简介：本资源为花生叶片病害检测数据集，面向从事农业图像识别、深度学习目标检测的科研人员、学生与算法工程师，可用于训练和验证花生叶片病害检测模型，解决病害样本不足、标注数据获取困难的问题。压缩包共335个文件，以166个jpg图像与166个xml标注文件为主，另含2个csv标签文件与1个txt说明文件，整体约7.73MB，图像与标注一一对应，便于直接接入YOLO、Faster R-CNN等检测框架。目前已有346人学习下载，具备一定参考热度。数据集覆盖多种花生叶片病害场景，xml文件提供目标框与类别信息，csv文件可用于训练集与测试集划分，方便读者快速构建数据加载流程、开展模型训练与效果评估，也可用于数据增强、迁移学习等实验，是农业病害识别方向较为实用的入门与验证素材。
1. 花生叶片病害检测数据集：从“数据荒”到模型落地的第一块砖
做过农业视觉项目的人都有一个共识：模型效果的上限，往往在数据集阶段就已经被锁死了。花生叶片病害检测数据集，说白了就是一批带标注的花生叶片图像，覆盖褐斑病、黑斑病、网斑病、锈病等常见叶部病害，以及健康叶片样本，标注格式通常是 VOC XML 或 YOLO TXT，用于训练目标检测模型。它解决的不是“有没有图”的问题，而是“图够不够真、标注够不够准、类别够不够均衡”的问题。适合谁？做智慧农业落地的算法工程师、想发论文但缺真实数据的研究生、以及拿开源数据集练手目标检测的开发者。我见过太多人拿到数据集直接开训，结果 mAP 卡在 0.5 上不去，回头一看，标注框把病斑和叶脉混在一起，这种翻车现场比模型本身的问题更致命。这一章先把“这是什么、能解决什么、适合谁”讲清楚，后面再拆怎么用、怎么调、怎么避坑。
2. 花生叶片病害检测数据集的结构拆解与选型逻辑
2.1 数据集目录长什么样：VOC 与 YOLO 两种主流格式
拿到一个花生叶片病害检测数据集，第一件事不是急着写训练脚本，而是把目录结构摸清楚。常见做法是两种格式并存：VOC 格式用Annotations存 XML，JPEGImages存原图，ImageSets/Main存训练验证划分；YOLO 格式则用images和labels两个平行目录，标签是归一化后的class_id x_center y_center w h。我一般会先跑一段脚本统计类别分布和图像尺寸，因为农业数据集最常见的坑就是类别极度不均衡——健康叶片样本占了七成，锈病只有几十张，这种数据直接训出来的模型对少数类几乎无响应。
import os import xml.etree.ElementTree as ET from collections import Counter # 统计 VOC 格式下每个类别的标注框数量 def count_voc_classes(anno_dir): counter = Counter() for xml_file in os.listdir(anno_dir): if not xml_file.endswith('.xml'): continue tree = ET.parse(os.path.join(anno_dir, xml_file)) root = tree.getroot() for obj in root.findall('object'): name = obj.find('name').text counter[name] += 1 return counter # 替换成你的 Annotations 路径 result = count_voc_classes('./Annotations') for cls, num in result.most_common(): print(f'{cls}: {num}')这段代码的逻辑很直接：遍历所有 XML，提取object下的name字段做计数。参数上唯一要注意的是路径别写错，Windows 下反斜杠和正斜杠混用容易报错，建议统一用os.path.join。跑完之后你会得到一张类别分布表，如果最大类和最小类差距超过 10 倍，后面训练时就得考虑重采样或者加类别权重，否则模型会“偷懒”只预测多数类。
2.2 为什么农业数据集不能直接套用 COCO 预训练权重
很多人图省事，直接拿 COCO 预训练的 YOLO 权重来微调花生叶片病害检测数据集，结果发现收敛特别慢。原因不复杂：COCO 里的类别是人、车、狗，纹理特征和叶片病斑完全不是一个分布。病斑的关键特征是颜色异常（褐、黑、橙黄）和局部纹理粗糙，而 COCO 预训练模型底层学到的边缘和颜色先验跟这个场景错位。我的做法是：如果数据量超过 2000 张，从 COCO 权重起步做微调仍然比从头训快；但如果只有几百张，不如直接用 ImageNet 预训练的骨干网络，甚至考虑冻结前几层。另一个选型点是输入分辨率——花生叶片病斑在整张图里占比可能只有 5% 到 15%，用 416×416 输入会丢细节，我一般会拉到 640×640 甚至 800×800，代价是显存和推理时间上升，这个取舍后面章节会展开。
2.3 标注质量自查：三个必须跑的检查脚本
标注质量决定模型天花板，这话我说过很多遍。拿到数据集后，我至少跑三个检查：第一，检查标注框是否越界（xmax 超过图像宽度、ymax 超过高度）；第二，检查宽高是否为零或负数；第三，检查同一张图里是否有完全重叠的重复框。下面这段脚本一次性覆盖前两项。
import os import xml.etree.ElementTree as ET from PIL import Image def check_annotation_validity(anno_dir, img_dir): issues = [] for xml_file in os.listdir(anno_dir): if not xml_file.endswith('.xml'): continue tree = ET.parse(os.path.join(anno_dir, xml_file)) root = tree.getroot() img_name = root.find('filename').text img_path = os.path.join(img_dir, img_name) if not os.path.exists(img_path): issues.append(f'{xml_file}: 图像文件缺失') continue with Image.open(img_path) as im: w, h = im.size for obj in root.findall('object'): bbox = obj.find('bndbox') xmin = int(bbox.find('xmin').text) ymin = int(bbox.find('ymin').text) xmax = int(bbox.find('xmax').text) ymax = int(bbox.find('ymax').text) if xmax <= xmin or ymax <= ymin: issues.append(f'{xml_file}: 宽高非法 ({xmin},{ymin},{xmax},{ymax})') if xmin < 0 or ymin < 0 or xmax > w or ymax > h: issues.append(f'{xml_file}: 框越界 ({xmin},{ymin},{xmax},{ymax}) vs ({w},{h})') return issues for msg in check_annotation_validity('./Annotations', './JPEGImages'): print(msg)逻辑说明：先解析 XML 拿到文件名，再去图像目录确认文件存在，然后用 PIL 读实际宽高，最后逐框比对。参数上注意int()转换，有些标注工具会写出浮点数字符串，直接转 int 会抛异常，稳妥做法是先float()再int()。跑完如果输出一堆越界记录，别急着删，先看看是不是标注工具坐标系搞反了（比如把 y 当 x 写），这种系统性错误修起来比逐张改快得多。
3. 用 YOLOv8 在花生叶片病害检测数据集上跑通训练与验证
3.1 从 VOC 转 YOLO 格式：转换脚本与四个边界坑
YOLOv8 只认 YOLO 格式标签，所以第一步是转格式。转换逻辑本身不复杂：读 XML 拿 bbox，归一化到 0 到 1 之间，类别名映射成索引，写 TXT。但实际跑的时候有四个坑几乎每次都会遇到：第一，类别名大小写不一致，rust和Rust被当成两类；第二，图像文件名带空格或中文，写路径时出错；第三，归一化时用了图像原始尺寸但读的是缩略图尺寸；第四，空标签文件（没有目标的负样本）要不要保留。我的处理方式是：类别名统一转小写并去空格，文件名统一重命名为纯数字，归一化严格用Image.open读到的尺寸，空标签文件保留但要在训练配置里确认ignore_empty行为。
import os import xml.etree.ElementTree as ET from PIL import Image # 类别映射，按你的数据集实际类别改 CLASS_MAP = {'healthy': 0, 'leaf_spot': 1, 'rust': 2, 'blight': 3} def voc_to_yolo(anno_dir, img_dir, out_label_dir): os.makedirs(out_label_dir, exist_ok=True) for xml_file in os.listdir(anno_dir): if not xml_file.endswith('.xml'): continue tree = ET.parse(os.path.join(anno_dir, xml_file)) root = tree.getroot() img_name = root.find('filename').text with Image.open(os.path.join(img_dir, img_name)) as im: w, h = im.size lines = [] for obj in root.findall('object'): cls_name = obj.find('name').text.strip().lower().replace(' ', '_') if cls_name not in CLASS_MAP: continue cls_id = CLASS_MAP[cls_name] bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) x_center = (xmin + xmax) / 2.0 / w y_center = (ymin + ymax) / 2.0 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h lines.append(f'{cls_id} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}') out_name = os.path.splitext(xml_file)[0] + '.txt' with open(os.path.join(out_label_dir, out_name), 'w') as f: f.write('\n'.join(lines)) voc_to_yolo('./Annotations', './JPEGImages', './labels')参数说明：CLASS_MAP必须和你的data.yaml里names顺序完全一致，否则训练时类别全乱。归一化保留 6 位小数足够，YOLO 官方也是这个精度。如果某张图没有目标，lines为空，写出来是空文件，YOLOv8 默认会忽略空标签文件，但如果你想让模型学会“这张图没有病斑”，需要在配置里显式处理。
3.2 data.yaml 里三个必调参数：路径、类别数、验证集比例
YOLOv8 训练靠data.yaml驱动，这个文件写错一个字段，训练直接报错或者静默用错数据。三个关键参数：path是数据集根目录，train和val是相对路径，nc是类别数，names是类别名列表。我见过最常见的错误是nc写了 4 但names只列了 3 个，训练时索引越界；另一个是val路径指向了训练集，导致验证指标虚高，上线就翻车。
path: /data/peanut_leaf train: images/train val: images/val nc: 4 names: - healthy - leaf_spot - rust - blight验证集比例我一般留 15% 到 20%，如果数据量少于 1000 张，用 5 折交叉验证比固定划分更稳。注意path用绝对路径，train和val用相对路径，这样换机器时只改一行。
3.3 训练命令与关键超参：epochs、imgsz、batch 怎么定
YOLOv8 的命令行训练很简洁，但超参选择直接决定收敛速度和最终精度。我的起步配置是epochs=100、imgsz=640、batch=16，如果显存不够就降 batch 并开amp（自动混合精度）。学习率用默认的lr0=0.01配合余弦退火，但农业数据集样本少，我通常会把lr0降到 0.001 到 0.005，防止早期震荡。
yolo detect train \ data=/data/peanut_leaf/data.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.005 \ patience=20 \ project=peanut_runs \ name=exp1参数说明：model选yolov8s还是yolov8m看数据量，1000 张以下用 s，3000 张以上可以上 m。patience=20表示 20 轮验证指标不升就早停，省时间。project和name控制输出目录，建议每次实验换个 name，方便对比。训练过程中重点看mAP50和mAP50-95两条曲线，如果 mAP50 早早到 0.9 但 mAP50-95 只有 0.5，说明框的位置回归不准，多半是标注框太松或太紧。
3.4 验证与推理：用混淆矩阵定位“假阳性重灾区”
训练完别只看一个 mAP 数字，跑一下验证集生成混淆矩阵，能看出模型把哪个类别认成哪个类别。花生叶片病害里，褐斑病和黑斑病在早期视觉上非常像，模型很容易混。下面这段脚本用 YOLOv8 的验证接口输出混淆矩阵和每类 AP。
from ultralytics import YOLO model = YOLO('peanut_runs/exp1/weights/best.pt') metrics = model.val(data='/data/peanut_leaf/data.yaml', imgsz=640, conf=0.25) print('mAP50:', metrics.box.map50) print('mAP50-95:', metrics.box.map) for i, name in enumerate(metrics.names): print(f'{name}: AP50={metrics.box.ap50[i]:.4f}')逻辑说明：conf=0.25是推理置信度阈值，验证时用默认值即可，但实际部署时这个值要按业务调——宁可漏检不可误检的场景调高到 0.5，宁可误检不可漏检的场景降到 0.1。metrics.box.ap50是每个类别的 AP，如果某个类别 AP 低于 0.3，基本可以判定该类样本太少或标注质量差，需要回头补数据。
4. 花生叶片病害检测数据集训练中的避坑与排查
4.1 现象：训练 loss 正常下降但 mAP 始终为 0
原因：标签类别索引和data.yaml里的names顺序对不上，模型学到的类别和验证时计算的类别错位。解决：用脚本打印一张图的标签内容和对应 XML，逐字段比对class_id是否落在0到nc-1范围内，同时确认names列表顺序和转换脚本里的CLASS_MAP完全一致。
4.2 现象：模型在验证集上表现很好，但拿田间新照片推理全错
原因：数据集里的图像大多是实验室或近距离拍摄，背景单一、光照均匀，而田间照片背景杂乱、有土壤和茎秆干扰。解决：做数据增强时加入随机裁剪、色彩抖动、马赛克增强，并且尽量在数据集里混入至少 20% 的田间实拍图。如果实在没有田间图，用 CutMix 把病斑区域贴到不同背景上，能一定程度提升泛化。
4.3 现象：小病斑漏检严重，大斑块检测正常
原因：输入分辨率不够，或者锚框尺寸和病斑实际尺寸不匹配。解决：把imgsz从 640 提到 800 或 1024，同时检查 YOLOv8 默认锚框是否覆盖你的病斑尺寸分布——用 k-means 对训练集所有 bbox 做聚类，看聚类中心是否和默认锚框差距大，差距大就重新生成锚框配置。
4.4 现象：训练到一半显存溢出（OOM）
原因：batch设太大，或者imgsz提高后没有同步降 batch。解决：按batch × imgsz²估算显存占用，显存不够时优先降 batch 而不是降 imgsz，因为分辨率对病斑检测影响更大。另外开启amp=True能省约 30% 显存，但要注意某些老显卡对混合精度支持不好，开了反而更慢。
4.5 现象：同一张图里同一病斑被检测出多个框
原因：NMS（非极大值抑制）的 IoU 阈值设太高，或者标注时同一病斑被标了多个重叠框。解决：推理时把iou阈值从默认 0.7 降到 0.5 到 0.6，同时回头检查训练标签，用脚本统计同一图内 IoU 大于 0.8 的框对，超过阈值就合并或删除。
5. 把花生叶片病害检测数据集用出复利：增量标注与模型迭代的闭环
数据集不是一次性消耗品，而是可以滚雪球的资产。我自己的习惯是：第一版模型训完之后，拿它去推理一批未标注的田间照片，把置信度在 0.3 到 0.6 之间的“模糊样本”挑出来人工复核，确认后加入训练集。这批样本往往是模型最薄弱的场景，补进去之后下一版模型提升最明显。这个流程叫“主动学习”，在农业场景里特别管用，因为田间环境变化太多，你不可能一次性拍全所有情况。
具体操作上，我会写一个脚本把推理结果按置信度分桶，低于 0.3 的直接丢弃，高于 0.6 的自动转成伪标签但只做参考，中间那段导出成待标注清单。每轮迭代补 100 到 200 张，训 50 轮左右，观察 mAP 是否还有提升空间。一般三轮之后提升会放缓，这时候要么换更大的模型，要么去补全新类别的病害样本。
另一个技巧是维护一个“困难样本库”，把每次验证时假阳性和假阴性最高的图单独存一份，训练时对这些图做 oversampling。这个做法在花生锈病检测上帮我提了将近 8 个点的 AP50，因为锈病的橙色孢子堆在强光下和健康叶片的黄色斑点极易混淆，只有反复喂这些困难样本，模型才能学到细微的颜色和纹理差异。
最后说一个我踩过的坑：别在数据集版本管理上偷懒。我早期用文件夹名区分v1、v2，结果时间一长自己都忘了哪版改了哪些标注，复现实验时对不上号。后来改成用 DVC 或者简单的 CSV 记录每版数据集的图像数量、类别分布、标注修改摘要，训练脚本里固定引用版本号，这样任何一次实验结果都能追溯到具体数据。这个习惯看起来麻烦，但当你需要回滚或者对比实验时，它就是后悔药。希望帮到你。
本文还有配套的精品资源，点击获取
