YOLO果园无花果目标检测数据集-324张

YOLO果园无花果目标检测数据集

YOLO26 目标检测模型训练全流程

📊 数据集基本信息

• 目标类别： [‘buah tin’]
• 中文类别：[‘无花果’]
• 训练集：324 张
• 验证集：0 张
• 测试集：0 张
• 总计：324 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:1names:['buah tin']

🖼️ 标注可视化

数据集下载

小郭AI日志：
https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzYzNTg4ODk4NA==&action=getalbum&album_id=4497813105477042181&scene=126#wechat_redirect @image:image.dbe2d44a14.png

数据集详细介绍

YOLO果园无花果目标检测数据集聚焦于农业领域的果实检测任务，尤其针对无花果的识别与定位。从名称可推断，该数据集主要用于果园管理、智能采摘及作物健康监测等场景，旨在通过计算机视觉技术提升农业生产效率。此类数据集在精准农业中具有重要价值，能够为自动化监测系统提供训练基础，支持对无花果生长状态的实时分析与决策支持。数据集的实际应用场景可能包括果园中的果实数量统计、成熟度评估以及病虫害识别等。

数据集包含324张图像，涵盖无花果在不同生长阶段和环境条件下的图像样本。尽管类别数量仅为1类，即“无花果”，但其实际应用中可能需要结合其他辅助信息进行更精细的分析，例如果实大小、位置变化或与其他植物的区分。这种单一类别的设计适用于特定目标的检测任务，如在果园环境中快速识别无花果的位置，但若需扩展至更复杂的场景，可能需要引入多类别标注以增强模型的泛化能力。

在标注规范方面，该数据集采用YOLO格式进行标注，确保了与主流目标检测框架的兼容性。每张图片均包含无花果的边界框坐标，便于模型训练与性能评估。虽然数据量相对较小，但其高质量的标注和明确的目标定义使其在特定领域内具备较高的训练价值，尤其适合用于验证算法在小规模数据上的表现或作为预训练模型的微调数据源。

该数据集的典型应用方向包括果园自动化监测系统、无花果采摘机器人以及农业智能决策支持系统。对于实际落地，建议结合多传感器数据（如RGB-D相机或热成像）提升检测精度，并逐步扩展类别以适应更复杂的农业场景。此外，可探索将该数据集与其他公开农业数据集融合，构建更具代表性的训练集，从而提升模型在真实环境中的鲁棒性与适应性。

YOLO26 目标检测算法原理

2026 年 Ultralytics 放出 YOLO26 的时候，社区最关注的不是精度涨了几个点，而是"端到端无 NMS"这个架构变革。

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 SGD，MuSGD 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：

Nano 版本参数量仅 2.4M，CPU 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。

YOLO26 训练步骤详解

YOLO26 的训练接口非常简洁，命令行和 Python API 两种方式都支持，选自己顺手的来。

环境准备：

pipinstallultralytics yolo checks python-c"import torch; print(torch.cuda.is_available())"

命令行训练：

yolo detect traindata=data.yamlmodel=yolo26n.ptepochs=100imgsz=416batch=16device=0lr0=0.005patience=50cos_lr=Trueclose_mosaic=10

Python API 训练：

fromultralyticsimportYOLO model=YOLO("yolo26n.pt")results=model.train(data="data.yaml",epochs=100,imgsz=416,batch=16,device=0,lr0=0.005,patience=50,cos_lr=True,close_mosaic=10,augment=True,amp=True,workers=8,)

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：

model=YOLO("runs/detect/train/weights/best.pt")results=model("test_image.jpg")results[0].show()

多 GPU 分布式训练：

yolo detect traindata=data.yamlmodel=yolo26n.ptdevice=0,1epochs=100

恢复中断的训练：

yolo detect trainmodel=path/to/last.ptdata=data.yamlresume=True

关键训练参数配置详解

下面这几个参数是 YOLO26 训练中最常被改动的，每个都有明确的推荐范围和适用场景。不用全部背下来，理解逻辑就行。

YOLO26 训练时 loss 曲线的下降速度和最终值受 lr0 和 weight_decay 影响最大。如果 loss 从一开始就降得很慢，大概率是 lr0 设低了。

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）→lr0=0.001,weight_decay=5e-4,dropout=0.2
• 大数据集（>1000张）→lr0=0.01,weight_decay=5e-4,batch=32+

训练可视化与TensorBoard：YOLO26 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model=last.pt并设置resume=True，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。

YOLO 系列算法演进史

YOLO 系列的发展史就是目标检测算法简史：v1 把检测定义为回归、v3 引入多尺度、v5 工程化落地、v8 统一框架、v11 精度突破、v26 去 NMS 化。

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-free（v8 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 + DFL，v26 可去 DFL）

YOLO 数据增强策略

数据增强是小数据集的救命稻草，但用得不好也会适得其反。先搞清楚每种增强在做什么，再决定怎么调整。

Mosaic 拼接：将 4 张训练图像随机缩放后拼接为一张，大幅增加场景组合的多样性。对背景复杂、目标尺寸差异大的场景特别有效。训练最后 10 轮通过close_mosaic=10自动关闭 Mosaic，让模型适应真实数据分布。

MixUp 混合：两张图像按一定比例（α=0.3）线性混合，标签也按同比例混合。能平滑模型决策边界，对小数据集防过拟合效果显著。

HSV 色彩空间扰动：在 HSV 通道上对图像进行随机偏移（色相 ±0.015、饱和度 ±0.7、明度 ±0.4），模拟不同光照和色彩条件下的拍摄效果，提升模型对光照变化的鲁棒性。

几何变换：随机水平翻转（fliplr=0.5）、随机缩放（scale=0.5）、随机平移（translate=0.1），帮助模型学习位置不变性特征。

Copy-Paste 增强：将目标实例复制到另一张图像的随机位置，增加目标实例多样性。通过copy_paste=0.3控制概率。

增强参数配置（data.yaml 中可选覆盖）：

hsv_h:0.015hsv_s:0.7hsv_v:0.4degrees:0.0translate:0.1scale:0.5shear:0.0perspective:0.0flipud:0.0fliplr:0.5mosaic:1.0mixup:0.1copy_paste:0.1

部署与应用建议

中等规模的部署有两个常见选择：自建推理服务 vs 云平台 API。324 张训出的模型精度通常已经够用，建议先上云测试效果，确认 P99 延迟和准确率达标后再决定是否本地部署。

model.export(format="onnx",imgsz=416)# 或导出 TensorRT（GPU 推理最快方案）model.export(format="engine",imgsz=416,half=True)

灰度发布策略：不要一次性全量切到新模型。用 10% 流量跑新模型一周，对比老模型的检测结果。重点关注漏检率和误检率的变化——这两个指标比 mAP 更能反映线上实际表现。

通用训练经验：324 张图训练目标检测模型，遇到的问题是典型的——数据不多不少，精度不上不下。

这种规模的数据集，调参的边际收益其实很高。几个值得优先尝试的方向：

一是学习率的余弦退火。默认 YOLO26 用的是 cos_lr 衰减，但周期很关键。如果训练 80 轮，lr0=0.01搭配cos_lr=True，学习率会从 0.01 平滑降到接近 0。这个曲线比阶梯式衰减更适合中等数据集，收敛更稳定。

二是mosaic=1.0时最后 10 轮关闭（close_mosaic=10）。这个设置让模型在训练末期接触真实数据分布，对部署时的精度很重要。很多人忽视这个参数，训完发现部署精度掉了一大截。

三是关注训练过程中的val_box_loss拐点。通常 30-40 轮附近会出现一个平台期，如果 50 轮后仍无明显下降，基本可以判断当前参数组合不够理想。

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 data=data.yaml做一次预检能省掉很多心累。

其次，训练过程中打开 TensorBoard（tensorboard --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。