简介面向目标检测与图像分类场景的五类花卉数据集涵盖daisy、dandelion、roses、sunflowers、tulips共2000个文件其中1999张JPG图片和1个Python脚本压缩包约218.93MB。数据已按YOLOv8格式整理可直接用于花卉识别模型训练脚本可作为二次开发或自定义数据流程的参考。目前已有622人学习浏览。花卉分类体系的建立有助于物种鉴定、植物学科研、园艺选种以及濒危品种保护适合学校教学与智能识别应用开发等场景。借助该数据集使用者可以快速完成数据加载、模型训练与效果验证省去从零采集和标注图片的繁琐过程将精力集中在网络结构和参数调优上。无论课程设计、算法练习还是项目落地这份内容都能提供标准化的输入基础。1. 拿 YOLOv8 训练 5 类花卉分类一个能直接落地的数据集方案这两年接手过不少“图像分类/检测”的活发现一个反复出现的尴尬算法早就不是瓶颈数据集才是。要么类别太多、标注太杂要么下载下来是 VOC 或者 CIFAR 那种老格式要先写一堆转换脚本才能喂给 YOLOv8。这个 5 类花卉分类数据集恰好绕开了这些坑——它只有 daisy、dandelion、roses、sunflowers、tulips 五个常见花卉类别而且已经是 YOLOv8 直接能用的目录结构和标注格式。更关键的是这次不只是给你一个“能跑”的数据集而是把从解压、校验、训练到推理验证的整条链路都打通。无论是做毕业设计、练手迁移学习还是想快速验证 YOLOv8 在自己业务数据上的分类效果这套方案都能让你少走弯路。2. YOLOv8 分类任务的数据组织方式先把目录结构和标注规则弄明白2.1 分类和检测的标注格式有什么区别很多人第一次用 YOLOv8 做分类会下意识去找 label 文件、边界框坐标其实那是目标检测的做法。YOLOv8 的分类任务Classify走的是另一套逻辑它完全依赖目录结构来表达类别信息不需要任何 txt 标注文件。这一点非常关键因为网上很多“花卉数据集”其实是检测格式或者分割格式直接拿来训分类模型就会报错——加载器找不到对应的图像路径。YOLOv8 分类数据集的推荐组织方式一般是这样的flowers/ ├── train/ │ ├── daisy/ │ │ ├── daisy_001.jpg │ │ ├── daisy_002.jpg │ │ └── ... │ ├── dandelion/ │ ├── roses/ │ ├── sunflowers/ │ └── tulips/ └── val/ ├── daisy/ ├── dandelion/ ├── roses/ ├── sunflowers/ └── tulips/train 和 val 下分别建五个类别子目录图片按类别放进对应文件夹。YOLOv8 的 DataLoader 会通过扫描目录树自动把一级子目录的文件夹名映射为 category_id也就是 0 到 4 的数字标签。所以这五个类别名必须完全一致不能出现一个叫 daisy、一个叫 Daisy 的情况否则就会变成 6 个类。2.2 为什么建议先做一次数据均衡性检查拿到数据集后先别急着训练。最值得做的一步是用脚本统计每个类别的图片数量。我在实际项目中见过很多次“某个类图片特别少导致精度莫名下降”的情况。比如 roses 只有 200 张而 dandelion 有 800 张模型天然会偏向 dandelion。这里教新手一个最简单的检查方法——直接数文件数for dir in train/*/; do echo $dir: $(ls $dir | wc -l) done这几行命令会循环遍历 train 下的每个类别目录输出目录名和该目录下的图片数量。如果发现某个类确实偏少我一般不会急着删除数据做人工均衡而是先跑一轮训练看混淆矩阵看看实际影响再决定。因为 YOLOv8 自带的增强和类别权重调整有时能缓解不平衡问题尤其在类别数量差距不是特别夸张的情况下直接硬训练可能也能得到不错的结果。2.3 训练前必做的路径设置和验证YOLOv8 跑分类任务时不需要像检测那样写一个 yaml 文件来指定类别列表和路径。它默认从数据集根目录下找train和val两个子目录。你可以在命令行直接传根目录的路径也可以用 Python API 的方式传入。我习惯用 Python API因为它更容易调试、能灵活切换数据集路径还方便在训练前后加自定义逻辑。from ultralytics import YOLO # 加载预训练模型这里用 yolov8s-cls 作为起点 model YOLO(yolov8s-cls.pt) # 开始训练指定数据集根目录训练 100 轮输入图片大小设为 224 results model.train( datapath/to/flowers, epochs100, imgsz224, batch16, lr00.01, patience20, projectruns/classify, nameflowers_exp1 )这里的 data 参数指向的是外层flowers目录而不是 train 或 val 的父级再套一层。batch 大小要根据显存来调GTX 1660 Ti 这种 6GB 显存卡跑 yolov8s-cls 的话batch 可以开到 32 左右但如果同时开很多数据增强线程可能会内存溢出到时候把 batch 降到 16 就好。lr00.01是默认值对微调场景来说一般不用动但如果你发现损失曲线震荡很厉害把学习率降到 0.001 往往就稳定了。提示训练产物默认会输出到runs/classify/flowers_exp1目录里面有 weights 子目录最佳权重叫best.pt最后一轮权重叫last.pt。调参时重点看 best.pt。3. 转换已有花卉图片为 YOLOv8 分类格式脚本化处理与边界条件3.1 最常见的实际场景手里是一堆散图怎么快速变成可用格式并不是所有人下载这个数据集都能直接看到完美的目录结构。有时候网上拿到的压缩包里图片是按种类放在不同子目录里但没有 train/val 的区分有时候甚至所有图片都在一个文件夹里类别信息靠文件名前缀区分。这时候就需要写一个统一的转换脚本来清洗和重组。我一般用 Python 写一个通用脚本核心就干三件事第一从源目录读取类别文件夹第二按比例随机切分 train/val第三复制到 YOLOv8 需要的目录结构。随机切分的时候要加随机种子不然每次跑出来结果不一样对比实验就失去了公平性。import os import random import shutil random.seed(42) source_root original_flowers target_root flowers # 先清掉可能存在的旧目录避免残留文件混入 if os.path.exists(target_root): shutil.rmtree(target_root) # 类别名注意要和后续训练时的期望类别一致 classes [daisy, dandelion, roses, sunflowers, tulips] for cls in classes: src_dir os.path.join(source_root, cls) all_images [f for f in os.listdir(src_dir) if f.lower().endswith((.jpg, .jpeg, .png))] # 切分比例90% 训练10% 验证。也可以改成 80/20 random.shuffle(all_images) val_count max(1, int(len(all_images) * 0.1)) train_images all_images[val_count:] val_images all_images[:val_count] # 分别复制到 train 和 val 目录 for img in train_images: dst os.path.join(target_root, train, cls, img) os.makedirs(os.path.dirname(dst), exist_okTrue) shutil.copy(os.path.join(src_dir, img), dst) for img in val_images: dst os.path.join(target_root, val, cls, img) os.makedirs(os.path.dirname(dst), exist_okTrue) shutil.copy(os.path.join(src_dir, img), dst) print(f{cls}: total{len(all_images)}, train{len(train_images)}, val{len(val_images)})这里有两个细节值得强调。一个是文件后缀过滤我强制只接受 jpg、jpeg、png 三种常见格式因为 YOLOv8 的图片加载器对格式支持有限遇到 bmp 或 webp 虽然有些版本能读但最好还是统一转成 JPEG 或 PNG避免在训练中后期才爆出异常。另一个是复制而不是移动文件因为源数据还要留着做对比测试或二次处理移动的话万一转换有问题原始数据就毁了。3.2 转换过程中的几个隐性边界条件很多人转换脚本跑完目录结构看起来完全正确训练时报错却非常诡异比如 “Cant find dataset” 或者加载图片时直接跳过大部分文件。这里有一个特别常见的坑——图片文件本身是坏的例如 0KB 的空文件或截断的 JPEG。Windows 上从网盘下载解压很容易遇到这种问题尤其是有干扰的下载过程。所以转换脚本里除了切分复制最好加上图片完整性校验。from PIL import Image # 检查单张图片是否可正常打开并顺手统一图片格式 def verify_and_convert(src_path, dst_path): try: img Image.open(src_path) img.load() except Exception as e: print(fCorrupt file skipped: {src_path} - {e}) return False # 统一转成 RGB 三通道的 JPEG避免灰度图引起后续 batch 维度错误 img img.convert(RGB) os.makedirs(os.path.dirname(dst_path), exist_okTrue) img.save(dst_path, JPEG, quality95) return True这个函数会对每一张源图做一次真正的像素级读取img.load()会把数据加载到内存所以能识别出大部分损坏文件。转换到 RGB 是因为偶尔会遇到单通道的灰度图或者带透明通道的 PNGYOLOv8 的预处理管线默认输入是三通道灰度图混进去轻则维度报错、重则造成训练 loss 直接变成 NaN。3.3 转换后的目录校验别靠眼睛写个脚本自动确认目录结构转换完之后不能只看一眼觉得“差不多”就开训。我用过的最可靠方法是把目录树、文件数、每类图片数量和扩展名情况一次性全部打印出来然后拿去和源数据对比。这样哪怕某个目录的图片数量因为损坏文件被跳过了也能在启动训练前就发现。python - EOF import os train_root flowers/train for cls in sorted(os.listdir(train_root)): cls_path os.path.join(train_root, cls) if not os.path.isdir(cls_path): continue count len(os.listdir(cls_path)) ext_count {} for f in os.listdir(cls_path): ext os.path.splitext(f)[1].lower() ext_count[ext] ext_count.get(ext, 0) 1 print(f{cls}: {count} files, ext distribution: {ext_count}) EOF这段脚本会把 train 下每个类别的文件数和后缀分布都展示出来。正常情况下每个类的后缀分布应该很集中如果同时出现.jpg和.JPG说明源目录里大小写混用虽然 YOLOv8 在 Linux 上大概率能处理但换到 Windows 上就是灾难因为文件系统不区分大小写行为会变得不可控。4. 用 YOLOv8 训练花卉分类模型参数设置、训练过程与 GPU 适配4.1 选择 yolov8s-cls 还是 yolov8n-cls一个关于显存和精度的取舍五个类别的花卉分类属于非常轻量的视觉任务模型选型的空间并不大。很多人上来直接选 yolov8x-cls觉得“模型越大精度越高”。但真实经验是对于这样类别区分度很高、背景相对干净的数据集yolov8n-cls 或者 yolov8s-cls 已经能跑到 95% 以上的准确率模型大小反而只影响训练速度和显存占用。我在 GTX 1660 Ti 这种入门级显卡上测试过多次yolov8n-cls 训练 100 轮大约需要 10~15 分钟yolov8s-cls 则要到 25~30 分钟左右。换成 CPU 训练的话yolov8n-cls 也要比 yolov8s 快一倍以上。如果你的机器没有 NVIDIA 显卡只能用 Ubuntu 20.04 配 CPU 环境那直接选 yolov8n-cls并且把 imgsz 降到 160batch 也调小否则一个 epoch 可能要跑十几分钟。# CPU-only 环境的推荐命令 yolo classify train datapath/to/flowers modelyolov8n-cls.pt epochs100 imgsz160 batch16 devicecpudevicecpu是明确指定设备不写的话 YOLO 会自动检测 CUDA。CPU 训练时尤其要注意进程数默认 8 个 worker 在数据加载时会占满所有核心导致训练过程看起来像卡死一样实际上只是 CPU 在疯狂地做图片预处理。4.2 训练过程中的关键指标和日志怎么看YOLOv8 分类训练过程中控制台上会持续打印 loss、top1_acc、top5_acc 这几个指标。很多人只看 loss觉得 loss 降下来就好了。其实 top1_acc 才是最直观的五个互斥类别随机猜也有 20% 的正确率如果训练几轮之后 top1_acc 还徘徊在 20%~40%说明学习率设置有问题或者数据加载出错了。我第一次跑花卉分类时就遇到过 top1_acc 卡在 20% 不动的翻车现场。排查了很久后来发现是数据集路径搞错了YOLOv8 实际读到的全是空目录每个 batch 都在走默认的随机初始化推理所以准确率一直是个位数到 20% 之间波动。这其实是最典型的黑匣子问题——训练没有报错但结果完全不对。所以正规做法是训练开始后先盯前 5 轮的 top1_acc如果能看到明显上升趋势再放心去干别的。4.3 数据增强参数什么时候该关什么时候该开YOLOv8 分类任务默认开了不少增强包括随机翻转、随机裁剪、颜色抖动等。花卉图片的特点是颜色和纹理本身是重要分类特征如果增强过度比如颜色抖动太强daisy 和 dandelion 这种靠颜色区分的类别反而可能被削弱。YOLOv8 分类训练可以通过调整超参数来控制增强强度。关键参数包括hsv_h、hsv_s、hsv_v色调、饱和度、明度增强以及degrees随机旋转角度、fliplr水平翻转概率。默认的hsv_v0.4对多数自然图片是友好的但如果你发现训练集精度很高、验证集上不去说明增强可能不够或者过拟合了反过来训练集和验证集同时上不去那就是增强过度或者学习率有问题。model.train( datapath/to/flowers, epochs150, imgsz224, batch32, hsv_h0.015, hsv_s0.4, hsv_v0.2, degrees15, fliplr0.5, patience30 )这个参数组合是我自己常用的。hsv_h不要设太大花卉颜色轻微偏移是可以的但偏太多会让 roses 和 tulips 之间产生混淆。degrees15表示最多旋转 15 度花卉图片不像工业检测场景那么依赖方向15 度足够提供方位不变性同时不会引入太多无意义的背景区域。fliplr0.5是水平翻转对左右对称的花卉来说完全安全。4.4 从训练到验证用 best.pt 做一次闭环推理训练完成后不要只盯着终端里的 final accuracy。我一般会做一次真正的图片推理随便找几张验证集里没见过的花卉图片用 best.pt 去预测。from ultralytics import YOLO # 加载训练得到的最佳权重 model YOLO(runs/classify/flowers_exp1/weights/best.pt) # 预测单张图片 results model.predict(test_roses.jpg) # results 包含预测的类别索引和置信度 probs results[0].probs.data.tolist() class_names [daisy, dandelion, roses, sunflowers, tulips] predicted_idx results[0].probs.top1 print(f预测类别: {class_names[predicted_idx]}) print(f各类别置信度: {dict(zip(class_names, probs))})results[0].probs.top1拿到的是置信度最高的类别索引然后映射到类别名。做这一步不只是为了验证精度更多是为了确认类别顺序没有搞错。因为 YOLOv8 的分类数据加载器是按目录名排序后生成类别映射的如果你看过训练日志里的类别顺序再和这里推理出来的对应关系比对一下就能确定整个链路是闭环的。5. 花卉数据集训练的三个高频坑路径、类别映射和图片质量排查5.1 训练报错 “AssertionError: train dataset not found”现象启动训练后立即报错说找不到数据集或者提示 train 目录不存在。原因最常见的是相对路径/绝对路径用混了。直接写dataflowers但当前工作目录根本不在flowers的上一层程序就会从错误位置开始查找。还有一种情况是数据集压缩包解压后多了一层同名嵌套目录比如实际路径是flowers/flowers/train。解决不要猜用绝对路径。先打开终端cd到数据集所在目录然后执行pwd把完整路径复制出来再传给data参数。如果是嵌套目录问题直接把多出来的那层移到正确位置保证 data 参数指向的目录下直接就是 train/val。5.2 类别数量是 6 而不是 5现象训练日志里显示 nc6而不是预期的 5。原因数据目录下有隐藏文件或多余的文件夹。最常见的是 macOS 下解压自动生成的__MACOSX目录或者某些人手工往目录里放了README.txt。YOLOv8 会认为 train 下每一个子目录都代表一个类别所以多了乱七八糟的文件夹类别数自然就变了。解决训练前先列出 train 下所有条目ls -la path/to/flowers/train看到__MACOSX或者.DS_Store直接删掉。如果是 Linux 服务器从 Windows 网盘下载再上传的还可能有desktop.ini之类的隐藏文件。保险起见可以在转换脚本里只保留指定的五个类别文件夹其余一律跳过。5.3 top1_acc 一直很低loss 也不降现象训练能跑日志也正常输出但 top1_acc 始终在 20%~40% 之间loss 曲线几乎水平。原因要么是数据加载出了问题比如所有图片都被当成损坏文件跳过导致每个 epoch 都在用几乎空的数据集训练要么是标注完全不对比如某个类别目录下混入了大量其它类别的图片。前一种情况我之前讲过后一种往往是从网络下载的花卉数据集本身质量参差不齐。解决用一句 Python 快速检查图片数量和可读性import os from PIL import Image root flowers/train bad_count 0 total_count 0 for cls in os.listdir(root): cls_path os.path.join(root, cls) if not os.path.isdir(cls_path): continue for f in os.listdir(cls_path): total_count 1 try: img Image.open(os.path.join(cls_path, f)) img.load() except Exception: bad_count 1 print(fcorrupt: {cls}/{f}) print(f总计 {total_count} 张其中损坏 {bad_count} 张)如果 bad_count 不是 0把损坏图片直接移到一个 quarantine 目录重新训练。这些图片不删掉的话YOLOv8 的加载器只会跳过它们但会导致每个 epoch 的实际样本数在变影响学习率调度和训练稳定性。5.4 验证集精度比训练集高很多现象训练集 top1_acc 90%验证集却有 94%看起来反常。原因对于小数据集这不是 bug而是正常的随机波动。验证集本身图片少比如每个类只有 30~50 张准确率很容易因为几张图片的难易程度上下浮动。另外一个原因是训练过程中开了增强模型看到的训练样本被加噪验证时喂的是原图所以验证精度比训练精度高是常见现象。解决不用太担心。但如果波动幅度超过 5%我建议先增大验证集比例比如从 10% 提高到 20%再看指标是否趋于稳定。更稳的评估方式是多次重复训练或者做 k 折验证不过五个类别的花卉分类任务一般单次训练加上一个合理的 val 比例就够判断模型好坏了。5.5 反正权重很小训练特别快但最后精度不如别人帖子里的 99%现象别人跑同款数据集能到 99%你只到 93%怀疑自己操作有问题。原因别人可能用了不同的模型规格、训练轮数、图片分辨率、随机种子甚至数据切分方式不一样。YOLOv8 分类任务在轻量数据集上精度差异很大程度来源于数据切分和增强参数。比如别人可能用 80/20 切分类别数量更均衡而你可能因为随机种子不同把一些特别难的图片分进了验证集。解决直接把我的建议抄作业——随机种子固定为 42切分比例 90/10模型用 yolov8s-clsimgsz 224训练 150 轮。这套配置在大多数 5 类花卉数据上都能稳定达到 95% 以上。如果还想要更高把 imgsz 升到 256或者用 yolov8m-cls但显存占用会明显增加收益未必对等。6. 快速验证数据集质量的两板斧损失曲线与混淆矩阵检查训练完一轮之后最值得花时间做的不是反复调参重训而是把训练产物里的混淆矩阵和损失曲线拉出来看一眼。YOLOv8 训练结束后会在 runs/classify/flowers_exp1 下自动生成confusion_matrix.png和results.png前者是验证集上的混淆矩阵可视化后者是 loss 和 top1_acc 随 epoch 变化的曲线。看混淆矩阵时重点检查对角线上的数值是不是明显高于其它位置。如果发现 dandelion 经常被误判成 daisy先别急着改模型去看这两个类别的图片是否真的容易混淆——比如背景里都是大片绿色草地花的颜色也相近。这时候数据增强里的色彩抖动可能反而放大了混淆尝试把hsv_h降到 0.005 或直接关闭看是否有改善。损失曲线方面我的判断经验是前 20 轮 loss 要快速下降中间 50 轮逐渐趋缓最后进入平台期。如果 loss 曲线在训练末尾还在明显下降说明 150 轮还没收敛可以加轮次继续训如果 loss 在某个点突然反弹大概率是学习率没配上 patience 策略把patience调小或者降低lr0会更好。最后一件事也是我养成的习惯训练完随便抽三张不同类别的图片打好包上传到自己的笔记里存档。因为在跑业务项目时很多时候不是模型不够好而是数据更新了、类别变了回头对比时找不到当初验证过的那批样本。这套从数据整理、格式校验、训练参数到闭环推理的流程我前后在至少四个不同场景里复用过每次都能在半小时内完成一次完整的基线实验。希望帮到你。本文还有配套的精品资源点击获取