简介面向目标检测算法学习与农业智能化项目开发这份作物杂草数据集提供了200张带精细标注的田间图像覆盖常见作物与杂草类别适用于yolov5、yolov7、yolov8、yolov9、yolov10及yolo11等主流yolo系列算法可直接用于模型训练与验证测试。资源包共601个文件包括200张jpg原图、200个txt格式的yolo标签、200个xml格式的voc标签以及1个data.yaml配置文件压缩包整体大小约185.56MB。其中txt标签严格遵循yolo格式记录类别索引与归一化后的中心点坐标、宽高比例xml标签则便于在voc框架下使用双格式设计提升了数据兼容性。数据集已经划分完毕目录结构清晰配置好data.yaml后即可开始训练省去手动整理与格式转换环节。对需要作物杂草样本进行算法对比实验或落地应用的开发者而言这是一份现成的高质量训练数据目前已有106人学习使用。1. 为什么我建议用这200张图先跑通yolo流程手头只有200张带标签的作物杂草图像很多人第一反应是“不够”。我拆过不少农业视觉项目实际结论是200张精标数据足够完成yolov5到yolo11的流程验证、训练脚本调通、指标曲线观察、以及部署前的推理测试。真正要你命的不是数据量而是标签格式混乱、目录划分错误、归一化坐标写错——这类问题在千级数据集里排查成本极高在200张图上半天内就能定位。这份压缩包的价值不在于“能训练出一个田间可用的杂草检测器”而在于它的标签同时给了yolo格式txt和voc格式xml还把train/val/test划分和data.yaml都准备好了。你想换yolov5、yolov8、yolov9还是yolo11只需要改模型配置和超参不用重标数据。适合两类人第一次接触yolo目标检测的初学者以及需要在短时间内验证某个检测头或损失函数改进效果的工程师。2. yolo格式与voc格式标签两种标注的转换与校验2.1 标签文件夹结构txt与xml各存一份的意义解压后你会看到两个标签目录一个存.txt一个存.xml。这不是冗余而是两种工具链的需要。yolo格式是ultralytics系列、darknet框架直接读取的格式训练时通过图像的相对路径找到同名txt文件voc格式则是labelImg这类标注工具的原生导出格式也是yolov5中x2lab、labelimg2yolo这类转换脚本的中间层。很多公开数据集只提供voc格式需要自己写转换这个包直接给了双份省一步脏活。常见做法是把xml当作“可读的标注档案”txt当作“喂给模型的加速格式”。因为xml里除了目标框还有folder、filename、source等元信息适合做标签筛选、合并、回滚txt则是纯数字每行对应一个目标模型读取时解析速度更快。如果你要修改某个类别优先改xml再重新导出txt避免两边不同步。2.2 yolo标签格式参数拆解从class到归一化坐标一张img_0323_177.jpg对应的txt文件内容可能是这样的0 0.523437 0.355469 0.078125 0.210938 0 0.801562 0.675781 0.062500 0.187500 1 0.412500 0.812500 0.093750 0.140625每行五个数字依次是类别索引、中心点x、中心点y、目标框宽度、目标框高度。注意所有坐标都是相对于图像宽度和高度的比例值范围0到1。类别索引从0开始如果data.yaml里类的顺序是[weed, crop]那么0代表杂草1代表作物。这里最容易踩坑的是坐标中心点的相对值。很多人第一反应认为和OpenCV的矩形框一样是左上角和右下角坐标但yolo存储的是中心点和宽高。训练时模型输出也是这种格式预测后再乘以图像宽高才能画出实际边框。如果你从voc格式转换公式为x_center (xmin xmax) / 2 / widthy_center (ymin ymax) / 2 / heightbox_width (xmax - xmin) / widthbox_height (ymax - ymin) / height。2.2.1 坐标归一化的计算与反推假设图片尺寸是640x640xml里某个目标的边框是xmin100, ymin150, xmax200, ymax250那么中心点坐标是(100200)/2150(150250)/2200宽度是100高度是100归一化后为150/6400.234375200/6400.3125100/6400.15625。最终txt行是0 0.234375 0.3125 0.15625 0.15625。反过来从txt还原像素坐标的逆变换是xmin (x_center - width/2) * img_widthymin (y_center - height/2) * img_height其余类推。我一般会用这个反推写个脚本把所有txt画到原图上生成检查图一眼就能看出标注是否错位。2.3 voc Xml格式的解析与边界框字段xml文件里核心标签是object每个object对应一个目标内部有name、bndboxbndbox包含xmin、ymin、xmax、ymax。注意这些是绝对像素坐标不是归一化值。解析时使用xml.etree.ElementTree即可但要注意几个坑bndbox的标签顺序不一定是xmin,ymin,xmax,ymax有的标注工具会输出xmin,ymax,xmax,ymin所以不要按字段顺序索引要用.find(xmin).text方式取值。另外xml中可能存在difficult字段表示目标是否难以识别转换yolo格式时通常丢弃这个字段或者把它作为样本权重参考。如果你要自己实现voc转yolo核心逻辑是遍历所有object读取name映射到类别索引再用上述公式计算归一化框。这个包既然已经转好了你只需要验证转换是否正确不需要重新转。2.4 用python脚本批量校验标签是否越界拿到数据集后我最先做的不是训练而是跑一个校验脚本。检查三点txt文件名是否和jpg文件名一一对应每个txt文件是否为空文件归一化坐标是否小于0或大于1。空文件表示该图没有目标训练时yolo会跳过但如果你的数据集类别很少空文件太多会导致模型偏向背景。我一般把空标注文件单独拎出来决定是否从训练集剔除。import os from pathlib import Path img_dir Path(images/train) label_yolo Path(labels/train) # 假设yolo标签放在labels/train bad_list [] for img_path in img_dir.glob(*.jpg): label_path label_yolo / (img_path.stem .txt) if not label_path.exists(): bad_list.append(fmissing label: {img_path.name}) continue with open(label_path, r) as f: lines f.read().strip().splitlines() if len(lines) 0: bad_list.append(fempty label: {img_path.name}) continue for line in lines: parts line.split() if len(parts) ! 5: bad_list.append(fbad format: {img_path.name} - {line}) continue cls int(parts[0]) coords list(map(float, parts[1:])) if max(coords) 1.0 or min(coords) 0.0: bad_list.append(fout of range: {img_path.name} - {line}) print(ftotal issues: {len(bad_list)}) for item in bad_list[:20]: print(item)脚本逻辑是逐个图片找对应txt检查是否存在、是否为空、每行是否5个字段、坐标是否都在0到1之间。如果max(coords) 1.0说明有坐标没有归一化常见原因是转换时除以了图片短边而不是宽度。跑完如果零输出再放心进入下一步。参数说明img_dir和label_yolo路径要根据你解压后的实际目录调整cls虽然在校验时没被使用但保留这个变量是因为后续如果你想做类别分布统计可以直接从这里累加。3. 数据集配置文件data.yaml的编写与yolo系列训练入口3.1 data.yaml关键参数说明压缩包里的data.yaml是yolo系列的通用配置内容类似train: ./datasets/weeds/images/train val: ./datasets/weeds/images/val test: ./datasets/weeds/images/test nc: 2 names: [weed, crop]train和val指向图像目录的绝对路径或相对路径注意指向的是images目录而不是labels目录。yolo训练时会自动把路径中的images替换为labels去找对应的标注文件。如果你把路径写成labels/train它会找不到图像直接报错。nc是类别数量必须和names列表长度一致。这里names的顺序决定了txt里类别索引的含义如果顺序写错所有标签的类别都会错位。一个容易被忽略的参数是pathultralytics新版允许在yaml顶部写path: /绝对路径然后用相对路径引用train和val。我建议始终写绝对路径或者把数据集放在项目目录下用相对路径避免换个环境后路径失效。test可以省略但验证时如果想跑测试集保留会更方便。3.2 在yolov5中启动训练的命令与参数解释假设你已经把数据解压到datasets/weeds使用yolov5仓库训练的命令如下cd yolov5 python train.py --data ../datasets/weeds/data.yaml --weights yolov5s.pt --img 640 --batch 16 --epochs 100 --name weeds_exp参数说明--data指向刚才的yaml文件--weights yolov5s.pt表示用yolov5s预训练权重作为起点小数据集训练时迁移学习能显著提升收敛速度如果你的图像尺寸不是640改成416或320可以加快速度但同时会让小目标更难被检测--batch 16是显卡显存允许的前提下尽量大200张图batch16大约13个step一个epoch收敛非常快--epochs 100对于小数据集偏多其实50轮就能观察趋势但我习惯先设100让学习率衰减完整走一遍训练到第30轮如果已经过拟合就手动停。--name weeds_exp是实验名输出会保存在runs/train/weeds_exp目录下。这里要注意yolov5训练时会自动读取data.yaml中的类别信息并在runs/train/weeds_exp/下生成标签分布图和训练过程曲线。如果出现AssertionError: train: No labels in ...说明yaml中的train路径指向的目录下没有对应的txt文件去检查images和labels目录结构是否配对。3.3 在yolov8/yolo11中启动训练的差异yolov8和yolo11使用ultralytics库命令行更简洁但参数名和yolov5不同yolo train datadatasets/weeds/data.yaml modelyolov8s.pt epochs100 imgsz640 batch16 projectweeds_runs nameexp1注意modelyolov8s.pt会自动从官方仓库下载预训练权重如果你处于离线环境需要提前把权重文件下载到本地并把model参数改成权重文件路径。data可以直接写相对路径但为了可复现我建议统一用data/完整路径/data.yaml。yolo11的启动命令一样只是把yolov8s.pt替换为yolo11s.pt。这里有个细节ultralytics版本不同yolo train的写法基本不变但训练日志输出格式有差异新版会输出每个epoch的box_loss、cls_loss、dfL_loss旧版可能只输出mAP曲线。如果显卡显存不足优先降batch而不是降imgsz。imgsz降到320会显著改变预训练特征的感受野导致小目标漏检batch降到4虽然训练慢但结果更接近预设超参的行为。另外yolov8默认开启cacheTrue会把图片加载进内存200张图无所谓但如果你后续换大数据集显存被cache吃满的话要设cacheFalse。4. 训练前必须做的数据划分与图像检查4.1 目录划分train/val/test如何组织压缩包已经划分好训练集、验证集和测试集标准目录结构如下datasets/weeds/ ├── data.yaml ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/labels/train下存放的是和images/train同名的txt或xml文件。如果你的数据集没有划分我一般按8:1:1切分但样本数少于500时更合理的做法是5:2:3因为测试集如果太小mAP曲线会有很大抖动排除模型偶然表现好的情况。切分时要保证同一张图像的txt和xml都跟随图像移动到对应目录不能只移动图片。我用写脚本的方式切分用os.rename统一移动避免手动拖拽导致错乱。另一个常见问题是train和val之间类别分布不均匀。200张图里如果杂草有150张作物只有50张随机划分后train和val里作物的数量可能相差很大。这时候要用分层抽样按类别比例来决定每张图归属而不是纯随机。因为yolo读取标签是逐文件逐行解析无法在训练时自动做类别重采样只能从源头上保证分布一致。4.2 图像尺寸、通道与exif方向问题yolo训练时内部会自动缩放图像到imgsz但原始图像的分辨率会影响缩放后目标的尺寸。假设原图是4000x3000一个杂草框宽度200px缩放成640x640后框宽度大约34px还能识别如果原图是1920x1080同样的目标缩放后只有21px且宽高比经过padding后更小。因此检查图像分辨率很重要如果相机拍摄的分辨率差异过大建议先统一缩放到1280或640再进行标注否则模型学到的目标尺度特征不稳定。通道方面yolo要求三通道RGB图像灰度图或RGBA四通道图会被opencv读取时自动转换但RGBA的alpha通道可能被忽略或产生意外行为。我一般写个脚本强制转成RGB并去掉alpha通道。exif方向问题在手机拍摄图像中很常见相机在竖拍时可能存储旋转标记但opencv读取后不会自动应用旋转导致标注的坐标全部偏移。解决方案是先用PIL.ImageOps.exif_transpose处理图像后再重新生成标签。from PIL import Image, ImageOps from pathlib import Path src_dir Path(images/train_dirty) dst_dir Path(images/train) dst_dir.mkdir(exist_okTrue) for p in src_dir.glob(*.jpg): img Image.open(p) img ImageOps.exif_transpose(img) # 应用exif方向修正 img img.convert(RGB) # 去除alpha img.save(dst_dir / p.name, quality95)这段代码适合小批量清洗。exif_transpose会根据JPEG头部的exif信息调整像素方向处理后再保存此时虽然文件名没变但实际像素排列已经翻转或旋转原标注如果是在未转置的图像上标的就作废了。所以我通常在标注之前先做这一步告知团队所有后续标注和训练都基于清洗后的图像。4.3 用python检查每张图是否都有对应标签训练时yolo不会报“某张图没标签”的错误而是默默跳过导致有效训练样本比预期少。用脚本核对一下最稳妥from pathlib import Path subsets [train, val, test] for sub in subsets: img_dir Path(fdatasets/weeds/images/{sub}) lbl_dir Path(fdatasets/weeds/labels/{sub}) imgs sorted(img_dir.glob(*.jpg)) missing [] for img in imgs: txt lbl_dir / (img.stem .txt) if not txt.exists(): missing.append(img.name) print(sub, total:, len(imgs), missing:, len(missing)) for m in missing[:10]: print( , m)输出结果会告诉你每个子集的图像数量和缺失标签数量。如果missing数量很大先检查是不是标签文件扩展名写错比如.text而不是.txt如果只有个别缺失直接把对应图像移到unused目录不用补标因为对200张图来说一张缺失只占0.5%样本量不值得为它重开标注工具。同时也要检查反向是否有txt文件没有对应图像。这种情况会导致训练时解析到标签但读不到图像yolov5会报Not all images found。通常发生在你手动拷贝标签时多复制了文件。清理掉多余的空壳txt即可。5. 验证模型效果的实用技巧mAP怎么看、过拟合怎么判断5.1 训练后验证命令训练完成后yolov5会自动保存最佳权重到runs/train/weeds_exp/weights/best.pt。单独验证用python val.py --data ../datasets/weeds/data.yaml --weights runs/train/weeds_exp/weights/best.pt --img 640 --task valyolov8则用yolo val modelweeds_runs/exp1/weights/best.pt datadatasets/weeds/data.yaml imgsz640 splitval验证输出会给出每个类别的mAP0.5和mAP0.5:0.95。对于200张图我一般只看mAP0.50.95项在小数据集上会偏低不说明模型差而是样本量支撑不了更精细的定位。重点关注杂草类别的召回率如果召回率低于0.7说明很多杂草框没被检出来这是后续调参的主要方向。5.2 用混淆矩阵和曲线定位错分验证完成后输出目录里有confusion_matrix.png和PR曲线。混淆矩阵能直接看出误报来源。如果杂草被误报成作物说明两类外观太像需要增加上下文特征或提高输入分辨率如果背景被误报为杂草说明模型学到的是背景噪声常见原因是训练图中存在大面积相似纹理。PR曲线中每个类别的曲线越靠右上越好如果曲线在低召回区域断崖式下跌说明置信度阈值设得太低验证时可以在conf_thres0.5基础上提到0.7再试。5.3 小数据集防过拟合的操作清单训练日志里如果train loss持续下降但val loss在20轮后开始上升就是过拟合迹象。操作上先加早停参数yolov5的--patience 20yolov8的patience20。然后做三件事第一把mosaic数据增强的概率调低yolov5中--mosaic 0.5yolov8中设mosaic0.5因为小数据集里多数图像是单株杂草mosaic把四张图拼一起反而制造了不真实的大图场景第二在hyp.yaml中降低lr0到0.001这样模型在有限样本上不会大步幅乱跳第三使用预训练权重的冻结训练冻结backbone前10层只训练检测头能极大减少可学习参数。最后一个小技巧用训练好的best.pt对测试集图片做批量推理并保存可视化结果命令是yolo predict modelbest.pt sourcedatasets/weeds/images/test save_confTrue。你翻开这些图片看置信度最高的几个框是否真的框住了完整杂草比任何曲线都直观。如果某个目标一半在框内一半在框外不要急着改阈值先回到标注里去检查这个样本的边框是否本身就画偏了——200张图里出现三五个标签偏差是正常的修正后重训一轮mAP往往能涨3到5个点。本文还有配套的精品资源点击获取