简介：这是一套面向番茄叶片病害识别的目标检测数据集，适合深度学习初学者和农业视觉研究人员用于模型训练、算法对比与复现实验。数据覆盖blight-disease、mosaic-virus、redspider-infection三类典型叶片病害，同时提供YOLO与VOC两种标注格式，可兼容YOLO系列、Faster RCNN、SSD等常见检测模型。
压缩包共2000个文件，主体为1999个txt标注文件和1个指定类别信息的yaml配置文件，整体大小约247.69MB。txt文件以YOLO格式保存归一化边界框与类别序号，yaml文件定义具体类别名称，便于训练时直接读取。标注数据已预先划分为训练集、验证集和测试集，拿到后即可开展YOLOv5至YOLOv10等系列模型的训练，省去自行整理标注、划分数据集的额外工作。
该数据集整体图片规模为6446张，目前已有393人学习使用，适合用于番茄叶片病害识别研究、农业智能检测项目实践，以及作为目标检测算法调参与效果对比的基准数据。
1. 番茄叶片病害识别数据集：目标检测落地农业的第一道门槛
温室和露地番茄的早疫病、晚疫病、叶霉病，往往从几片叶子上的小斑点开始，等到肉眼能大面积发现，整棚用药成本已经翻了几倍。番茄叶片病害识别数据集要解决的，就是用目标检测框出叶片上的病斑位置和类别，让巡检机器人或手机拍照后能实时给出判断。这个方向听着不复杂，真正做起来才发现，难的不是网络结构，而是数据本身：一张叶片上可能同时有十来个病斑，病斑之间形态接近，不同光照下颜色还漂移。适合谁？想做农业视觉落点的工程师、被小目标和不均衡样本折磨的检测玩家、以及需要把YOLO系模型真正部署到棚里的人。下面按我自己跑这类数据集的流程，把数据构建、格式转换、训练调参与踩坑一次说透。
2. 构建番茄叶片病害目标检测数据集：从图像采集到标注格式
2.1 采集环节：拍什么样的叶片照片才不会让模型学到错误特征
先把话说在前面：公开渠道能拿到的番茄叶病数据，相当一部分来自 PlantVillage 这类植物病理图像集，它们的特点是单叶居中、背景干净、光照均匀。这类数据做论文没问题，做落地巡检会翻车——你在棚里拍的叶片，背景有土壤、滴灌带、其他叶片阴影，阳光角度一变，同一片病叶的色调完全不同。
所以采集阶段我会按三个原则来定标准。第一，拍摄距离要覆盖两个尺度：近景特写（叶片占画面一半以上）用来框小病斑，中景（一株或几片叶）用来测模型在密集场景下的表现。第二，每类病害至少要有三个生长阶段：初期的针尖大小黄点、中期的典型坏死斑、晚期的连片枯死。只看中期样本训练，模型对早期症状的召回率基本是零。第三，背景不要刻意回避——允许土、茎、果实的干扰，但保证叶片本身是画面主体。
分辨率上，我一般要求叶片区域不低于 800×800 像素。很多手机拍出来是 4000×3000，这没问题，训练时再做缩放；但如果采集端就是网络摄像头或无人机下视，叶片在画面里只有几十个像素，那再强的检测器也白搭。这一条要写进采集规范里，不然标注环节会直接崩溃：标注员连病斑和叶脉都分不清，框出来全是噪声。
2.2 标注工具与标签体系：LabelImg、X-AnyLabeling 怎么选，类别怎么定
采集完原始图像，下一步是标注。目标检测常用标注工具里，我实际用过 LabelImg、labelme 和 X-AnyLabeling。LabelImg 胜在轻量，Python 直接 pip 装，支持 Pascal VOC 的 XML 格式，电脑配置一般也能跑；labelme 更偏多边形分割，虽然也能输出矩形框，但矩形标注效率反而不如 LabelImg。X-AnyLabeling 是后起之秀，内置了 YOLO 格式直接导出，还有半自动辅助标注模型，适合几百张以上的量。我的建议是：样本量 500 张以内用 LabelImg 就行，超过 1000 张老老实实上 CVAT 或 X-AnyLabeling 这类带团队协作和自动预标注的，能省一多半时间。
标签体系是这个数据集最需要较真的地方。番茄叶片病害常见的有早疫病（Alternaria solani）、晚疫病（Phytophthora infestans）、叶霉病、斑枯病、细菌性斑点病，还有健康叶片。很多人会把“病斑”和“病叶”混为一谈——用整片叶子作为检测框，模型学到的是“这片叶子形状像病叶”，而不是“这个病灶区域在哪”，这对定位毫无帮助。我的原则是：一个目标检测框只框一个独立病斑或一片连片病斑区域；同一张叶片上有多个分散病斑，就标多个框；病斑紧挨在一起时，如果边界还能区分就分开框，如果已经融合成一片坏死区就框成一个整体。
另外要特别注意“标签歧义”：早疫病的病斑有同心轮纹，晚疫病的水渍状边缘颜色偏深，但早期症状非常像。遇到拿不准的样本，我的处理方式简单粗暴——不确定就丢给专家复核，复核不了的直接删掉，绝不硬塞进某一类。宁可类别样本少一点，也不要制造脏标签，因为脏标签对目标检测的伤害比样本少大得多。
2.3 标注格式转换：把 VOC XML 转成 YOLO txt 的完整处理脚本
标注工具输出通常是 VOC XML 或 COCO JSON，而 YOLOv8 训练要的是每张图一个 txt、每行一个目标的归一化坐标。这一步不复杂，但坐标换算和类别索引的错位是高频翻车点。我一般写一个通用转换脚本：
# voc2yolo.py # 作用：将Pascal VOC格式的XML标注转换为YOLO格式的txt标注 import os import xml.etree.ElementTree as ET from pathlib import Path def convert_xml_to_yolo(xml_path, out_dir, class_names): tree = ET.parse(xml_path) root = tree.getroot() # 图像宽高：YOLO坐标需要按原图尺寸归一化 img_w = int(root.find('size').find('width').text) img_h = int(root.find('size').find('height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_names: continue class_id = class_names.index(name) bndbox = obj.find('bndbox') xmin = float(bndbox.find('xmin').text) ymin = float(bndbox.find('ymin').text) xmax = float(bndbox.find('xmax').text) ymax = float(bndbox.find('ymax').text) # 转换为中心点坐标 + 宽高，并做归一化 x_center = ((xmin + xmax) / 2) / img_w y_center = ((ymin + ymax) / 2) / img_h width = (xmax - xmin) / img_w height = (ymax - ymin) / img_h # 归一化后坐标越界时裁剪到[0,1]，避免训练报错 x_center = min(max(x_center, 0.0), 1.0) y_center = min(max(y_center, 0.0), 1.0) width = min(max(width, 0.0), 1.0) height = min(max(height, 0.0), 1.0) lines.append(f"{class_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}") # 每个xml对应一个同名txt，写入目标目录 out_path = Path(out_dir) / (Path(xml_path).stem + '.txt') out_path.write_text('\n'.join(lines), encoding='utf-8') # 使用示例 if __name__ == '__main__': # class_names的顺序就是训练时的类别ID，必须和后续yaml保持一致 class_names = ['healthy', 'early_blight', 'late_blight', 'leaf_mold'] os.makedirs('yolo_labels', exist_ok=True) for xml_file in Path('xml_labels').glob('*.xml'): convert_xml_to_yolo(str(xml_file), 'yolo_labels', class_names)这段代码的核心在两点。一是 bndbox 的四个像素坐标换算成中心点和宽高，这一步公式写错会导致框要么整体偏移、要么宽高比翻倍。二是归一化，YOLO 要求所有坐标除以图像宽度和高度，如果原图是 4000×3000 而标注工具显示的是缩放预览图上的坐标，不做对应缩放就会全图错位。我标过一个教训：用 LabelImg 打开大图时界面会自动缩放，但保存的 XML 里坐标始终是原始像素值，所以转换前先随手打印两个样本的 txt 内容，用 OpenCV 画出来看框对不对，再批量跑完整个目录。
3. 用番茄叶片病害数据集训练目标检测模型：YOLOv8 的适配流程
3.1 数据集目录结构与 YAML 配置：一张图都不能放错位置
拿到干净的标注后，下一步是组织目录。YOLOv8 对数据集目录结构相对宽松，但为了少踩坑，我建议按下面这个标准布局来，这也符合大多数网上流传的“处理数据集用于 yolov8 训练”教程的惯例：
dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml关键规则是：images/train 里的图片文件名（不含扩展名）必须能和 labels/train 里的 txt 一一对应，扩展名无所谓，但 basename 必须严格一致。很多人训练时报错File not found，排查到最后就是图片是 .jpg、标注是 .txt，但目录里混进了 .jpeg 和 .JPG 两套扩展名，YOLO 按列表匹配时漏文件。我习惯在划分数据集前先执行一遍：
# 检查images和labels目录下文件basename是否一一对应 for f in dataset/images/train/*; do base=$(basename "$f" | sed 's/\.[^.]*$//') if [ ! -f "dataset/labels/train/${base}.txt" ]; then echo "Missing label for: $f" fi donedata.yaml 是训练的入口配置，内容不复杂但字段必须写对，常见做法如下：
# data.yaml —— 路径用相对当前运行目录的路径即可 path: ./dataset train: images/train val: images/val # test 可以不写，训练时不会用到 nc: 4 names: ['healthy', 'early_blight', 'late_blight', 'leaf_mold']nc必须和names长度一致，names的索引必须和前面 txt 里的 class_id 一致。这里的坑是：如果你在 voc2yolo 脚本里 class_names 的顺序是['healthy', 'early_blight', ...]，那 yaml 里也必须按这个顺序写，否则模型会把早疫病当成晚疫病来训练。顺序错位不会报错，结果就是 mAP 一直上不去，属于典型的“黑匣子问题”。
3.2 训练集与验证集的划分：随机切分是最懒也是最后悔的做法
很多教程用train_test_split随手按 8:2 切分，我一开始也这么干，直到一次验证集准确率虚高得离谱才发现问题。番茄叶病数据如果来自同一批拍摄、同一时期、相同光照，随机切分会让训练集和验证集高度相似——模型其实记住了背景和光照分布，而不是病斑特征。
正确做法是按拍摄条件分组：比如一批数据来自上午的温室、一批来自下午的露地、一批来自人工光源补光环境，那么划分时要保证每个条件下都有一定比例进入训练集和验证集。我写一个简单的脚本，按文件名前缀分组再做分层划分：
# split_dataset.py # 作用：按照片来源批次分层划分train/val，避免同源图像混入验证集 import os import random from pathlib import Path import shutil random.seed(42) # 固定随机种子，保证可复现 image_root = Path('all_images') label_root = Path('all_labels') train_img_dir = Path('dataset/images/train') val_img_dir = Path('dataset/images/val') # 按文件名中的批次前缀分组，例如上午采集的文件名为am_001.jpg batches = {} for img_path in sorted(image_root.glob('*')): prefix = img_path.stem.split('_')[0] # 取前缀作为批次标识 batches.setdefault(prefix, []).append(img_path) train_ratio = 0.8 for prefix, img_list in batches.items(): random.shuffle(img_list) split_point = int(len(img_list) * train_ratio) for i, img_path in enumerate(img_list): dst_img_dir = train_img_dir if i < split_point else val_img_dir label_src = label_root / (img_path.stem + '.txt') if label_src.exists(): shutil.copy(str(img_path), str(dst_img_dir / img_path.name)) shutil.copy(str(label_src), str(dst_img_dir.parent.parent / 'labels' / dst_img_dir.name / label_src.name)) print("划分完成，请检查目录结构")这个脚本的关键逻辑是“按批次前缀分组再各自切分”，而不是全局乱序随机。前缀可以是拍摄时间、地点、设备编号，只要你的文件名里能区分不同采集环境就行。参数上，train_ratio设 0.8 是常规值，但样本总量不足 500 张时我会提到 0.9，宁可少验证几批，也要让训练集覆盖尽量多的病斑形态。
3.3 启动训练：Ultralytics YOLOv8 的最小可用命令
数据集和配置就位后，训练本身就用 ultralytics 库，命令不长，但每个参数都是有意义的：
# 使用YOLOv8n模型训练番茄叶片病害检测 yolo detect train model=yolov8n.pt data=dataset/data.yaml \ epochs=100 batch=16 imgsz=640 patience=20 \ project=runs/detect name=tomato_blight # 训练完成后直接评估验证集指标 yolo detect val model=runs/detect/tomato_blight/weights/best.pt \ data=dataset/data.yaml参数说明：model=yolov8n.pt是 COCO 预训练权重，拿它微调比从零训练收敛快得多；batch=16在 8GB 显存下基本安全，如果用了 1024 分辨率就要降到 8；imgsz=640是默认值，但如果病斑目标普遍偏小，后面要往上调；patience=20表示 20 轮没提升就早停。跑完看runs/detect/tomato_blight/下的results.png，重点关注train/box_loss和val/box_loss两条曲线——训练损失下降而验证损失上升，就是过拟合信号，这时候该回头查数据增强或加正则项，而不是继续加轮数。
4. 番茄叶片病害目标检测的参数与评估调优：让模型真正能用
4.1 输入尺寸 imgsz 的选择：病斑太小，640 默认值不顶用
YOLOv8 默认输入是 640×640，对 COCO 这类常规目标够用，但番茄叶病数据有个特殊性：病斑尺寸占整张图的比例差异极大。有的病斑只有十几个像素，缩放进 640 后几乎消失。我的做法是先统计一下标注框的尺寸分布：
# 统计数据集中所有标注框的像素尺寸，判断是否需要增大imgsz import os from pathlib import Path label_dir = Path('dataset/labels/train') img_w, img_h = 4000, 3000 # 按实际原始图像尺寸填写 widths, heights = [], [] count = 0 for txt in label_dir.glob('*.txt'): for line in txt.read_text().strip().splitlines(): parts = line.split() if len(parts) < 5: continue w_norm = float(parts[3]) h_norm = float(parts[4]) widths.append(w_norm * img_w) heights.append(h_norm * img_h) count += 1 print(f"共{count}个目标，平均宽{sum(widths)/len(widths):.1f}px，平均高{sum(heights)/len(heights):.1f}px") print(f"最小宽{min(widths):.1f}px，最大宽{max(widths):.1f}px")如果平均框宽小于 32 像素，在 640 分辨率下只有 5 个像素左右，病斑的纹理特征根本保留不下来。这时候我一般把imgsz提到 960 或 1024，让模型能看到更多细节。代价是显存占用变高、训练变慢，所以这个参数本质上是在小目标召回率和训练成本之间做权衡。一个常见做法是先用 640 跑通流程，确认代码和数据没问题，再用 1024 重新训练一轮，对比验证集 mAP 来决定要不要保留大分辨率版本。
4.2 学习率与 batch size 的联动：一个参数不动，另一个必受影响
番茄叶病数据集的样本量通常不大，几千张已经算多，几百张也很常见。样本少时，batch size 过大容易让梯度方向过早稳定到局部最优，batch size 过小则训练噪声大。我的经验值是：8GB 显存下 batch=16、lr0 默认 0.01 可以跑通；如果 batch 降到 8，最好把lr0同步降到 0.005 左右，否则收敛曲线会剧烈震荡。
ultralytics 的训练参数里还有lrf（最终学习率因子）和warmup_epochs，我一般不动warmup_epochs，但会在样本量少于 1000 时把早停patience调大到 30 或 40。因为小数据集的验证损失波动本来就大，早停阈值设太紧，可能在模型还没稳住时就提前掐断训练。
4.3 用混淆矩阵和 PR 曲线反推数据问题
训练结束后不要只看 mAP 数字，mAP 会把所有类别的表现平均掉，单个类别的崩坏被掩盖。我习惯先把confusion_matrix.png调出来看，它才是真正暴露数据问题的镜子。
举个例子：如果早疫病（early_blight）有 30% 被误判成晚疫病（late_blight），先不要急着改模型结构，回去看标注集里这两类的样本是不是从同样的发病阶段采的。早疫病和晚疫病在病斑颜色、形状上的差异，不同时期明显程度不一样——如果采集时恰好都在中期，病斑都是褐色的圆斑，网络分不清很正常。解决办法不是加网络层数，而是补充更多早期或晚期的对照样本，或者把容易混淆的两个阶段拆成独立的类目重新标注。
PR_curve.png则用来判断置信度阈值怎么设。曲线在召回率 0.8 附近掉得很快，说明模型对病斑的置信度普遍不高，部署时应把conf阈值从默认 0.25 调低到 0.15，宁可多点误报，也别漏掉早期病斑。反过来，如果曲线很饱满但 precision 偏低，就把阈值调到 0.4 以上，减少喷药系统被误报触发。
5. 番茄叶片病害检测避坑：数据、标注与训练中的五个典型翻车点
5.1 一个叶片标十几个小框，训练时 loss 剧烈震荡
现象：损失曲线上下跳，正常收敛但 mAP 始终上不去。
原因：标注过碎。一片病叶上可能密集分布几十个针尖大的病斑，标注员按照“一个病斑一个框”的标准标了二十多个框，而这些框大多数只有十几像素，网络很难稳定学习。更糟的是，叶片边缘的小病斑在裁剪和缩放时经常被裁掉一半，模型学到的是残缺目标。
解决：修改标注规范为“连片病斑合并、独立病斑至少占叶片面积 2% 才单独标注”。在 voc2yolo 转换脚本里增加一个过滤逻辑：归一化后 width 或 height 小于 0.005 的框直接丢弃，或者合并到相邻框。这一条处理完，loss 曲线立刻平稳不少。
5.2 早疫病和晚疫病互相误检，混淆矩阵里两块明显偏亮
现象：验证集 PR 曲线看着不错，但部署到真实棚里，把晚疫病识别成早疫病，且置信度还不低。
原因：两类病斑在颜色和纹理上确实有重叠区域，更关键的是标注时的边界本身模糊。如果标注员不是植物病理专业出身，很可能把同一类病斑的不同时期标成两个类别，导致网络学到的类别边界是混乱的。
解决：把原始标注图像交给至少两位有经验的人分别标一遍，计算标注一致性。不一致的样本提取出来重新讨论定标。如果实在拿不准，就合并类别——只分成“健康”和“得病”两类，先把二分类的召回率做到 95% 以上，再逐步拆分细类。这个取舍对实际植保场景往往更实用。
5.3 训练集背景太干净，野外测试直接翻车
现象：在数据集上 mAP@0.5 到了 0.95，拿到温室现场一试，召回率掉到 0.5 以下。
原因：很多公开的番茄叶病图像是摘下叶片放在纯色背景上拍的，模型实际学到的是“纯色背景上的异常色块”，而不是叶片上的病斑纹理。真实场景中背景有土壤、水滴、茎干阴影，这些纹理噪声让模型输出大量误检。
解决：训练数据强制加入 30% 以上的“手持拍摄”或“田间原位拍摄”图像。如果没有现成资源，就做背景替换增强：把病斑区域抠出来贴到随机田园背景上，生成合成样本。这个方法听着像玄学，但效果立竿见影——用合成样本扩增后，模型对背景干扰的鲁棒性明显提升。
5.4 类别极端不平衡：健康叶片占 80%，模型学成了“太平绅士”
现象：训练日志显示 val 损失正常，但打开每类别的召回率，病斑类别只有 0.2。
原因：健康叶片样本过多，模型倾向把所有目标都预测为健康叶，因为这样整体 loss 最小。目标检测里的类别不平衡比分类任务更麻烦，因为负样本（背景）和无病斑叶片混在一起。
解决：优先调整采样策略，而不是调损失函数。把健康叶片减到总样本的 40% 以内，并确保每类病害至少有 200 个标注实例。如果某些病害类别实在缺样本，就在线增强时对该类别单独翻倍采样（ultralytics 里可以用fraction配合自定义 sampler，或者直接把该类别图像在数据目录里复制一份，用同名不同扩展名的方式让网络多“看”几遍）。注意复制样本只能做辅助手段，最终还是要补数据。
5.5 漏标病斑：验证集全是漏网之鱼，指标虚高却没意义
现象：PR 曲线异常平滑，mAP 达到 0.98，但用模型去检测一张明显有病的叶子，什么都没框出来。
原因：训练集里大量病斑压根没标框，模型没见过“这里有个病斑”的正样本，于是把漏标区域当作背景学习。更隐蔽的是，做数据增强翻转和旋转时，没有同步翻转标注框，导致某些增强后的样本标注错位，模型被迫在错误位置学特征。
解决：跑一遍所有训练图像的标注可视化，把images/train和labels/train的框画回图上，从前后各挑 20 张肉眼检查。重点看图里明显有褐色病斑但没有任何框的区域。我有个习惯：用训练好的模型对训练集做一次推理，把置信度低于 0.3 但面积较大的预测结果输出为伪标注，人工复核后补入真实标注。这一步等于用模型反哺数据质量，能让漏标率显著下降。
6. 把番茄叶片检测精度再往上顶：小目标增强与难例闭环
最后一公里的提升，我不靠换更大的模型，靠的是难例集闭环。训练几轮后，把验证集里所有预测失败（漏检或误检）的图片单独收集到一个hard_examples目录，和原始标注合并后做一轮增量训练。这个做法的底层逻辑是：目标检测模型的错误往往集中在数据分布的长尾里，随机补数据很难覆盖到这些尾部样本，但针对失败样本的定向补强，每轮都能看到 mAP 涨一截。
另一个被我验证过多次的技巧是切片推理。对于大分辨率原图（比如 4000×3000），先在原图上做滑动窗口切片，每片 1024×1024 重叠 30%，分别推理后再把框映射回原图坐标。这个做法对小病斑的召回率提升非常明显，因为模型不需要把整张图压缩到 640 再丢失细节。代价是推理时间成倍增加，所以我会在部署时分层处理：先用整图 640 快速筛查，置信度低于 0.3 的区域再触发切片精检。
模型部署方面，如果目标是手机或边缘盒子，用yolo export model=best.pt format=onnx导出 ONNX，再转 TensorRT 或 OpenVINO，在 x86 设备上推理速度能从十几毫秒压到三五毫秒。注意导出的imgsz要和训练一致，否则检测框位置会整体偏移。这算是目标检测部署的经典坑了。
这套流程走下来，我的个人习惯是：每版训练结束先看混淆矩阵，再看困难样本，最后才看 mAP 数字。数据集的坑永远在模型之前暴露，把这两类问题分开排查，效率会高很多。希望这篇笔记能帮你在番茄叶片病害检测这条路上少走几段弯路，早点把模型从实验台搬进大棚。
本文还有配套的精品资源，点击获取
