劣化再全量切换。中等规模数据集的快速迭代策略1678 张图不算多也不算少刚好处于一个可以玩出花的区间。建议先把训练拆成两阶段第一阶段用默认参数完整训 80 轮看上限在哪第二阶段针对弱项做定向优化。不要在第一次训练就试图把参数调到完美——这只会浪费时间。第一阶段结束后看三个指标做诊断val_box_loss是否降到 0.7 以下 → 如果没到加大 epochsmAP50-95相对 mAP50 的差距 → 如果差距 15 个点说明定位精度差尝试提高 imgsz各类别的 AP 方差 → 如果某类 AP 远低于均值优先补充该类数据第二阶段根据诊断结果调整参数重新训练通常 2-3 轮迭代就能找到最优组合。训练注意事项一套数据集在 YOLO26 上能训到什么程度很大程度上取决于前期准备。以下是几个不依赖调参的提分方向。首先确认data.yaml里的路径和数据实际结构完全一致。不少训练失败的案例最后发现是路径映射错了模型在空目录上训练了一晚上。用yolo check datadata.yaml做一次预检能省掉很多心累。其次训练过程中打开 TensorBoardtensorboard --logdir runs/detect/train实时观看指标变化比事后看results.png高效得多。你能立刻发现某些参数设置不当导致的异常——比如 mAP 抖动剧烈、loss 突然飙升等。如果发现某个特定类别的 AP 始终上不去① 数一数该类最多有多少张样本少于 20 张的几乎注定 AP 低 ② 检查该类别的边界框标注——大框还是小框、遮挡标注是否完整 ③ 尝试减少其他类别的数量来平衡样本分布。这些比盲目调参管用。最后best.pt不一定真的是最优。有时候last.pt在真实场景下泛化能力反而更好因为 best 是按验证集 mAP 挑的验证集不一定代表真实分布。建议保存多个 epoch 的权重选出在实际场景下表现最好的。小结数据规模共 1678 张4 个类别未成熟覆盆子、半成熟覆盆子、成熟覆盆子train/val/test 已划分标签格式VOC YOLOdata.yaml 路径已配置下载入口在「标注可视化」一节起步建议先用 YOLO26n imgsz416 跑一轮基线看 mAP50 与 mAP50-95 的差距再决定提 imgsz 还是换更大模型如果你的拍摄条件和这套数据差别大先按文中的增强参数跑一轮再判断是该补数据还是该调模型——换大模型在数据量没跟上之前通常是负优化。