农业害虫检测数据集：3200张YOLO格式样本训练与部署指南

农业植保这个圈子，最近两年最大的变化就是：以前靠肉眼在田里找虫，现在越来越多的人开始用摄像头加算法来盯梢。我自己从2021年开始接触农业视觉项目，从最早用OpenCV做简单的颜色阈值分割，到后来上手YOLO系列做多类害虫检测，踩过的坑不算少。今天要聊的这个“农业害虫检测数据集”，3200张YOLO格式标注的智慧农业数据集，就是我在做虫情测报项目时重点关注的一类资源。它本质上是一个面向目标检测任务、专门针对农田害虫场景构建的标注数据集，能直接喂给YOLOv5/v8/v11这类主流检测器训练，解决的是“农业场景下害虫识别样本稀缺、标注成本高”这个最头疼的问题。适合谁看？如果你是做智慧农业落地的算法工程师、农学背景想入门视觉检测的研究生，或者单纯想拿一个垂直领域数据集练手YOLO的开发者，这篇内容应该能帮你少走不少弯路。

1. 农业害虫检测数据集到底解决什么问题

1.1 通用数据集在农田里为什么不好使

很多人刚入门目标检测，第一反应是拿COCO或者VOC来练手，这没错，但一旦你把在COCO上训出来的模型直接搬到农田里，基本就是灾难现场。原因很直接：COCO里压根没有“稻飞虱”“棉铃虫”“蚜虫”这些类别，它的80个类里最接近的也就是“bird”或者“butterfly”，跟害虫的形态差得远。更关键的是，农业场景的图像分布和通用数据集完全不同——田间背景是密集的绿色叶片、杂乱的茎秆、不均匀的光照，害虫目标往往只有几十个像素，还经常和叶脉、斑点、泥土混在一起。你用一个在清晰室内图像上训出来的模型去检测这些，召回率能低到让你怀疑人生。

我实测过，拿YOLOv5s在COCO预训练权重基础上直接推理稻田图像，对蚜虫这种小目标的mAP基本在0.05以下，几乎等于随机猜。这就是垂直领域数据集存在的意义：它把“农田背景+害虫目标+真实光照”这一整套分布都打包好了，你拿过来微调，模型才能学到真正有用的特征。

1.2 3200张这个量级意味着什么

3200张听起来不算大，但在农业垂直领域里已经算是相当可用的规模了。你要知道，农业数据集的标注难度远高于通用数据集——标注员得懂一点昆虫分类，至少能区分“瓢虫”和“二十八星瓢虫”，否则标出来的类别全是错的。所以市面上公开的农业害虫数据集，很多只有几百张，类别也就三五种。3200张如果能覆盖8到15个常见害虫类别，每类平均200到400个实例，这个分布对于训练一个轻量级检测器是够用的。

这里有个经验值可以参考：YOLO系列做迁移学习，每个类别如果有200个以上的标注实例，且实例在图像中的尺度分布比较均匀，通常能训出一个mAP@0.5在0.7以上的可用模型。3200张如果标注质量过关，完全能达到这个水平。当然，具体还得看类别平衡度和目标尺度分布，后面会细说。

1.3 智慧农业场景下的真实需求拆解

为什么农业害虫检测这两年突然火起来了？因为传统虫情测报靠的是人工下田取样，一个农技员一天能查的地块有限，而且识别准确率受经验影响极大。我认识的一个植保站老师傅，认虫准得离谱，但他退休之后，站里年轻人接不上，这就是现实问题。智慧农业要解决的就是把这个“老师傅的经验”固化到模型里，通过田间部署的摄像头或者无人机航拍，自动识别害虫种类和密度，再结合阈值判断要不要打药。

这个数据集在这个链条里的位置很明确：它是训练环节的燃料。没有它，你算法架构再漂亮也是空转。而且农业害虫检测有个特殊性——它不只是分类问题，还是计数问题。你不仅要认出是哪种虫，还要数出有多少只，因为防治决策看的是虫口密度。所以数据集的标注必须是目标检测格式（bounding box），而不是简单的图像分类标签，这也是为什么YOLO格式在这里特别合适。

2. 数据集结构与YOLO格式核心细节

2.1 目录组织与标注文件解析

一个规范的YOLO格式农业害虫数据集，目录结构通常长这样：

pest_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

images下面放的是jpg或png原图，labels下面放的是同名的txt标注文件。这里有个容易踩的坑：图片名和标注文件名必须严格一一对应，除了扩展名不同，其余部分要完全一致。我见过有人把IMG_001.jpg对应的标注写成img_001.txt，在Linux下大小写敏感，训练时直接报找不到标签，排查半天。

每个txt文件里，每一行代表一个目标，格式是：

class_id x_center y_center width height

这五个值都是归一化到0到1之间的浮点数。举个例子，如果一张图是640x480，某个害虫的框左上角在(100, 200)，宽80高60，那么：

• x_center = (100 + 80/2) / 640 = 140/640 = 0.21875
• y_center = (200 + 60/2) / 480 = 230/480 = 0.47917
• width = 80/640 = 0.125
• height = 60/480 = 0.125

对应标注行就是：0 0.21875 0.47917 0.125 0.125

注意：YOLO用的是中心点坐标加宽高，不是左上角加右下角。很多人从VOC格式转过来的时候容易搞错，转完发现框全偏了，就是因为没做这个坐标变换。

2.2 data.yaml配置文件怎么写

data.yaml是整个训练流程的入口配置，内容一般是这样：

path: ./pest_dataset train: images/train val: images/val test: images/test nc: 10 names: ['aphid', 'planthopper', 'cotton_bollworm', 'armyworm', 'whitefly', 'thrips', 'leafhopper', 'stink_bug', 'ladybug', 'spider']

nc是类别数，names是类别名列表，顺序必须和标注文件里的class_id严格对应。这里有个细节：class_id是从0开始编号的，如果你names列表里第一个是aphid，那标注里aphid就应该是0。我见过有人从1开始编号，结果训练时模型把背景当成了第0类，mAP直接崩掉。

类别命名建议用英文小写加下划线，别用中文，虽然YOLO新版本支持中文类别名，但在一些可视化工具和部署环节容易出编码问题。另外，类别顺序最好按照你希望的输出优先级来排，比如把最主要的害虫放前面，方便后续做后处理时按需筛选。

2.3 标注质量的自检方法

拿到一个数据集，别急着开训，先做标注质量自检。我一般用三步：

第一步，写个脚本统计每个类别的实例数量和图像数量，看看有没有类别严重不平衡。如果某个类别只有十几张图，那训出来的效果肯定差，需要考虑过采样或者数据增强。

第二步，随机抽20张图，用可视化脚本把标注框画出来，肉眼检查框是否贴合目标、有没有漏标、有没有把叶片斑点误标成害虫。这一步能发现很多隐藏问题，比如标注员把同一只虫标了两次，或者框大得离谱把整片叶子都框进去了。

第三步，检查图像尺寸分布和长宽比。如果大部分图是1920x1080，但有几张是200x200的小图，训练时统一resize到640会把这些小图拉得模糊，影响效果。建议要么统一预处理，要么在训练时用mosaic增强来缓解。

下面是一个简单的标注可视化脚本，可以直接用：

import cv2 import os import random def visualize_label(img_path, label_path, class_names): img = cv2.imread(img_path) h, w = img.shape[:2] with open(label_path, 'r') as f: lines = f.readlines() for line in lines: parts = line.strip().split() cls_id = int(parts[0]) xc, yc, bw, bh = map(float, parts[1:5]) x1 = int((xc - bw/2) * w) y1 = int((yc - bh/2) * h) x2 = int((xc + bw/2) * w) y2 = int((yc + bh/2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, class_names[cls_id], (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) cv2.imshow('label', img) cv2.waitKey(0) class_names = ['aphid', 'planthopper', 'cotton_bollworm'] img_dir = 'pest_dataset/images/train' label_dir = 'pest_dataset/labels/train' samples = random.sample(os.listdir(img_dir), 20) for name in samples: img_path = os.path.join(img_dir, name) label_path = os.path.join(label_dir, name.rsplit('.', 1)[0] + '.txt') if os.path.exists(label_path): visualize_label(img_path, label_path, class_names)

这个脚本跑一遍，基本能看出标注质量的大致水平。

3. 从零跑通YOLO训练的关键步骤

3.1 环境搭建与依赖安装

训练环境我推荐用PyCharm配合conda虚拟环境，这样依赖隔离干净，不会污染系统Python。具体步骤：

先创建一个Python 3.9或3.10的环境，YOLOv8和v11对这两个版本支持最好。然后安装ultralytics包：

conda create -n pest_yolo python=3.10 conda activate pest_yolo pip install ultralytics

如果你有NVIDIA显卡，还需要装对应CUDA版本的PyTorch。ultralytics会自动装一个CPU版的torch，但训练速度会慢到无法接受。建议先去PyTorch官网查好对应CUDA版本的安装命令，比如CUDA 11.8的话：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

装完之后验证一下：

import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))

如果输出True和你的显卡型号，说明环境没问题。这里有个坑：有些人装了多个CUDA版本，环境变量指向的和PyTorch编译时用的不一致，会导致cuda.is_available()返回False。解决办法是用nvcc --version确认当前CUDA版本，然后重装对应版本的PyTorch。

3.2 训练参数怎么调才合理

YOLOv8的训练命令很简洁：

yolo detect train data=pest_dataset/data.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=16

但参数背后的逻辑得说清楚。model选yolov8s还是yolov8n，取决于你的部署端算力。如果最终要跑在Jetson Nano或者树莓派上，建议用yolov8n，参数量小，推理快；如果是服务器端或者有GPU的边缘盒子，yolov8s的精度会更好。我实测在农业害虫这种小目标场景下，yolov8s比yolov8n的mAP@0.5大概高3到5个百分点，但推理速度慢一倍左右。

imgsz=640是默认值，但如果你的害虫目标特别小，比如蚜虫在图中只有20个像素，那可以考虑用imgsz=1280，让模型看到更多细节。代价是显存占用翻倍，训练时间也翻倍。我一般会先跑一个640的baseline，看看mAP，如果小目标召回率明显偏低，再上1280。

batch=16不是固定的，得看显存。8G显存跑640的yolov8s，batch开到16差不多是极限，再大就OOM了。如果显存不够，可以用batch=8配合accumulate=2来模拟大batch效果。

学习率方面，YOLOv8默认用的是lr0=0.01配合余弦退火，这个对大多数场景都适用。但农业数据集如果类别不平衡严重，可以适当降低到0.005，避免模型偏向多数类。另外warmup_epochs=3是默认的，别关掉，前几个epoch用低学习率预热能显著提升稳定性。

3.3 数据增强策略的取舍

YOLOv8内置了一套数据增强，包括mosaic、mixup、随机翻转、HSV调整等。对农业害虫数据集，我的建议是：

mosaic增强默认开启，它把四张图拼成一张，能显著提升小目标检测效果，建议保留。但如果你发现训练后期loss震荡厉害，可以调低mosaic的概率，比如从1.0降到0.5。

HSV增强对农业场景特别有用，因为田间光照变化大，早上和中午的图像色调差异明显。默认的hsv_h=0.015, hsv_s=0.7, hsv_v=0.4基本够用，如果数据集本身光照就很单一，可以适当加大。

随机翻转要注意：水平翻转一般没问题，但垂直翻转要谨慎。害虫在叶片上的姿态虽然有变化，但垂直翻转后可能出现“虫在天上、叶在地下”的不自然样本，反而干扰训练。我一般设flipud=0.0，只保留fliplr=0.5。

mixup增强对农业数据集效果一般，因为害虫和背景的边界本来就模糊，mixup之后更容易混淆。建议设mixup=0.0或者很小的值。

4. 训练过程中的典型问题与排查

4.1 loss不下降或者震荡怎么办

这是最常见的问题。先看几个关键指标：box_loss、cls_loss、dfl_loss。如果box_loss一直很高，说明框回归没学好，可能是标注框质量有问题，或者学习率太大。如果cls_loss高但box_loss正常，说明分类头没学好，可能是类别不平衡或者类别名配置错了。

我遇到过一次，训练了50个epoch，mAP一直卡在0.3上不去。后来检查发现，标注文件里有一半的类别id是错的，把“瓢虫”标成了“蚜虫”。这种问题只能靠前面说的可视化自检来发现。

另一个常见原因是学习率太大导致震荡。可以试着把lr0降到0.001，看看loss曲线是否变平滑。如果降了之后loss下降但很慢，说明是数据量不够，需要加增强或者用预训练权重。

4.2 小目标检测效果差的优化思路

农业害虫很多都是小目标，这是这个任务的固有难点。除了前面说的提高输入分辨率，还有几个技巧：

一是用anchors优化。YOLOv8虽然是无锚框的，但它的检测头对目标尺度还是有偏好。可以在训练前用k-means对数据集的所有标注框做聚类，看看目标尺度分布，然后调整imgsz和特征金字塔的层级。

二是用切片推理。如果图像分辨率很高但目标很小，可以在推理时把大图切成小块分别检测，再合并结果。这个方法在遥感检测里很常用，农业场景也适用。ultralytics支持saug（切片增强），可以在训练时开启。

三是调整正负样本分配策略。YOLOv8用的是TaskAlignedAssigner，对正样本的选择比较严格。如果小目标召回率低，可以试着放宽topk参数，让更多anchor参与正样本匹配。

4.3 过拟合与欠拟合的判断

过拟合的典型表现是：训练集mAP很高，验证集mAP低很多，且差距随着epoch增加越来越大。这时候需要加正则化，比如提高weight_decay，或者加dropout，或者减少模型参数量。

欠拟合则是训练集和验证集mAP都低，且loss下降很慢。这时候要么加数据，要么加模型容量，要么检查标注质量。

我一般会画一张训练曲线图，横轴epoch，纵轴mAP和loss，同时画训练集和验证集。如果两条mAP曲线在某个点之后开始分叉，那就是过拟合的起点，可以据此决定早停的epoch数。

5. 模型评估与部署落地要点

5.1 评估指标怎么看才不误导

YOLO训练完会输出mAP@0.5和mAP@0.5:0.95两个指标。农业害虫检测里，mAP@0.5更常用，因为框的位置不需要特别精确，能框住虫子就行。但如果你的应用需要精确计数，那mAP@0.5:0.95也得关注，因为框不准会导致计数错误。

除了mAP，还要看每个类别的precision和recall。如果某个类别的recall特别低，说明漏检多，可能是这个类别的样本太少或者目标太小。如果precision低，说明误检多，可能是背景干扰太强。

我习惯用confusion matrix来看误检的具体情况。比如模型经常把“瓢虫”误判成“二十八星瓢虫”，那说明这两个类别的特征太接近，需要增加区分度或者合并类别。

5.2 导出ONNX与边缘部署

训练完的pt模型如果要部署到边缘设备，一般先导出ONNX：

yolo export model=runs/detect/train/weights/best.pt format=onnx opset=12

opset版本建议用12或13，兼容性最好。导出后可以用onnxruntime测试推理速度：

import onnxruntime as ort import numpy as np sess = ort.InferenceSession('best.onnx') input_name = sess.get_inputs()[0].name img = np.random.randn(1, 3, 640, 640).astype(np.float32) output = sess.run(None, {input_name: img}) print(output[0].shape)

如果要在Jetson上部署，可以进一步用TensorRT加速。ultralytics支持直接导出engine文件：

yolo export model=best.pt format=engine half=True

half=True表示用FP16精度，速度能提升接近一倍，精度损失很小。但要注意，TensorRT engine是跟设备绑定的，在A设备上导出的engine不能直接在B设备上用，必须重新导出。

5.3 实际田间部署的注意事项

实验室里mAP高不代表田间能用。我踩过最大的坑是：模型在测试集上mAP 0.85，但拿到田里一跑，误检率飙升。原因是测试集的图像和实际部署场景的光照、角度、背景差异太大。

解决办法是在部署前，用实际摄像头采集一批图像，人工标注后作为“域适应测试集”，看看模型在这个集上的表现。如果差距大，就需要用这批数据做微调，或者调整图像预处理（比如白平衡、去雾）。

另外，田间部署还要考虑推理速度。如果摄像头是30fps的，模型推理必须低于33ms才能实时。YOLOv8n在Jetson Orin上跑640分辨率大概能到50fps，够用；但如果用yolov8s，可能就只有20fps左右，需要降分辨率或者跳帧处理。

还有一个实际问题是电源和网络。田间部署的摄像头往往靠太阳能供电，算力有限，所以模型越小越好。我一般建议用yolov8n配合320或416的输入分辨率，牺牲一点精度换续航。

6. 数据集扩展与持续迭代思路

6.1 主动学习减少标注成本

3200张训出来的模型，在实际使用中肯定会遇到漏检和误检。这时候别急着盲目加数据，可以用主动学习策略：让模型对未标注图像做推理，挑出那些置信度在0.3到0.7之间的“模糊样本”，这些样本对模型提升最大。人工只标注这些样本，然后加入训练集重新训练。这样每轮标注量可能只有几百张，但效果提升比随机加几千张还明显。

我做过一个对比实验：随机加1000张标注数据，mAP提升1.2个百分点；用主动学习挑500张，mAP提升2.8个百分点。差距很明显。

6.2 合成数据补足长尾类别

有些害虫在自然界本来就少见，采集难度大，比如某些天敌昆虫或者稀有物种。这时候可以用合成数据来补。方法是用Copy-Paste增强：把稀有类别的害虫实例抠出来，随机粘贴到不同的农田背景上，生成新的训练样本。这个方法在实例分割里很成熟，检测任务也能用。

但要注意，粘贴的时候得考虑光照一致性和尺度合理性。如果一只虫子在叶片上投下的阴影方向跟背景光照不符，模型会学到错误的特征。建议用泊松融合或者简单的颜色匹配来让粘贴更自然。

6.3 多模态融合的想象空间

现在数据集只有RGB图像，但农业场景其实还有很多其他模态信息可用，比如红外热成像能反映虫害导致的叶片温度变化，多光谱能捕捉叶片健康状态。如果能把RGB和这些模态对齐，做多模态检测，理论上能提升对隐蔽害虫的识别率。

不过这需要额外的硬件和标注成本，目前还处于研究阶段。我个人的判断是，未来两三年内，RGB单模态还是主流，多模态会在高端场景先落地。

7. 一些实操心得与避坑清单

7.1 标注阶段最容易犯的错

第一个坑是“漏标”。农田图像里害虫密集的时候，标注员很容易漏掉一些。漏标比误标危害更大，因为模型会把漏标的目标当成背景来学，导致召回率下降。解决办法是标注完做交叉检查，两个人标同一张图，对比差异。

第二个坑是“框太松”。有些标注员为了省事，框画得比虫子大一圈，把周围的叶片也框进去了。这会让模型学到背景特征，降低定位精度。建议制定标注规范，框的边缘距离目标边界不超过5个像素。

第三个坑是“类别混淆”。农业害虫里有些种类形态非常接近，比如不同种的蚜虫，肉眼都难分。如果标注员本身不专业，标出来的类别就是噪声。建议在标注前先做一轮培训，给出每个类别的典型图例和区分要点。

7.2 训练阶段的参数速查表

7.3 部署阶段的性能优化技巧

如果推理速度不够，可以按这个顺序优化：先降输入分辨率，从640降到416，速度能提升一倍多，精度损失大概2到3个百分点；再换更小的模型，从yolov8s换到yolov8n；最后考虑量化，用INT8量化能再提速30%左右，但需要校准数据集，精度损失可能到5个百分点。

如果精度不够，反过来：先升分辨率，再换大模型，最后考虑集成多个模型做投票。但集成会成倍增加推理时间，边缘设备一般扛不住。

还有一个技巧是用“两阶段检测”：先用一个轻量模型快速筛出可能含虫的区域，再用一个精细模型对这些区域做二次检测。这样能在保持速度的同时提升小目标精度。我在一个水稻害虫项目里用过这个方案，整体mAP提升了4个百分点，推理时间只增加了20%。

7.4 数据版本管理的重要性

最后说一个容易被忽视的点：数据版本管理。你每次加数据、改标注，都应该记录版本号，并且保存对应的模型权重和评估结果。否则过几个月你回头一看，不知道哪个模型对应哪版数据，复现都复现不了。

我一般用这样的命名规范：pest_v1.0_20240101，表示数据集版本1.0，日期20240101。模型权重也对应命名，评估结果存成csv，记录每个版本的mAP、各类别指标和训练参数。这样时间长了也能追溯。

农业害虫检测这个方向，数据集的质和量直接决定项目天花板。3200张YOLO格式的数据集是一个很好的起点，但真正落地还需要在标注质量、增强策略、部署优化上持续打磨。我在实际项目里最大的体会是：别指望一次训练就完美，迭代才是常态。每次加一批数据、调一轮参数，模型都会给你新的反馈，这个过程本身就是最有意思的部分。