小麦田杂草检测数据集实战：YOLO格式解析、训练与避坑指南

简介：面向小麦田间杂草精准识别与目标检测任务，这份数据集包含约一千四百张已标注图像及配套YOLO格式标注文件，覆盖八个杂草类别（如RAD1、RD2、RAD23等），并已按训练集和验证集划分，可直接用于YOLO系列模型训练，适合目标检测方向的研究者、农业智能化开发人员和学生在模型训练、算法验证及课程设计中使用。包内共有两千个文件，包含一千四百一十四份文本格式标注文件、五百八十五张原始图像和一个可运行的可视化脚本，压缩包整体约二百七十六点一九兆字节，文件组织清晰，便于快速检索与加载；目前已有一百零一人学习使用。借助包内自带的可视化脚本可一键核对标注效果，省去人工排查标签的繁琐过程；资源同时提供关于YOLOv5改进实战的系列博文及更多目标检测、图像分割项目参考，便于进一步拓展模型优化思路、实现农业场景下的定制化检测方案。

1. 小麦田杂草检测数据集：1400 张图、8 类杂草、YOLO 格式直接开训

做过农业视觉项目的人都知道，找一套「标签干净、类别明确、能直接扔进 YOLO 训练」的杂草数据有多难。这份小麦田地杂草图像目标检测数据，约 1400 张已标注图片，8 个杂草类别，全部采用 YOLO 的 txt 标注格式，还做好了训练集和验证集划分，拿到手就能开始训练。适合正在做精准农业、变量喷药、杂草识别这类方向的开发者，也适合刚接触目标检测、想拿一份真实农业数据练手的人。相比从零采集标注，这份数据省掉的不是一点半点时间。接下来我就从数据格式、可视化脚本、训练流程到二次改造，完整拆一遍。

2. 数据集结构拆解：文件名字段、8 类标签与划分逻辑

2.1 文件名字段：一眼看懂采集元信息

这份数据的文件名不是随手起的，里面藏着采集侧的大量信息。取一条典型的样本出来拆：

camden_wheat_radish1_45_20210421_11-33-07_crop.jpg

按下划线切分，各字段含义如下：

这个字段设计非常实用。同一时刻同一角度会连续拍多张，文件名里能明显看到时间戳只有几十秒的间隔；角度字段只有 0 和 45 两种取值，对应不同拍摄视角。crop 后缀说明这批图是从大图中裁剪出来的子图，意味着做推理时可能还需要把检测框映射回原图坐标。

2.2 YOLO 标注格式：txt 文件里存什么

每张 jpg 同目录或 labels 目录下存在同名 txt 文件，这就是 YOLO 格式的标注本体。每一行代表一个目标，格式固定为：

class_id cx cy w h

其中 cx、cy 是目标中心点的归一化坐标，w、h 是归一化框宽高，全部除以图片宽高换算到 0～1 区间，class_id 是从 0 开始的整数。下面是一条真实标签行的形状：

0 0.438672 0.309318 0.105469 0.152273

这条数据表示类别 id 为 0 的杂草，中心点在图片横向 43.87%、纵向 30.93% 的位置，框宽占 10.55%、高占 15.23%。后四位数值全部以小数形式存，训练时模型直接把框回归到这几个值上，不需要再做坐标换算。

2.3 类别编码与 classes.txt

摘要里提到类别个数为 8，具体名称为：RAD2、RAD3、RAD4、RAD1、RD2、RAD23、RDA3、RA1。YOLO 训练要求类别 id 从 0 开始连续排列，所以 classes.txt 中通常按这样的顺序定义 id 与类名的映射：

0: RAD1 1: RAD2 2: RAD3 3: RAD4 4: RD2 5: RAD23 6: RDA3 7: RA1

从命名规律看，这套编码不是随手写的。RAD、RD、RA 可以理解为不同杂草物种的缩写前缀，后面的数字大概率代表不同生长期或亚种。RAD1 到 RAD4 属于同一大类下的不同形态学阶段，RAD23 可能是某两个阶段的共现编码，RDA3 和 RA1 则是独立类目。使用这份数据做训练时，务必先打开 classes.txt 确认 id 顺序，再在 data.yaml 里同步 names 列表，顺序错一位整个模型就废了。

2.4 训练集与验证集的划分逻辑

数据已经做了训练集、验证集划分，这是这份资源比普通标注集更省事的地方。常见的划分目录结构如下：

wheat_weed/ ├── images/ │ ├── train/ # 约 1200 张 │ └── val/ # 约 200 张 ├── labels/ │ ├── train/ # 对应 txt │ └── val/ # 对应 txt └── classes.txt

中间文件数据量不大，但尽量保持 train 和 val 两边都覆盖所有类别。我的建议是拿到数据后先跑一遍类别统计，确认验证集里每个类都有样本，避免出现某个杂草类只在训练集出现、验证时 mAP 虚高或直接报错的情况。

3. 核心脚本实战：show 可视化与标签体检两个 Python 脚本

3.1 show 脚本：把 YOLO 标签画回图片

数据好不好，肉眼看一眼最直观。摘要里提到的 show 脚本，核心逻辑就是把 txt 里的归一化坐标反算回像素坐标，用 OpenCV 画框并标注类别名。下面是我按这套思路重写的完整版本：

import os import cv2 IMG_DIR = "images/train" LABEL_DIR = "labels/train" CLASS_NAMES = ["RAD1", "RAD2", "RAD3", "RAD4", "RD2", "RAD23", "RDA3", "RA1"] def draw_yolo_box(img_path, label_path, out_path=None): img = cv2.imread(img_path) if img is None: print(f"[skip] cannot read image: {img_path}") return h, w = img.shape[:2] if not os.path.exists(label_path): print(f"[warn] no label: {label_path}") return with open(label_path, "r", encoding="utf-8") as f: lines = f.readlines() for line in lines: parts = line.strip().split() if len(parts) != 5: continue cls_id = int(parts[0]) cx, cy, bw, bh = map(float, parts[1:]) # 反归一化，还原到像素坐标 x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) # 坐标钳制到图像范围内 x1, y1 = max(0, x1), max(0, y1) x2, y2 = min(w, x2), min(h, y2) color = (0, 255, 0) cv2.rectangle(img, (x1, y1), (x2, y2), color, 2) cv2.putText(img, CLASS_NAMES[cls_id], (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) if out_path: cv2.imwrite(out_path, img) print(f"saved: {out_path}") else: cv2.imshow("result", img) cv2.waitKey(0) if __name__ == "__main__": draw_yolo_box( "images/train/camden_wheat_radish1_45_20210421_11-33-07_crop.jpg", "labels/train/camden_wheat_radish1_45_20210421_11-33-07_crop.txt", out_path="vis_result.jpg" )

这段代码把归一化框还原成像素框时，用 (cx - bw / 2) 计算左上角、用 cx + bw / 2 计算右下角，这是 YOLO 格式转像素坐标的标准做法，不能直接用 cx 当左上角。坐标钳制那两行是防止某些框角点轻微越界导致 OpenCV 画矩形时报错。CLASS_NAMES 的顺序必须和训练时 classes.txt 的 id 严格一致，否则框是对的但标签名字会错位，这是这类脚本最容易踩的坑。

3.2 标签体检：训练前必跑的统计脚本

可视化只能看几张图，检测整套数据里有没有坐标越界、空标签、类别分布失衡，需要写一个统计脚本。我一般会在拿到任何 YOLO 数据后，先跑一遍下面的体检逻辑：

import os import glob def check_labels(img_dir, label_dir): label_files = glob.glob(os.path.join(label_dir, "*.txt")) class_stats = {} bad_files = [] empty_label_files = [] for lp in label_files: img_name = os.path.basename(lp)[:-4] + ".jpg" img_path = os.path.join(img_dir, img_name) if not os.path.exists(img_path): bad_files.append((lp, "missing image")) continue with open(lp, "r", encoding="utf-8") as f: boxes = f.readlines() if len(boxes) == 0: empty_label_files.append(lp) for box in boxes: parts = box.strip().split() if len(parts) != 5: bad_files.append((lp, f"bad format: {box.strip()}")) continue cls_id = int(parts[0]) class_stats[cls_id] = class_stats.get(cls_id, 0) + 1 cx, cy, bw, bh = map(float, parts[1:]) if not (0 <= cx <= 1 and 0 <= cy <= 1 and 0 < bw <= 1 and 0 < bh <= 1): bad_files.append((lp, f"out of range: {box.strip()}")) return class_stats, bad_files, empty_label_files if __name__ == "__main__": stats, bad, empty = check_labels("images/train", "labels/train") print("类别实例数统计:", stats) print("问题文件数:", len(bad)) for item in bad[:10]: print(item) print("空标签文件数:", len(empty))

这个脚本输出三块信息：各类别实例数量、坐标越界等异常文件列表、空标签文件数量。归一化坐标理论上必须落在 0～1 之间，w 和 h 为正数，一旦出现大于 1 的 cx 或负数宽高，说明标注工具导出时出了偏差，训练时轻则 Loss 不降，重则训练直接崩溃。空标签文件则要单独判断——如果图片里确实没有杂草，空标签是合理的背景图；如果图片里肉眼可见杂草但 txt 为空，就是漏标，需要补标。

3.3 批量可视化与体检的组合用法

实际用的时候，我习惯先跑体检脚本，把有问题的文件过滤掉，再对随机抽样的几十张图跑 show 脚本做人工确认。两个脚本可以组合成一条命令链：先体检输出坏文件名单，再写个批量脚本跳过坏文件逐张可视化。1400 张图全看一遍不现实，但每类抽 5 张看标注框贴不贴目标边界，基本能判断整体标注质量。

4. 跑通训练流程：YOLOv5 配置、命令与指标解读

4.1 数据目录重组与 data.yaml 配置

数据自带的划分如果和 YOLO 训练框架的目录预期不一致，需要做一次目录软链或拷贝。YOLOv5 和 YOLOv8 系都期望数据按 images 和 labels 分家存放，且 train、val 各自成目录。重组后的目录结构：

wheat_weed/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── weed.yaml

注意 labels 目录里不要出现 classes.txt，YOLO 家族框架只认识同名的 txt 标签文件。data.yaml 的写法如下：

path: /absolute/path/to/wheat_weed train: images/train val: images/val nc: 8 names: ["RAD1", "RAD2", "RAD3", "RAD4", "RD2", "RAD23", "RDA3", "RA1"]

path 字段在 YOLOv5 里推荐写绝对路径，避免相对路径引发找不到图片的问题。train 和 val 写的是相对于 path 的目录；nc 是类别数，必须与 names 列表长度一致，写错会导致类别标签错乱。names 顺序要和 classes.txt 保持一致，这是老生常谈但永远有人犯错的点。

4.2 训练命令与超参解析

基于这份杂草数据，我给出的训练基准命令如下，适用于 C 类 GPU 最低 8G 显存的机器：

python train.py \ --data weed.yaml \ --cfg yolov5s.yaml \ --weights yolov5s.pt \ --epochs 200 \ --batch-size 16 \ --imgsz 1280 \ --project runs/weed \ --name baseline

逐项说明关键参数的含义。--weights 传 COCO 预训练权重，YOLOv5 会自动把输出层替换成 nc=8 的结构，预训练 backbone 能显著加速收敛，比从零训练少花一半时间。--imgsz 这里我推荐 1280 而不是默认的 640，原因后面避坑章节会展开：小麦田里的杂草在整幅图中占比很小，不少目标只有几十个像素，分辨率翻倍对小目标检测的提升立竿见影。代价是显存占用变大，如果 OOM 就降到 640 并把 batch-size 调到 32。

epochs 设 200 是因为农业数据的类内形态差异较大，RAD1 到 RAD4 可能对应同一杂草的不同生育期，训练轮数不够模型学不出阶段特征。如果验证集 mAP 在 150 epoch 后基本不再上升，可以提前用早停。

4.3 训练产物与评估指标怎么看

训练完在 runs/weed/baseline 下会看到 weights/best.pt 和 weights/last.pt，还有一堆评测图。重点看三样：results.png 里的验证 mAP 曲线、confusion_matrix.png 里的混淆矩阵、以及各类别的 PR 曲线。

python val.py --data weed.yaml --weights runs/weed/baseline/weights/best.pt --img 1280

单独跑一次验证可以得到每类的 Precision、Recall、mAP@0.5，这是判断哪类杂草拖后腿的最直接依据。如果某类 mAP 明显低于平均值，多半是样本量太少或者形态多变，回到体检脚本看该类实例数。混淆矩阵里重点看杂草之间的互相误判——RAD1 和 RAD2 如果频繁互认，说明两者的形态学边界在标注时就比较模糊，单靠检测模型很难分开。

5. 避坑指南：杂草检测数据集上的四个翻车现场

5.1 现象一：Loss 不降反升，标签坐标越界

有次我拿一份类似数据直接开训，发现训练 Loss 前 20 个 epoch 不但没降，还在轻微上升，验证集 mAP 始终是 0。排查时抽查标签，发现少量 txt 里出现了 cx=1.23 这种越界数值，模型对这部分回归目标产生了梯度冲突。

原因在于标注工具的导出环节没有做边界归一化，某些框的坐标是按原始大图尺寸算的，裁切子图后标签没同步重新计算。解决方法是训练前用体检脚本把越界标签全部过滤，或者写一个修正函数把 cx、cy 超界的框裁剪回图像范围内。从那以后任何数据进训练前都会先跑一遍坐标范围检查，这条已经被我写进团队的默认流程。

5.2 现象二：小目标漏检严重，mAP 很高但地里找不到草

验证集 mAP@0.5 能到 0.75 以上，看起来效果不错，但拉到真实地块的无人机画面上推理，漏检率立刻暴露。原因很典型：这批 crop 子图经过裁切后，目标在图中占比其实不小，模型学到的是中尺度目标特征；而实际无人机原始画面中杂草占全图比例极小，直接推理自然全部漏掉。

解决方向有两个。一是训练时把输入分辨率从 640 提到 1280，配合 --multi-scale 开关让模型适应多变尺度。二是推理阶段用切片策略，把原图切成 640 重叠子图分别推理，再按裁剪坐标把框拼回大图，这部分可以用现成工具实现。训练集里带 crop 后缀的影子就是给这个思路准备的。

5.3 现象三：类别不均衡导致某类 AP 为 0

体检脚本打印出类别实例数后，常见情况是 RAD 系列占比过半，RA1 这类只有几十个实例。YOLO 的默认分类损失对高频类更友好，少数类很容易在训练后期被抑制，PR 曲线上表现为 AP 为 0。

解决方法是双层下功夫：数据侧对少样本类做复制粘贴增强，把标注框连同图像块复制到其他空白区域，生成新训练样本；训练侧调整 cls loss 的权重或使用采样策略让每个 batch 都包含所有类别。更简单粗暴的方案是在数据增强里对少数类做水平翻转加 HSV 扰动，先让样本量过百再谈训练。

5.4 现象四：随机划分导致验证集虚高，指标失去参考价值

这是这类农业时序数据最容易踩的坑。文件名里时间戳只差几十秒的连续帧，内容高度相似，如果直接随机划分，训练集和验证集会混入同一场景的邻近帧，模型等于开卷考试，验证 mAP 虚高到失真。拿到真实地块新数据时，性能断崖下跌的锅往往就在这。

正确做法是按文件名中的时间戳做 group 划分，把同一采集日期或连续时间段的图片整体划入同一侧。稳定性优先时，建议按日期分组并拆出跨日期验证集，才能测出模型对新地块日期组合的泛化能力。比如拿所有 20210421 拍的图做验证、其余做训练，这样才能真实还原跨时相应用场景。

6. 二次开发路径：类别合并、跨角度泛化与边缘部署

6.1 按生育期合并类别，降低分类难度

RAD1 到 RAD4 以及 RAD23 如果代表同一物种的不同生育期，实际植保场景中并不需要区分阶段，只需要知道是不是这种杂草。可以写一个类别映射脚本，把标签里的 0、1、2、3 统一改写成新 id 0，同时更新 data.yaml 的 names 为合并后的类别列表，这样把 8 类任务降为 5 类甚至 4 类，单类样本量翻倍，检测精度通常会有明显提升。对已训练好的模型也可以用验证集重新统计，确认合并后各类的 AP 是否均衡。

6.2 利用文件名角度字段做跨视角验证

文件名里的 0 和 45 两个角度值是一个天然实验变量。可以把 0 度视角的图全部划入训练集、45 度全部划入验证集，观察模型在训练中没见过的视角上表现如何。如果 mAP 掉得厉害，说明模型对视角敏感，应该在数据增强时加入随机旋转和透视变换来模拟视角变化，或者直接按角度分组做交叉验证。这种利用文件名元信息设计实验的能力，就是普通使用者与高阶开发者的分水岭。

6.3 导出 ONNX 做边缘端部署

训练好的 best.pt 落地成实际农药喷洒或监测设备时，需要转成轻量格式。在 YOLOv5 工程内执行：

python export.py --weights runs/weed/baseline/weights/best.pt --include onnx --imgsz 1280

导出的 onnx 文件可以用推理引擎在 Jetson 或树莓派等边缘设备上运行。注意导出时的 imgsz 要和训练时一致，否则输出 tensor 形状不匹配；输入图片预处理时也要对齐归一化方式。

从拿到这份数据集到落地推理，完整链路大约是：体检脚本过滤坏标签，show 脚本人工抽检，划分目录并配置 data.yaml，开启训练评估，最后导出部署。我个人的习惯是每个项目开工前强制走一遍数据体检，这个习惯帮我省掉了好几轮无效训练，希望帮到你。

本文还有配套的精品资源，点击获取