葡萄生长阶段图像数据集：目标检测模型训练全流程与避坑指南

简介：这份葡萄不同生长阶段的图像数据集，是为深度学习目标检测场景准备的高质量训练语料，适合农业视觉、果实识别、成熟度检测等方向的算法工程师与科研人员。数据分v0.1、v0.2两个版本，图像统一为1280×720像素，合计包含一万余个葡萄边界框标注，覆盖从幼果到成熟期的生长差异，可直接用于训练检测模型或评估算法泛化能力。压缩包大小314.1MB，文件以7304个JPG图像、3311个TXT标注、2099个XML标注为主，总量逾1.2万个，其中TXT便于YOLO系列直接使用，XML可配合VOC格式流程，转换成本低。已有180人学习下载，对缺少自有数据、希望快速搭建农业检测方案的团队，能省去大量拍摄与人工标注时间；目录按版本组织，图片与对应标注一一对应，结构清晰，适合作为入门练习或真实项目的数据支撑。

1. 葡萄生长阶段图像数据集：一张 1280x720 的农业检测底牌

做农业视觉的工程师大概都被同一个问题卡过：网上能找到的葡萄图像数据集，要么是成熟果的摆拍特写，要么分辨率参差不齐，训出来的检测模型换个果园、换个生长阶段就失效。这份葡萄在不同生长阶段的图像数据集，把两版数据一次给齐——v0.1 共 1,212 张、3,993 个边界框，v0.2 共 2,099 张、6,641 个边界框，统一 1280x720 分辨率，覆盖幼果期、膨大期、转色期、成熟期等生长阶段。它要解决的问题很具体：一个目标检测模型能不能在葡萄整个生育周期里稳定框住果穗。适合做智慧农业、果园巡检、产量预估的工程师和研究生。下面按我实际拆数据、转格式、训模型、查标注的顺序写，每一步都能照着跑。

2. 两版数据拆解：3,993 与 6,641 个边界框背后的标注逻辑

拿到资源我做的第一件事不是开训练，而是把两版数据的数字摊开算了一遍。摘要里给的是总框数，但平均框数、阶段分布这些要自己算，它们直接影响后续的数据划分和增强策略。

2.1 从 1,212 到 2,099：规模变化与平均框数

两版数据对比如下：

平均每图框数这个细节值得看两遍。v0.2 的图像数量比 v0.1 多 73%，边界框只多 66%，意味着新增图片里有相当一部分是「稀疏场景」——整张图只有一个果穗，背景却复杂得多。稀疏样本对检测模型的意义比单纯堆数量更大：它逼着模型学习「什么不是葡萄」，而不是只记「葡萄长什么样」。在果园实拍里，稀疏场景反而最常见，因为巡园无人机多数时候看到的是一大片叶子中间挂一两串果。

1280x720 这个分辨率不是随便定的。它恰好是 16:9，与果园巡检视频流、无人机航拍画面的主流比例一致。很多公开数据集是 1024x1024 正方形，训练前要单独写裁剪逻辑；这份数据源本身贴近真实采集场景，YOLO 系列的 letterbox 预处理可以直接套用，不需要额外处理。另外 1280x720 的边长对检测来说够用——成熟期果穗在画面里通常占几十到几百像素，640 的输入尺寸能覆盖大部分目标，个别小目标再上 960 也不迟。

2.2 生长阶段标签：按物候期划分而不是按品种

数据集的卖点是「不同生长阶段」。我拆开看，最合理的划分是按物候期走：幼果期、膨大期、转色期、成熟期四个阶段。这四个阶段在视觉上的差异极大。幼果期果穗刚成形，颜色接近叶片，果粒小，是检测难度最高的阶段；膨大期果粒明显变大，但整体仍是绿色，容易和叶片混在一起；转色期是红色或紫色从果粒顶端向下蔓延的过程，同一个果穗可能半边红半边绿，颜色特征不稳定；成熟期颜色饱满、辨识度高，但叶片遮挡往往最严重，漏检大多发生在这个阶段。

按生长阶段打标签而不是按品种打标签，是有意为之。葡萄品种几十上百个，果形、串型、颜色差异大，按品种分类会让类别数爆炸，且多数品种样本量不够。按生长阶段划分，类别少、视觉可区分度强，模型学到的是「物候期特征」而不是「某个品种的特征」。这对果园巡检业务更直接——农技员关心的是这批果子到哪个阶段了、什么时候能套袋、什么时候能摘，而不是给品种归类。

2.3 UUID 命名的 txt 文件：索引清单怎么读

解压后能看到一批以 UUID 命名的 txt 文件（类似 412047dd-73e4-4627-9f92-bf8e5ed5c63a 这种）。在我的经验里，这类文件在数据集里一般是索引清单或标注容器，每个文件对应一个采集批次或阶段子集。建议先别急着写解析器，用最笨的办法看文件头：

# 看文件大小，判断是索引清单还是标注正文 ls -lh *.txt | head -20 # 数每个文件的行数，粗看数据量分布 wc -l *.txt | sort -n # 直接看前 5 行内容，判断每一行是图像路径还是标注坐标 head -5 412047dd-73e4-4627-9f92-bf8e5ed5c63a.txt

重点看 head 的输出。如果每行是「图像名 类别 坐标」，那就是单文件标注格式，转换脚本要从这里读；如果每行是完整图像路径，那就是图像清单，标注信息在另外的 json 或同名 txt 里。这一步花五分钟，能避免后面写错解析器。

提示：UUID 文件名没有语义，别靠文件名猜内容，以 head 实际输出为准。

2.4 统计核对：摘要里的数字能不能对上

下载完最好先核数，防止拿到残缺包。假设每行一条标注，直接数总行数即可：

# 统计所有标注文件的总行数，和摘要里的边界框数比对 cat v0.1_annotations/*.txt | wc -l # 期望输出 3993 cat v0.2_annotations/*.txt | wc -l # 期望输出 6641 # 统计图片数量，和摘要里的图像数比对 find images -type f -name "*.jpg" | wc -l

如果框数对不上，大概率是标注文件缺了一部分，或者图片和标注没有对齐。图片数和摘要对不上，则优先查目录是不是被搬运工具截断。这种核对在数据集下载场景里很有必要，因为很多网盘中转包在传输时容易丢文件，而训练脚本不会主动报错，只在 mAP 上露出诡异。

3. 把标注转成 YOLO 格式：转换脚本与归一化坐标的三个关键点

3.1 先摸清源标注格式再写转换器

目标检测训练现在的主流入口是 YOLOv5/YOLOv8 或 MMDetection，它们都要求「每张图一个 txt，每行 class cx cy w h，坐标除以图像宽高归一化」。这份数据集随包分发的标注格式不一定是这个——可能是 COCO 的 json，可能是每阶段一个 txt 的清单。我拆这类数据的原则是：先读一条原始标注，确定字段顺序，再写转换器。

判断字段含义有个窍门：图像的宽度是 1280，如果某个坐标值明显大于 1280，说明那是像素坐标而不是归一化坐标；如果所有值都在 0~1 之间，说明已经是归一化的，转换脚本只需要调换字段顺序。方向搞反是转换阶段最常见的错误，没有之一。

3.2 文本标注转 YOLO 归一化坐标：Python 脚本

假设源标注每行是「图像名 x1 y1 x2 y2 class_id」的像素坐标格式，我一般会按下面的结构写转换器，拿到手后把读取部分换成实际的字段顺序即可：

import os import cv2 def convert_to_yolo(src_txt, img_dir, out_dir, classes): """ src_txt: 每行一条标注，格式: image_name x1 y1 x2 y2 class_id img_dir: 图像所在目录 out_dir: 输出 YOLO 标注目录 """ os.makedirs(out_dir, exist_ok=True) # 按图像分组，一张图对应一个输出文件 groups = {} with open(src_txt, 'r', encoding='utf-8') as f: for line in f: parts = line.strip().split() if len(parts) < 6: continue img_name, x1, y1, x2, y2, cls = parts[:6] groups.setdefault(img_name, []).append( (float(x1), float(y1), float(x2), float(y2), cls)) for img_name, boxes in groups.items(): img_path = os.path.join(img_dir, img_name) img = cv2.imread(img_path) if img is None: print(f"[warn] 图像读取失败: {img_path}") continue h, w = img.shape[:2] out_path = os.path.join(out_dir, os.path.splitext(img_name)[0] + '.txt') with open(out_path, 'w') as f: for x1, y1, x2, y2, cls in boxes: # 越界裁剪：把超出图像范围的坐标拉回边界 x1 = max(0, min(x1, w - 1)); x2 = max(0, min(x2, w - 1)) y1 = max(0, min(y1, h - 1)); y2 = max(0, min(y2, h - 1)) if x2 <= x1 or y2 <= y1: continue # 反序无效框直接丢弃 cx = (x1 + x2) / 2 / w cy = (y1 + y2) / 2 / h bw = (x2 - x1) / w bh = (y2 - y1) / h f.write(f"{classes.index(cls)} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}\n") print(f"完成，共处理 {len(groups)} 张图像") if __name__ == '__main__': classes = ['young_fruit', 'swelling', 'veraison', 'mature'] convert_to_yolo('labels.txt', 'images/', 'yolo_labels/', classes)

转出来的 YOLO 标注每行一个框，第一个数字是类别 ID，后面四个是归一化的中心点 x、中心点 y、宽、高。类别的 ID 由 classes 列表的顺序决定，这个顺序稍后在 data.yaml 里必须原样复制，否则会出现类别错位的翻车（第 5 章细讲）。

脚本里的三个关键点值得单独说。第一，归一化坐标一定要除以当前图像的宽和高，而不是除以 1280 这个固定值。虽然这批图像统一是 1280x720，但万一后来混入别的分辨率，除固定值会让框整体偏移。第二，越界坐标要裁剪而不是丢弃，源标注偶尔会把框画出图像边界，直接过滤会让少量目标丢失，裁剪能保留大部分；但 x2<=x1 或 y2<=y1 这种反序框必须丢弃，否则训练时会出现宽高为负的异常框。第三，cv2.imread 读图失败要打印路径而不是静默跳过，中文路径、损坏图片是常见原因，静默跳过会导致图像和标注错位，后期排查成本很高。

3.3 划分数据集：按生长阶段分层抽样

划分数据集时，我强烈建议按生长阶段分层抽样，而不是全量随机：

import random from collections import defaultdict random.seed(42) def stratified_split(image_paths, stage_of, ratios=(0.8, 0.1, 0.1)): # stage_of: 函数，输入图像路径，返回阶段名（从目录名或文件名前缀解析） groups = defaultdict(list) for p in image_paths: groups[stage_of(p)].append(p) train, val, test = [], [], [] for stage, imgs in groups.items(): random.shuffle(imgs) n_train = int(len(imgs) * ratios[0]) n_val = int(len(imgs) * ratios[1]) train += imgs[:n_train] val += imgs[n_train:n_train + n_val] test += imgs[n_train + n_val:] return train, val, test

stage_of 函数从目录名解析阶段：如果解压时每个阶段一个子目录，这一步就是拿目录名；如果文件名里带阶段缩写，就从文件名里解析。分层的意义在于：成熟期图像最多，幼果期最少，随机划分很容易出现验证集里全是成熟期、训练集缺幼果期的情况，模型评估结果虚高。按阶段分组后，每个阶段内部按 8:1:1 切，验证集才能代表真实的阶段分布。

4. 训练葡萄检测模型：data.yaml、增强参数与两版数据的迁移路线

4.1 data.yaml：类别顺序决定一切

转完格式，先写 data.yaml：

path: /data/grape train: images/train val: images/val test: images/test nc: 4 names: 0: young_fruit 1: swelling 2: veraison 3: mature

强调一遍：names 顺序必须和第三章转换脚本里的 classes 顺序完全一致。YOLO 标注文件里写的是类别 ID，训练时按 data.yaml 的 names 顺序解释。顺序错位时模型照样能训出很高的 mAP，因为训练集内部的 ID 是自洽的，但推理时类别名全部错位——幼果期被显示成成熟期，业务上完全不可用。这种错位不报错、不告警，只能靠可视化发现。

4.2 果园场景的数据增强参数

果园场景的数据增强，参数不能照搬 COCO 的默认值：

# YOLOv8 训练参数，按果园光照和物候期特点调整 hsv_h: 0.015 # 色相扰动，转色期红绿渐变，不宜过大 hsv_s: 0.7 # 饱和度扰动，适应直射光与树荫差异 hsv_v: 0.4 # 明度扰动，模拟一天内光照变化 fliplr: 0.5 # 水平翻转 mosaic: 1.0 # 前期开启，最后 10 个 epoch 关掉

hsv_h 我控制在 0.015 附近——关键在于转色期的葡萄是红绿渐变，色相扰动太大会把「红到一半」这种关键特征抹掉，模型分不清转色期和成熟期。hsv_s 和 hsv_v 适当调大，因为果园里光照变化剧烈，直射光和树荫下的同一串葡萄亮度差很多，饱和度和明度的扰动相当于免费送了一批光照不变的样本。

mosaic 增强对幼果期这种小目标很有用，四张图拼一张，相当于把幼果果穗和小尺寸候选混在一起，模型被迫在小尺度上分辨目标。但要记住：最后 10 个 epoch 关掉 mosaic，因为拼接图会引入定位噪声，一直开到最后会影响框的精度。这是训练小目标时的通用做法，不只在葡萄上有效。

4.3 两版数据怎么用：v0.1 预训练 + v0.2 微调

v0.1 和 v0.2 的关系，我的用法是「先基后微」，不是简单合并：

# 第一遍：在 v0.1 上从头训练，得到基线权重 yolo detect train data=grape_v01.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=16 # 第二遍：加载基线权重，用 v0.2 微调，重点学稀疏场景 yolo detect train data=grape_v02.yaml model=runs/detect/train/weights/best.pt epochs=80 imgsz=640 batch=16 lr0=0.001

第一遍在 v0.1 上从头训练，学果穗的通用形状特征；第二遍加载第一遍的 best.pt，用 v0.2 做微调。因为 v0.2 的稀疏场景多，正好补模型最缺的「负样本」能力——知道什么情况下不该框。微调时学习率要降下来，lr0 设在 0.001 量级，冻结骨干前几层只解冻后面几层，迭代 80 轮左右就够了。从头训练 100 轮加微调 80 轮，单卡 3090 大约半天能跑完，性价比很高。

为什么不直接合并两版训练？v0.1 和 v0.2 的阶段分布不同，简单 concat 会造成训练集和验证集分布偏移，mAP 波动大，也就是常说的「玄学涨跌」——指标忽高忽低，但没人说得清是哪部分数据在起作用。

5. 常见问题与避坑记录：转换、训练与验证的五个翻车点

5.1 转换后框飞到图外

现象：训练可视化里，框不在果穗上，有的框飘在天空，有的框宽高为 0。原因：源标注是「中心点+宽高」格式，转换脚本却按「左上+右下」解析，或者像素坐标没有除以图像宽高。解决：转换前打印一条原始标注和一条输出标注对着看。中心点格式不需要做 (x1+x2)/2 的换算，直接除以宽高就是归一化坐标。

5.2 mAP 正常但推理类别全错

现象：验证集 mAP 0.85 以上，实拍图推理，绿色幼果全部显示成成熟期。原因：转换脚本里 classes 列表顺序和 data.yaml 的 names 不一致，标注数字没有错，错的是数字到类名的映射。解决：训练前每个类别抽 3 张图，画框并标上类别名，人工看一眼再开训练，这一步比在训练后排查便宜得多。

5.3 幼果期 AP 明显偏低

现象：整体 loss 正常收敛，young_fruit 的 per-class AP 只有 0.2 左右，其他阶段 0.7 以上。原因：幼果期果穗小、颜色接近叶片，本身难检；mosaic 增强把幼果目标切碎，小目标样本被破坏。解决：训练后期关掉 mosaic；幼果期图像按 2 倍过采样；必要时把 imgsz 从 640 提到 960，小目标检出会明显改善。

5.4 手动 resize 导致框不贴合

现象：预处理阶段用 cv2.resize 把 1280x720 压成 640x640，训练完框普遍偏宽。原因：正方形 resize 改变了宽高比，果穗被横向拉伸，而 YOLO 训练和推理默认用 letterbox 保持原比例。解决：不要在数据流里手动 resize，交给 YOLO 的 letterbox。如果必须自己做预处理，用 cv2.copyMakeBorder 补边到 640x640，而不是拉伸。

5.5 两版数据合并后 mAP 忽高忽低

现象：v0.1 和 v0.2 concat 后，每轮验证的 mAP 波动超过 5 个点。原因：两版数据阶段分布不同，随机划分的验证集比例不稳定，评估基准在变。解决：要么按阶段分层划分，要么采用第四章的「v0.1 预训练 + v0.2 微调」路线，保证训练和验证的分布稳定。

6. 用画框与 per-class AP 验证数据质量：训练前的一个半小时自检

6.1 画框脚本：一眼看出标注贴不贴合

import os import cv2 def draw_boxes(img_dir, label_dir, class_names, save_dir): os.makedirs(save_dir, exist_ok=True) for label_file in os.listdir(label_dir): if not label_file.endswith('.txt'): continue img_path = os.path.join(img_dir, label_file.replace('.txt', '.jpg')) img = cv2.imread(img_path) if img is None: continue h, w = img.shape[:2] with open(os.path.join(label_dir, label_file)) as f: for line in f: parts = line.strip().split() if len(parts) < 5: continue cid, cx, cy, bw, bh = map(float, parts[:5]) x1 = int((cx - bw / 2) * w) y1 = int((cy - bh / 2) * h) x2 = int((cx + bw / 2) * w) y2 = int((cy + bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, class_names[int(cid)], (x1, max(0, y1 - 8)), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2) cv2.imwrite(os.path.join(save_dir, label_file.replace('.txt', '.jpg')), img) class_names = ['young_fruit', 'swelling', 'veraison', 'mature'] draw_boxes('images/', 'yolo_labels/', class_names, 'check_boxes/')

代码逻辑很简单：读 txt 里的归一化坐标，反算回像素框，画在图上。每个阶段随机抽 10 张，重点看三类问题：框比果穗明显大一圈（标注把叶片算进去了）、果穗在但没框（漏标）、两个框重叠（重复标注）。这些是标注噪声的主要来源，画一次框就能发现。

6.2 训练后别只看 mAP，查三个更细的指标

训练完除了总 mAP，我还会看三样东西：per-class AP 的方差，幼果期显著低于其他阶段就按 5.3 处理；预测置信度分布，如果大量框的置信度都在 0.9 以上，说明训练集背景太干净，实拍果园会大规模掉点；recall@0.5 和 mAP@0.5 的差，差得大说明定位框偏大，框的边界不贴合果穗。

这套葡萄数据我拿到后也是先跑一遍这个流程：先核对两版的框数，再转 YOLO、分层划分，然后画框抽检、训一个 20 epoch 的快速基线看 per-class AP。从那以后，我每次下载图像数据集都强制走一遍「核数 → 画框 → 快速基线」三步，宁可多花一个半小时，也不赌标注一定没问题。希望帮到你。

本文还有配套的精品资源，点击获取