番茄叶片病害目标检测数据集构建实战

简介本资源是面向农业智能识别与计算机视觉初学者及科研人员的番茄叶片病害目标检测专用数据集聚焦blight-disease、mosaic-virus、redspider-infection三类典型病害支持YOLO系列v5至v10、Faster R-CNN、SSD等主流检测模型训练与验证。压缩包共2000个文件含1999个YOLO格式txt标签文件每张图像对应一个归一化坐标标注和1个定义类别数与名称的yaml配置文件所有图像已按标准比例划分为train/val/test三部分开箱即用247.69MB体量兼顾数据规模与下载效率。目前已有393人学习下载适合开展小样本病害检测实验、模型对比基准测试或课程设计项目。资源提供完整VOCYOLO双格式支持包含原始图像、结构化标签、类别映射及划分说明目录组织规范可直接接入训练流程显著降低数据预处理门槛。1. 番茄叶片病害识别数据集为什么目标检测比分类更难落地但又非做不可你手上有500张番茄叶片照片拍得还行——光照均匀、叶片展开、背景干净。用ResNet跑个分类准确率92%你松了口气觉得“病害识别”这事差不多成了。结果农技站老师拿手机现场拍了30张逆光、叶片卷曲、多病共存、还有半片被虫啃掉的叶子……模型直接懵了把早疫病标成健康把晚疫病和叶霉病全判成“其他”。这不是模型不行是任务定义错了——番茄叶片病害识别本质不是“这张图属于哪类”而是“这张图里哪块区域得了什么病、严重到什么程度”。分类模型看不见病斑位置更没法量化面积占比而目标检测能框出每个病斑实例支持后续的病情分级、喷药路径规划、甚至病原体传播建模。当前公开可用的番茄病害数据集如PlantVillage只有分类标签没有像素级或框级标注而真正适配田间部署的目标检测数据集必须满足三个硬约束单图多病斑常达5~12个、小目标密集病斑直径常32×32像素、标注需区分病害类型严重等级如“早疫病轻度/中度/重度”。本文就从零开始带你用真实田间采集的原始图像构建一个可直接喂给YOLOv8/YOLOv11训练的番茄叶片病害目标检测数据集——不依赖PlantVillage不拼接合成图所有标注均来自一线农技员复核附带完整清洗脚本、标注规范、以及三个必调参数的实测阈值。2. 从田间照片到YOLO格式数据采集、清洗与标注全流程2.1 田间采集的4条铁律避开90%的数据失效陷阱很多团队花三个月拍了2000张图最后只剩300张能用。核心问题不在相机而在采集逻辑。我带团队在山东寿光、云南元谋连续蹲点两个生长季总结出四条不能妥协的采集铁律时间窗口锁定在上午9–11点此时露水已干、光照角度低避免强反光且病斑显色最稳定早疫病褐斑、晚疫病油渍状边缘、叶霉病紫褐色绒毛层在此时段对比度最高。下午拍摄的图72%出现病斑边界模糊或颜色失真。每株只采3张图正面全叶、背面重点区、近距病斑特写正面图用于定位整株感染率背面图捕捉叶背高发的霜霉病特写图解决小目标漏检。三图绑定同一ID后续可做多视图联合推理。强制使用白平衡卡灰卡同框拍摄我们用X-Rite ColorChecker Passport每次换地块前拍一张卡叶片组合图。后期批量校色时用OpenCV的cv2.createCLAHE()配合卡色块自动校正比单纯直方图均衡减少37%的假阳性尤其对叶霉病紫褐色误判为缺素症。拒绝“干净叶片”样本健康叶片必须带自然虫痕、机械伤、老叶黄化等干扰项。纯绿无瑕的健康图在测试集上准确率虚高15%但上线后遇到真实田块立刻崩盘——因为模型学会了“找完美叶子”而非“找病斑”。提示所有原始图统一保存为PNG无压缩失真分辨率不低于2048×1536。JPEG在多次编辑后高频信息丢失导致小病斑边缘锯齿化YOLO系列模型对此极其敏感。2.2 数据清洗用Python脚本自动剔除87%的无效图清洗不是删图是建立质量门禁。我们开发了tomato_cleaner.py它不靠人工看图而是用四个可量化的物理指标筛图# tomato_cleaner.py 核心逻辑Python 3.9 import cv2, numpy as np from pathlib import Path def assess_image_quality(img_path: Path) - dict: img cv2.imread(str(img_path)) h, w img.shape[:2] # 1. 模糊度Laplacian方差 100 判为失焦 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur_score cv2.Laplacian(gray, cv2.CV_64F).var() # 2. 曝光异常亮度直方图峰值偏移 0.30.0全黑1.0全白 hist cv2.calcHist([gray], [0], None, [256], [0, 256]) peak_pos np.argmax(hist) / 255.0 exposure_bias abs(peak_pos - 0.5) # 3. 覆盖率绿色像素占比 40% 或 95% 剔除背景杂乱/过曝 hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) green_mask cv2.inRange(hsv, (35, 43, 46), (77, 255, 255)) green_ratio cv2.countNonZero(green_mask) / (h * w) # 4. 病斑密度Canny边缘密度 0.005 → 无病斑/过平滑 edges cv2.Canny(gray, 50, 150) edge_density cv2.countNonZero(edges) / (h * w) return { blur_score: blur_score, exposure_bias: exposure_bias, green_ratio: green_ratio, edge_density: edge_density, valid: (blur_score 100 and exposure_bias 0.3 and 0.4 green_ratio 0.95 and edge_density 0.005) } # 批量处理示例 raw_dir Path(raw_images) clean_dir Path(cleaned_images) for img_path in raw_dir.glob(*.jpg): quality assess_image_quality(img_path) if quality[valid]: cv2.imwrite(str(clean_dir / img_path.name), cv2.imread(str(img_path)))参数说明与实测效果blur_score 100实测中田间手持拍摄的清晰图Laplacian方差集中在120~350低于100的图92%存在运动模糊或镜头污渍exposure_bias 0.3对应直方图峰值在[0.2, 0.8]区间排除晨雾未散峰值0.2和正午过曝峰值0.8场景green_ratio阈值经2000张图验证低于0.4多为土壤/塑料膜干扰高于0.95则叶片折叠严重或镜头离得太近edge_density 0.005此值由PlantVillage健康图与病害图统计得出——健康叶边缘密度约0.003轻度病害起跳至0.006设0.005为安全下限。运行该脚本后我们2176张原始图仅保留1243张有效率57.1%但后续标注返工率从行业平均31%降至6.2%。2.3 标注规范为什么“框住病斑”远远不够目标检测标注不是画框游戏。番茄病害的临床诊断依赖三个维度病原体类型早疫/晚疫/叶霉/灰霉/病毒病、发生部位叶缘/叶脉/叶面/叶背、严重等级轻/中/重。若只标类别模型无法学习“叶脉凹陷是晚疫病特征”或“叶背紫斑密集成簇是叶霉病标志”。我们采用扩展YOLO格式每行增加两个字段# YOLO格式扩展版.txt文件内 # class_id center_x center_y width height severity_level location_code 0 0.423 0.617 0.124 0.089 2 1 # 早疫病中度叶面 1 0.781 0.302 0.072 0.053 3 2 # 晚疫病重度叶缘 2 0.215 0.844 0.096 0.067 1 3 # 叶霉病轻度叶背severity_level1轻度病斑面积5%叶面积边缘清晰2中度5%~20%边缘有晕染3重度20%组织坏死/穿孔location_code1叶面2叶缘3叶背4叶脉需单独标注因叶脉病斑常呈线状宽高比异常关键操作标注时必须开启“显示原始图尺寸”和“网格吸附”禁用“自动缩放”——否则小病斑20px在缩放视图下极易框偏。我们要求标注员用100%视图滚轮微调单张图标注耗时增加40%但mAP0.5提升2.3个百分点。3. 标注工具选型与协同LabelImg够用吗为什么我们最终弃用它3.1 LabelImg的三大硬伤在番茄病害场景下集体暴雷LabelImg是开源标注工具里的“老大哥”但面对番茄病害数据集它暴露了三个致命缺陷不支持多属性标注只能标class_id无法嵌入severity_level和location_code。强行用class_id编码如0早疫_轻_叶面1早疫_中_叶面…会导致类别数爆炸——5种病害×3等级×4位置60类而我们的总标注量才1.2万框平均每类仅200框模型根本学不稳无病斑关联功能同一叶片常同时出现早疫灰霉LabelImg会把它们标成独立框但农技规则要求“灰霉病斑若覆盖早疫病斑则后者需降级为‘疑似’并标记关联ID”。LabelImg无法建立框间关系导出格式锁死YOLOv5其YOLO导出固定为class_id x_center y_center width height五字段无法添加自定义列。修改源码需重编译团队新人上手成本陡增。注意我们曾用LabelImg标注首批500张训练YOLOv8后发现——模型对“叶背病斑”的召回率仅41.7%远低于叶面的89.2%。排查发现LabelImg在翻转图像为增强数据时未同步翻转location_code导致所有叶背标注被误标为叶面。3.2 我们的选择CVAT 自定义插件实现临床级标注流CVATComputer Vision Annotation Tool是Intel开源的企业级标注平台我们基于其v2.12.0定制了三个插件插件名称功能解决的问题TomatoSeverityPlugin在标注界面右侧弹出 severity/location 选择面板支持快捷键1/2/3切等级Q/W/E切位置标注效率提升3.2倍错误率降至0.7%LesionLinker框选两个病斑后右键→“建立关联”输入主病害/次病害关系及覆盖比例支持灰霉覆盖早疫等复合病害建模FieldValidator实时校验同一图内相同location_code的框重叠面积30%时标红警告避免同一病斑被重复标注部署要点CVAT需Docker部署我们用docker-compose.yml固定NVIDIA Container Toolkit确保GPU加速标注预览所有插件代码开源在GitHub仓库名tomato-cvat-plugins含详细安装文档标注员培训只需2小时重点练快捷键组合如Ctrl1标轻度早疫病叶面而非菜单点击。4. 数据集结构与YOLO训练适配从文件夹到.yaml的精确映射4.1 文件系统设计为什么images/和labels/必须严格分离YOLO系列框架v5/v8/v11对目录结构极度敏感。常见错误是把图片和标签混放或用相对路径搞错层级。我们采用绝对路径符号链接方案确保跨设备一致性tomato_det_dataset/ ├── dataset.yaml # YOLO训练入口配置 ├── images/ │ ├── train/ # 900张训练图PNG │ ├── val/ # 200张验证图PNG │ └── test/ # 143张盲测图PNG不参与训练 ├── labels/ │ ├── train/ # 对应train/的.txt标注文件 │ ├── val/ # 对应val/的.txt标注文件 │ └── test/ # 对应test/的.txt标注文件仅用于最终评估 └── README.md关键细节images/和labels/下子目录名train/val/test必须完全一致且.txt文件名不含扩展名必须与对应.png完全相同我们用ln -s创建符号链接而非复制文件节省87%磁盘空间原始图24GB → 链接后仅占1.2GBtest/目录不参与任何训练/验证仅用于最终交付前的黑盒测试——这点常被忽略导致“验证集过拟合却浑然不觉”。4.2dataset.yaml6个字段的取舍逻辑与血泪经验YOLO的dataset.yaml表面简单但每个字段都踩过坑# dataset.yaml train: ../images/train val: ../images/val test: ../images/test nc: 5 # number of classes —— 必须与classes.txt严格一致 names: [early_blight, late_blight, leaf_mold, gray_mold, virus] # 新增字段适配番茄病害特性 severity_weights: [0.8, 0.9, 1.0] # 轻/中/重损失权重防止模型偏向易检的重度病斑 location_bias: [1.0, 0.95, 0.85, 0.7] # 叶面/叶缘/叶背/叶脉的先验置信度补偿叶背标注稀疏性参数深挖nc: 5这里填5不是60不按severity/location拆分因为YOLO的class head只预测基础病害类型severity/location由额外分支预测见第5章severity_weights实测发现若权重全为1.0模型对轻度病斑召回率仅58%。设[0.8,0.9,1.0]后轻度召回升至79%且不损伤重度精度location_bias叶背病斑因拍摄难度大标注量仅为叶面的1/3模型天然倾向低估。加入先验权重后叶背召回率从41.7%→68.3%血泪经验names顺序必须与classes.txt标注时生成的类别映射表完全一致。我们曾因Excel另存为时UTF-8 BOM导致YOLO读取names错位模型把早疫病当成病毒病——debug耗时17小时。5. 避坑指南番茄病害目标检测的5个真实翻车现场与解法5.1 现象训练loss曲线正常但验证集mAP0.5停滞在0.32且“叶背”类召回率为0原因标注时未启用CVAT的FieldValidator插件导致叶背病斑被大量误标为叶面因翻拍时方向混淆实际叶背标注仅占理论值的23%。模型学到“叶背不存在”。解法用grep -r 3 labels/val/ | wc -l统计真实叶背标注数应≥总框数×15%若不足用cvat-cli导出所有叶背图重新拍摄标注训练时启用location_bias并设为[1.0, 0.95, 1.5, 0.7]临时拉高叶背权重。5.2 现象小病斑32px漏检率高达64%但大病斑准确率91%原因YOLOv8默认的anchor尺寸P3/P4/P5针对COCO优化最小anchor为32×32而番茄轻度病斑平均尺寸为18×22。解法修改models/yolov8.yaml中的anchors将P3层anchor从[10,13, 16,30, 33,23]改为[8,10, 12,18, 18,26]同步调整stridesP3 stride保持8但增加P2层stride4用于超小目标需在neck中插入nn.Upsample验证用utils/plot_utils.py可视化anchor匹配热图确保90%小病斑被P2/P3层anchor覆盖。5.3 现象同一张图CPU推理结果与GPU推理结果不一致差异框达12个原因PyTorch 2.0的torch.compile()在GPU上启用默认modedefault对小尺寸病斑的FP16计算产生累积误差。解法训练时禁用compilemodel YOLO(yolov8n.pt).model; model torch.compile(model, modereduce-overhead)推理时强制FP32results model.predict(img, halfFalse)实测对比FP16下小病斑漏检率11.3%FP32回归至基准水平。5.4 现象模型对“早疫病”和“晚疫病”混淆严重混淆矩阵显示二者互错率达43%原因两种病害在RGB空间视觉相似度85%尤其在阴天图中单靠颜色特征无法区分。解法引入HSV纹理双通道输入将原图转HSV提取S通道饱和度和V通道明度的LBP纹理特征拼接为4通道输入修改backbone第一卷积层conv1 nn.Conv2d(4, 32, 3, 2, 1)并重训前3个epoch效果混淆率降至19.7%且推理速度仅下降8%因LBP在CPU预处理GPU只处理4通道。5.5 现象导出ONNX模型后TensorRT引擎推理结果全为0无任何框输出原因YOLOv8导出ONNX时默认dynamic_axes未包含batch维度而TensorRT需明确声明动态batch。解法导出命令加参数yolo export modelyolov8n.pt formatonnx \ dynamicTrue \ opset17 \ simplifyTrue \ batch1,4,8 # 显式声明支持batch 1/4/8TensorRT构建时指定builder.max_batch_size 8且config.set_flag(trt.BuilderFlag.FP16)必须与ONNX的fp16_modeTrue匹配验证用trtexec --onnxmodel.onnx --shapesinput:1x3x640x640测试单batch成功后再扩维。6. 进阶技巧用病斑级分割掩码反哺目标检测把mAP0.5再推高3.8个百分点目标检测的终极瓶颈不是框不准而是“框对了但没理解病斑结构”。比如晚疫病的油渍状边缘、叶霉病的绒毛状中心这些纹理信息YOLO的bbox无法承载。但我们不直接上Mask R-CNN——太重田间设备跑不动。我的解法是用轻量级分割模型生成病斑伪掩码蒸馏到YOLO的特征图让bbox回归头“看到”病斑内部结构。6.1 伪掩码生成SAM 微调30分钟搞定我们不用SAM原生模型太大而是用mobile_sam参数量仅1.2M 番茄病害微调# sam_finetune.py from mobile_sam import SamPredictor, sam_model_registry import torch # 加载轻量SAM sam sam_model_registry[vit_t](checkpointweights/mobile_sam.pt) predictor SamPredictor(sam) # 对每张训练图用YOLO粗框作为prompt生成mask for img_path in Path(images/train).glob(*.png): image cv2.imread(str(img_path)) boxes load_yolo_boxes(str(img_path).replace(images, labels).replace(.png, .txt)) masks [] for box in boxes: # box [x1,y1,x2,y2] predictor.set_image(image) mask, _, _ predictor.predict( boxbox, # 直接传bbox坐标 multimask_outputFalse ) masks.append(mask[0]) # 取最优mask # 保存为.npz压缩存储 np.savez_compressed( str(img_path).replace(images, masks).replace(.png, .npz), masksnp.stack(masks) )关键点mobile_sam在Jetson Orin上推理单图800msYOLO粗框提供精准prompt避免SAM“猜错区域”.npz格式比PNG节省73%空间1243张图从4.2GB→1.1GB不训练SAM只用其推理——省去GPU集群需求。6.2 特征蒸馏YOLOv8的3行代码改造在YOLOv8的Detect头中插入掩码监督信号# models/modules/block.py 中修改 Detect.forward() class Detect(nn.Module): def forward(self, x): shape x[0].shape # P3 feature map # ... 原有bbox回归逻辑 ... # 新增加载对应mask插值到P3尺寸 mask_path self.mask_dir / f{self.current_img_id}.npz if mask_path.exists(): masks torch.from_numpy(np.load(mask_path)[masks]).float() masks F.interpolate( masks.unsqueeze(1), # [N,1,H,W] size(shape[2], shape[3]), # P3尺寸 modebilinear ) # [N,1,H,W] # 将mask作为辅助loss监督P3特征图的channel-wise激活 feat_map x[0] # [B, C, H, W] mask_loss F.binary_cross_entropy_with_logits( feat_map.mean(dim1, keepdimTrue), # 用mean模拟attention masks, reductionmean ) self.loss_mask mask_loss * 0.3 # 权重0.3实测最优 return output效果与权衡mAP0.5从68.2%→72.0%尤其提升小病斑32px召回率5.7%推理速度下降12%因P3特征图需额外计算但仍在Jetson Orin实时范围23 FPS不增加部署负担蒸馏只在训练时生效ONNX导出后自动剥离mask_loss分支。最后说句实在话做番茄病害数据集最贵的不是GPU是农技员蹲在田里一帧帧确认病斑的那几百个小时。我们坚持让每张图都有农技员签字确认的《病害诊断单》哪怕多花3倍时间。因为模型可以调参但数据一旦污染后面所有努力都是在给错误奠基。希望帮到你。本文还有配套的精品资源点击获取