简介：这份资源面向具备一定Python与PyTorch基础、希望上手番茄叶片病害目标检测的开发者与学习者，提供从数据处理到可视化识别的完整工程。包内共1470个文件，以730张jpg图像、358个xml标注、363个txt标签为主，另含3个py脚本、3个pt权重、3个yaml配置及训练日志、预测结果图等，压缩包约40.55MB。已有109人学习下载。资源覆盖数据集划分、模型训练与PyQt界面推理全流程：运行01脚本可将原始数据转为YOLO格式并生成train.txt、val.txt与data.yaml；02脚本用于训练模型；03pyqt.py则提供可视化界面，点击加载图片再点检测即可完成识别，适合直接调用已训练权重做推理，也可重新训练以适配自有数据。目录中保留的results.csv、验证批次预测图与标签图，便于复盘训练过程与评估检测效果，对课程设计、毕业项目或病害识别入门实践均有参考价值。
1. 番茄叶片病害目标检测：从一张病叶照片到可复现的检测流水线
大棚里番茄叶片刚出现水渍状暗斑时，人眼往往要凑近反复确认，等整株萎蔫再打药已经晚了。基于 Python 深度学习对番茄叶片病害做目标检测，要解决的就是这件事：让模型在一张叶片图像上直接框出病斑位置并给出类别，而不是只告诉你「这片叶子有病」。它和图像分类最大的区别在于，分类输出一个标签，目标检测输出若干带坐标的框和置信度，能定位到具体病斑区域，方便后续统计面积、判断扩散方向。这套方案适合三类人：想入门深度学习目标检测的学生、需要给农业场景做原型验证的工程师、手里有病害图像想跑通全流程的从业者。标题里带的数据集和代码，本质是把「数据准备—标注格式转换—模型训练—推理验证」这条链路打包好，让你不用从零攒数据就能跑起来。下面按我实际落地的顺序拆开讲，重点放在能抄作业的步骤和参数上。
2. 番茄叶片病害数据集：从原始图像到 YOLO 可训练格式
2.1 先搞清楚数据集里到底有什么
拿到一个目标检测数据集压缩包，别急着解压就训练。我一般先做三件事：看目录结构、统计图像数量、抽样看标注质量。番茄叶片病害常见类别包括早疫病、晚疫病、叶霉病、健康叶片等，不同数据集类别命名不统一，有的用中文文件夹名，有的用英文缩写。先确认类别数和每类样本量，类别极度不均衡会直接导致模型偏向多数类。
# 查看数据集目录结构，先摸清组织方式 find tomato_dataset -maxdepth 2 -type d # 统计图像数量，确认规模 find tomato_dataset -name "*.jpg" -o -name "*.png" | wc -l # 查看标注文件格式，常见有 xml(voc)、txt(yolo)、json(coco) find tomato_dataset -name "*.xml" | head -3 find tomato_dataset -name "*.txt" | head -3上面三条命令分别解决「结构是什么」「有多少张」「标注什么格式」。如果输出的是 xml，说明是 VOC 格式，需要转成 YOLO 的 txt；如果直接是 txt 且每行是类别 x_center y_center w h，那已经是 YOLO 格式，可以跳过转换。注意坐标是归一化到 0-1 的，不是像素值，这是新手最容易看错的地方。
2.2 VOC 转 YOLO：转换脚本和四个边界坑
大部分公开番茄病害数据集是 VOC 格式，转 YOLO 是绕不开的一步。核心逻辑是读 xml 里的bndbox，把绝对坐标转成归一化的中心点加宽高。
import os import xml.etree.ElementTree as ET # 类别映射，必须和后续 data.yaml 里的 names 顺序完全一致 classes = ["early_blight", "late_blight", "leaf_mold", "healthy"] def convert(size, box): dw, dh = 1.0 / size[0], 1.0 / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] return x * dw, y * dh, w * dw, h * dh def convert_annotation(xml_path, out_path): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w, h = int(size.find("width").text), int(size.find("height").text) with open(out_path, "w") as f: for obj in root.iter("object"): cls = obj.find("name").text if cls not in classes: continue cls_id = classes.index(cls) bndbox = obj.find("bndbox") box = (float(bndbox.find("xmin").text), float(bndbox.find("xmax").text), float(bndbox.find("ymin").text), float(bndbox.find("ymax").text)) bb = convert((w, h), box) f.write(f"{cls_id} " + " ".join([f"{v:.6f}" for v in bb]) + "\n")classes列表的顺序决定了标签编号，一旦训练中途改动，之前训的权重全废。convert里先算中心点再归一化，顺序不能反。四个边界坑：一是坐标越界，xmin 小于 0 或 xmax 大于图像宽度，转换后会出现负数或大于 1 的值，训练时报错；二是空标注文件，有些图像没有目标，转换后是空 txt，YOLO 会当成负样本，要确认这是否符合预期；三是类别名大小写不一致，Early_blight和early_blight会被当成两类；四是图像和标注文件名必须一一对应，差一个后缀就找不到标签。
2.3 划分训练集验证集和 data.yaml 配置
转换完别把所有数据丢进训练。按 8:2 或 7:3 划分，验证集用来观察是否过拟合。目录结构建议images/train、images/val、labels/train、labels/val分开。
import os, random, shutil random.seed(42) # 固定随机种子，保证每次划分一致，方便复现 imgs = [f for f in os.listdir("images_all") if f.endswith(".jpg")] random.shuffle(imgs) split = int(len(imgs) * 0.8) for i, img in enumerate(imgs): phase = "train" if i < split else "val" shutil.copy(f"images_all/{img}", f"images/{phase}/{img}") label = img.replace(".jpg", ".txt") shutil.copy(f"labels_all/{label}", f"labels/{phase}/{label}")random.seed(42)这行别省，否则每次划分不同，实验没法对比。划分后写data.yaml：
path: ./tomato_dataset train: images/train val: images/val nc: 4 names: ["early_blight", "late_blight", "leaf_mold", "healthy"]nc是类别数，必须和 names 长度一致，写错会直接报维度不匹配。path用相对路径时，训练命令要在对应目录下执行，否则找不到数据。
3. 用 YOLO 系列模型训练番茄病害检测器
3.1 模型选型：为什么优先选 YOLO 而不是两阶段检测器
目标检测主流分两派：两阶段如 Faster R-CNN，先出候选框再分类，精度高但慢；单阶段如 YOLO 系列，一次前向就出框和类别，速度快、部署友好。番茄叶片病害检测通常在田间或边缘设备上跑，实时性要求高，YOLO 更合适。YOLOv8 是当前工程落地比较稳的版本，API 统一，训练和推理都封装好了，新手不用自己写数据加载器。选它不是因为最新，而是因为文档全、社区问题多、踩坑容易搜到答案。如果你追求更轻量，可以选 n 或 s 版本；如果精度优先且显存够，选 m 或 l。
3.2 训练命令和必调参数
环境装好后，训练就一条命令的事，但参数决定成败。
# 安装依赖，ultralytics 封装了训练推理全流程 pip install ultralytics # 开始训练 yolo detect train \ data=./tomato_dataset/data.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=runs/tomato \ name=exp1model=yolov8s.pt是预训练权重，用 COCO 上训过的参数初始化，小数据集上收敛快很多，别从零训。epochs=100是上限，配合patience=20，验证指标 20 轮不提升就早停，省时间。imgsz=640是输入分辨率，病斑小的话可以提到 800 或 1024，但显存占用翻倍。batch=16看显存调，爆显存就减到 8 或 4。lr0=0.01是初始学习率，太大震荡，太小收敛慢，0.01 是常用起点。project和name决定结果保存路径，方便多组实验对比。
3.3 训练过程看什么指标
训练日志里重点看三个：box_loss定位损失、cls_loss分类损失、mAP50和mAP50-95。box_loss 和 cls_loss 持续下降是正常，如果震荡不降，多半是学习率太大或标注有问题。mAP50 是 IoU 阈值 0.5 时的平均精度，mAP50-95 更严格。番茄病斑边界模糊，mAP50 能到 0.7 以上就算可用，别盲目追求 0.9，那往往是过拟合或数据泄漏。验证集指标远低于训练集，说明过拟合，加数据增强或减模型复杂度。
from ultralytics import YOLO # 加载训练好的权重做推理 model = YOLO("runs/tomato/exp1/weights/best.pt") results = model.predict(source="test_leaf.jpg", conf=0.25, iou=0.45, save=True) # 打印每个检测框的类别和置信度 for r in results: for box in r.boxes: cls = model.names[int(box.cls)] conf = float(box.conf) xyxy = box.xyxy.tolist()[0] print(f"{cls} {conf:.2f} {xyxy}")conf=0.25是置信度阈值，低于它的框不输出，调高减少误检，调低减少漏检。iou=0.45是 NMS 的 IoU 阈值，重叠框超过这个值会被合并，病斑密集时适当调高避免漏掉相邻病斑。save=True会把画框结果存下来，方便肉眼核对。
4. 番茄病斑检测的避坑与排查清单
4.1 训练 loss 不降反升
现象：前几轮 loss 正常下降，突然飙升或变成 nan。原因通常是学习率过大或数据里有脏标注，比如坐标越界、宽高为负。解决：先把lr0降到 0.001 试，再写脚本扫一遍所有 label 文件，检查是否有值不在 0-1 之间或宽高为 0 的行，把异常样本剔除或修正。
4.2 验证集 mAP 很高但实际推理一塌糊涂
现象：训练日志里 mAP50 到 0.9，拿新照片一测全是误检。原因多半是数据泄漏，训练集和验证集里有同一张图的不同副本，或者验证集图像和训练集高度相似。解决：划分前对图像做去重，用感知哈希或简单 md5 比对，确保验证集是模型没见过的场景。另外检查推理时的预处理是否和训练一致，比如归一化方式、通道顺序。
4.3 小病斑检测不到
现象：大块病斑能框出来，早期小斑点全漏。原因是下采样后小目标特征丢失。解决：提高输入分辨率到 1024，或在模型里加 P2 小目标检测层。数据层面，对含小病斑的图做 mosaic 增强时注意别把病斑裁掉。推理时把conf降到 0.1 看是否召回，如果召回但误检多，说明模型对小目标判别力不足，需要补小目标样本。
4.4 类别混淆严重
现象：早疫病和晚疫病互相认错。原因这两类病斑在早期视觉特征确实接近，标注时人也会犹豫。解决：先核对标注一致性，同一张图不同人标可能标成不同类。然后考虑合并易混类别，或引入更细的特征，比如病斑边缘颜色、是否有同心轮纹。数据量不足时，类别合并比硬分更实际。
4.5 显存爆了训练中断
现象：跑几轮后 CUDA out of memory。原因是 batch 太大或 imgsz 太高。解决：先把 batch 减半，还不行就降 imgsz。也可以用梯度累积模拟大 batch，但 YOLO 封装里要手动改配置。另外训练前关掉其他占显存的进程，用nvidia-smi确认没有残留。
5. 把检测器推到可用：验证方法与调优技巧
训练完不是终点，得验证它到底能不能用。我一般做三层验证：第一层在留出的验证集上跑，看 mAP 和混淆矩阵；第二层找几张训练分布外的真实照片，比如不同光照、不同角度、不同品种的番茄叶，看泛化；第三层如果要做面积统计，把检测框面积累加，和人工标注的面积做相关性对比，相关系数低于 0.8 说明框不准，得回头调。
调优上有个实用技巧：冻结 backbone 微调。番茄病害数据集通常不大，从头训容易过拟合。先把 backbone 冻结，只训检测头 20 轮，再解冻全部微调 50 轮，往往比直接训 100 轮效果好。
# 第一阶段：冻结 backbone，只训检测头 yolo detect train data=./tomato_dataset/data.yaml model=yolov8s.pt \ epochs=20 freeze=10 lr0=0.01 name=stage1 # 第二阶段：解冻全部，小学习率微调 yolo detect train data=./tomato_dataset/data.yaml \ model=runs/tomato/stage1/weights/best.pt \ epochs=50 lr0=0.001 name=stage2freeze=10表示冻结前 10 层，具体层数看模型结构，YOLOv8s 的 backbone 大概在前 10 层。第二阶段学习率降到 0.001，避免破坏已学好的特征。这个两段式训练我在多个小数据集上试过，mAP 通常能比直接训高 3 到 5 个点。
另一个技巧是测试时增强（TTA），推理时对图像做翻转、缩放多尺度预测再融合，能提升 1 到 2 个点，代价是速度慢几倍，适合离线分析不适合实时。
results = model.predict(source="test_leaf.jpg", augment=True, conf=0.25)augment=True开启 TTA。注意它只在推理时生效，训练时的增强是另一套配置。
最后说个血泪经验：别在标注质量差的数据上死磕模型。我见过太多人模型换了一茬又一茬，mAP 上不去，回头一看标注框歪的、漏标的、类别标错的占了三成。花两天重新过一遍标注，比调两周参有用得多。数据集和代码只是起点，真正决定效果的是你对数据的理解和清洗。希望帮到你。
本文还有配套的精品资源，点击获取
