尧图网页设计 
简介这份农业害虫目标检测数据集面向从事智能农业、计算机视觉算法研发及农业院校教学的人员用于解决作物害虫自动识别与定位问题。数据覆盖蚂蚁、蚜虫、果螟、瘿蚊、蚱蜢、绿叶蝉、潜叶虫、螟虫、白蚁、蓟马、块茎蛾顶螟、白蛴螬、褐飞虱共13类常见害虫按训练集174张、验证集50张、测试集25张划分总计249张图片均采用YOLO格式标注边界框与类别标签可直接接入主流检测框架训练。压缩包共500个文件以jpg图像与同名txt标注为主另含1个yaml数据配置和1份docx说明文档整体约10.2MB目录结构清晰便于快速加载。目前已有260人学习下载。该数据集类别多样、标注精准适合构建害虫监测模型、集成无人机或田间监控设备也可用于算法优化与教学实践帮助读者在真实农业场景中验证检测效果并提升模型泛化能力。1. 农业害虫目标检测数据集从田间误检到 mAP 提升的落地起点植保无人机巡田拍回来的图拿现成的 COCO 预训练权重直接推理蚜虫、红蜘蛛、稻飞虱这类小目标要么整片漏检要么把叶面上的霉斑、露珠、土壤颗粒当成虫体框出来——这是做农牧业视觉检测的人几乎都撞过的墙。根因不在模型在数据通用数据集里根本没有农业害虫这个类别尺度分布、背景纹理、光照条件跟田间实拍差得太远。这份农业害虫目标检测数据集就是冲着这个缺口来的它把田间场景下的害虫目标做成标准标注格式能直接喂给 YOLO 系列做训练和微调。适合三类人做植保无人机或虫情测报灯的算法工程师、要交农业视觉课程设计的学生、以及想从通用检测切到垂直行业数据集练手的从业者。它解决的不是有没有模型的问题而是模型认不认得田里的虫的问题。2. 数据集结构与 YOLO 标注格式先看懂再动手2.1 目录组织与标注文件长什么样拿到一个目标检测数据集第一件事不是急着训练是先把目录结构和标注格式摸清楚。农业害虫数据集常见做法是 images 和 labels 两个平行目录images 下放 jpg/png 原图labels 下放同名 txt 标注文件。YOLO 格式的标注是每行一个目标五个字段类别索引、归一化中心点 x、归一化中心点 y、归一化宽、归一化高全部是 0 到 1 之间的小数。这跟 VOC 的 XML、COCO 的 JSON 完全不是一回事转换错了训练直接崩。# 先看目录骨架确认 images 和 labels 是否一一对应 find ./dataset -maxdepth 2 -type d # 统计图片数量和标注数量数量对不上说明有脏数据 ls ./dataset/images/train | wc -l ls ./dataset/labels/train | wc -l上面两条统计命令是排查数据集完整性的第一步。图片数和标注数必须相等差一个都说明有图没标或者有标没图。我一般还会抽查几张标注文件的内容确认坐标没有越界、类别索引没有超出类别总数。# 抽查一个标注文件看字段是否规范 head -n 5 ./dataset/labels/train/000001.txt # 找出坐标越界的异常行任何字段大于 1 或小于 0 awk $21 || $31 || $41 || $51 || $20 || $30 {print FILENAME: $0} ./dataset/labels/train/*.txt第一段 head 是看格式第二段 awk 是批量扫异常。归一化坐标一旦越界YOLO 训练时不会报错但那个框会跑到图外等于白标。这个坑我在早期项目里踩过训练 loss 正常下降验证时 mAP 死活上不去最后查出来是几十张图的标注坐标没归一化。2.2 类别索引与 data.yaml 配置YOLO 训练靠一个 yaml 文件告诉它数据在哪、有几个类、类名是什么。农业害虫数据集通常类别不多但类别索引必须从 0 开始连续不能跳号。常见错误是标注里用了 1 到 N 的索引yaml 里却按 0 到 N-1 写类名结果所有类别整体错位一位训练出来的模型把蚜虫认成红蜘蛛。# data.yaml 标准写法 path: ./dataset # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 nc: 6 # 类别数量必须和标注里的最大索引1 一致 names: # 类名顺序必须和索引严格对应 0: aphid 1: red_spider_mite 2: planthopper 3: leaf_roller 4: stem_borer 5: healthync 这个参数是血泪教训高发区。标注里最大类别索引是 5nc 就得写 6因为索引从 0 起。写成 5 的话最后一个类永远训不出来而且不报错。names 的顺序也不能乱它和标注文件里的数字是一一绑定的。改完 yaml 建议用一段脚本做一致性校验别靠肉眼。import yaml, glob, os with open(data.yaml, r, encodingutf-8) as f: cfg yaml.safe_load(f) max_idx -1 for txt in glob.glob(os.path.join(cfg[path], labels/train/*.txt)): with open(txt) as fh: for line in fh: if line.strip(): idx int(line.split()[0]) max_idx max(max_idx, idx) print(f标注中最大类别索引: {max_idx}) print(fyaml 中 nc: {cfg[nc]}) assert max_idx 1 cfg[nc], 类别数不匹配训练前必须修这段脚本遍历所有训练标注取出最大类别索引和 yaml 里的 nc 做断言。断言失败就别往下走先修数据。参数上没什么可调的逻辑就是标注里出现过的最大索引加一必须等于 nc。跑通这一步数据集的基本健康度就有底了。3. 用 YOLOv8 跑通训练从环境到第一轮权重3.1 环境准备与依赖版本农业害虫数据集本身是格式无关的但训练框架有版本脾气。现在主流是用 ultralytics 的 YOLOv8装起来简单但 CUDA、torch、ultralytics 三者版本要对得上否则要么跑不起来要么训练中途显存炸。我一般用 conda 建独立环境避免和系统里的 torch 打架。conda create -n pest python3.10 -y conda activate pest # 先装匹配 CUDA 的 torch再装 ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics # 验证环境和 GPU 是否可用 yolo checksyolo checks 会打印出 torch 版本、CUDA 是否可用、GPU 型号。如果这里显示 CPU only后面训练会慢到怀疑人生。python 版本建议 3.103.12 有些依赖还没跟上。torch 的 CUDA 版本要和你显卡驱动匹配cu118 是通用性比较好的选择驱动太老就换 cu117。3.2 训练命令与关键参数环境通了就可以起训练。YOLOv8 的命令行接口很直接但几个参数直接决定成败imgsz、batch、epochs、workers。农业害虫很多是小目标imgsz 设太小虫子就糊成一团设太大显存扛不住。yolo detect train \ data./data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ workers4 \ device0 \ project./runs/pest \ nameexp1 \ patience20逐个说参数。modelyolov8s.pt 是从官方预训练权重起步小目标任务不建议用 n 版容量太小s 版是精度和速度的平衡点。imgsz640 是输入分辨率害虫目标小的话可以试 960但显存占用会翻倍。batch16 要按显存调8G 显存跑 640 大概能到 16爆显存就降到 8。workers 是数据加载线程设太高在 Windows 上容易卡死Linux 下 4 到 8 都行。patience20 是早停20 轮验证指标不涨就停省时间。训练起来后重点盯三个东西box_loss 是否稳定下降、mAP50 是否在涨、有没有出现 loss 变 nan。loss 变 nan 一般是学习率太高或者标注里有脏框先查数据再调 lr0。mAP50 卡在低位不动多半是类别不平衡或者小目标太多后面章节细说。3.3 推理验证与结果解读训练完别急着高兴拿验证集和几张真实田间图跑推理看框得准不准。YOLOv8 的 predict 接口可以直接出图。yolo detect predict \ model./runs/pest/exp1/weights/best.pt \ source./dataset/images/val \ conf0.25 \ iou0.45 \ saveTrue \ project./runs/predict \ nameval_checkconf0.25 是置信度阈值低于它的框不显示iou0.45 是 NMS 的 IoU 阈值控制重叠框合并。这两个值不是固定的害虫密集场景 conf 可以降到 0.15 多召回一些误检多了再往上提。看结果图重点看两类错误漏检虫在图上但没框和误检把背景当虫。漏检多说明召回不够误检多说明精度不够调的方向不一样。4. 农业场景专属的避坑与排查清单4.1 小目标漏检严重现象训练 mAP 看着还行但一到实拍图小颗粒状的害虫大片漏检。原因害虫在原图里可能只占十几个像素经过下采样后特征几乎消失YOLO 的 P3 特征层接不住。解决把 imgsz 从 640 提到 960 或 1280或者改用带 P2 小目标检测层的配置。另一个办法是切片推理把大图切成小块分别检测再合并代价是速度慢。4.2 背景误检把叶斑当虫现象模型把叶面病斑、露珠、土壤颗粒框成害虫。原因训练集里负样本纯背景图太少模型没学会什么不是虫。解决往训练集里掺入 10% 到 20% 的纯背景图标注文件留空。这个操作叫背景挖掘对降低误检立竿见影。另外可以适当提高 conf 阈值牺牲一点召回换精度。4.3 类别极度不平衡现象某一类害虫样本特别少训练后这类几乎检测不出来。原因损失函数被多数类主导少数类梯度被淹没。解决一是数据层面做增强对少数类做复制、旋转、 mosaic二是训练时用类别权重YOLOv8 可以在损失里调 cls 权重。最实在的还是补数据合成增强只能缓解不能根治。4.4 验证集指标虚高现象验证集 mAP 很高实际部署一塌糊涂。原因训练集和验证集来自同一批图甚至同一张图的不同裁剪数据泄漏了。解决划分数据集时按拍摄批次或地块分别随机分。同一块田、同一天、同一台设备拍的图要么全进训练要么全进验证不能混。这个坑最隐蔽指标好看但没用。4.5 标注框过松或过紧现象模型学出来的框总是比虫体大一圈或小一圈。原因标注时框的松紧不一致有的贴边有的留白。解决定标注规范统一按虫体可见轮廓紧贴。已经标完的可以用脚本统计框面积分布离群的挑出来重标。标注质量是检测任务的天花板模型再好也救不了烂标注。5. 从能跑到好用提升农业害虫检测精度的几个实操技巧数据集跑通只是起点真正拉开差距的是细节调优。第一个技巧是锚框聚类。YOLOv8 虽然是无锚框设计但如果你用的是 YOLOv5 或更早版本用 k-means 在农业害虫数据集上重新聚类锚框尺寸比用 COCO 默认锚框的 mAP 能高几个点。害虫的宽高比和通用目标差别很大默认锚框根本不匹配。import numpy as np from sklearn.cluster import KMeans # 读取所有标注框的宽高归一化后乘 imgsz wh [] with open(all_boxes.txt) as f: for line in f: _, _, _, w, h map(float, line.split()) wh.append([w * 640, h * 640]) wh np.array(wh) kmeans KMeans(n_clusters9, random_state0).fit(wh) anchors kmeans.cluster_centers_ anchors anchors[np.argsort(anchors[:, 0] * anchors[:, 1])] print(聚类锚框按面积排序:) for a in anchors: print(f {a[0]:.1f} x {a[1]:.1f})这段脚本把数据集里所有框的宽高聚成 9 类得到最匹配当前数据的锚框尺寸。参数 n_clusters9 是 YOLO 常用的锚框数量按面积排序后从小到大对应不同特征层。把输出填进模型配置的 anchors 字段即可。注意这是 YOLOv5 及更早版本的玩法YOLOv8 用不上但思路值得知道。第二个技巧是测试时增强TTA。推理时对同一张图做翻转、多尺度把结果融合能稳定涨一两个点 mAP代价是推理速度慢几倍。对精度要求高、速度不敏感的虫情测报场景很划算。yolo detect predict \ model./runs/pest/exp1/weights/best.pt \ source./dataset/images/val \ augmentTrue \ conf0.2augmentTrue 就是开 TTA。conf 可以比平时低一点因为融合后误检会被抑制。这个参数在部署时要不要开取决于你的硬件能不能扛住几倍的推理耗时。第三个技巧是分阶段训练。先用大学习率快速收敛再降学习率精调。YOLOv8 默认的余弦退火已经做了类似的事但你可以手动分两次训第一次 epochs80 lr00.01第二次拿第一次的 best.pt 接着训 epochs40 lr00.001。我试过在农业害虫这种小数据集上分阶段比一次性训的最终 mAP 高一点尤其是类别不平衡的时候。最后一个习惯每次改完数据或参数固定用同一批验证图跑一遍把 mAP50、mAP50-95、各类别的 AP 记下来对比。别凭感觉说好像变好了。我一般会存一个 csv每次实验追加一行跑多了自然能看出哪个改动真有用、哪个是玄学。农业害虫检测这活儿数据质量占七成参数调优占三成把数据这关守住了模型不会差到哪去。从那以后我每次拿到新数据集都强制先跑一遍格式校验和类别一致性检查再谈训练。希望帮到你。本文还有配套的精品资源点击获取 农业害虫目标检测数据集与YOLOv8实战：从格式校验到mAP提升
简介这份农业害虫目标检测数据集面向从事智能农业、计算机视觉算法研发及农业院校教学的人员用于解决作物害虫自动识别与定位问题。数据覆盖蚂蚁、蚜虫、果螟、瘿蚊、蚱蜢、绿叶蝉、潜叶虫、螟虫、白蚁、蓟马、块茎蛾顶螟、白蛴螬、褐飞虱共13类常见害虫按训练集174张、验证集50张、测试集25张划分总计249张图片均采用YOLO格式标注边界框与类别标签可直接接入主流检测框架训练。压缩包共500个文件以jpg图像与同名txt标注为主另含1个yaml数据配置和1份docx说明文档整体约10.2MB目录结构清晰便于快速加载。目前已有260人学习下载。该数据集类别多样、标注精准适合构建害虫监测模型、集成无人机或田间监控设备也可用于算法优化与教学实践帮助读者在真实农业场景中验证检测效果并提升模型泛化能力。1. 农业害虫目标检测数据集从田间误检到 mAP 提升的落地起点植保无人机巡田拍回来的图拿现成的 COCO 预训练权重直接推理蚜虫、红蜘蛛、稻飞虱这类小目标要么整片漏检要么把叶面上的霉斑、露珠、土壤颗粒当成虫体框出来——这是做农牧业视觉检测的人几乎都撞过的墙。根因不在模型在数据通用数据集里根本没有农业害虫这个类别尺度分布、背景纹理、光照条件跟田间实拍差得太远。这份农业害虫目标检测数据集就是冲着这个缺口来的它把田间场景下的害虫目标做成标准标注格式能直接喂给 YOLO 系列做训练和微调。适合三类人做植保无人机或虫情测报灯的算法工程师、要交农业视觉课程设计的学生、以及想从通用检测切到垂直行业数据集练手的从业者。它解决的不是有没有模型的问题而是模型认不认得田里的虫的问题。2. 数据集结构与 YOLO 标注格式先看懂再动手2.1 目录组织与标注文件长什么样拿到一个目标检测数据集第一件事不是急着训练是先把目录结构和标注格式摸清楚。农业害虫数据集常见做法是 images 和 labels 两个平行目录images 下放 jpg/png 原图labels 下放同名 txt 标注文件。YOLO 格式的标注是每行一个目标五个字段类别索引、归一化中心点 x、归一化中心点 y、归一化宽、归一化高全部是 0 到 1 之间的小数。这跟 VOC 的 XML、COCO 的 JSON 完全不是一回事转换错了训练直接崩。# 先看目录骨架确认 images 和 labels 是否一一对应 find ./dataset -maxdepth 2 -type d # 统计图片数量和标注数量数量对不上说明有脏数据 ls ./dataset/images/train | wc -l ls ./dataset/labels/train | wc -l上面两条统计命令是排查数据集完整性的第一步。图片数和标注数必须相等差一个都说明有图没标或者有标没图。我一般还会抽查几张标注文件的内容确认坐标没有越界、类别索引没有超出类别总数。# 抽查一个标注文件看字段是否规范 head -n 5 ./dataset/labels/train/000001.txt # 找出坐标越界的异常行任何字段大于 1 或小于 0 awk $21 || $31 || $41 || $51 || $20 || $30 {print FILENAME: $0} ./dataset/labels/train/*.txt第一段 head 是看格式第二段 awk 是批量扫异常。归一化坐标一旦越界YOLO 训练时不会报错但那个框会跑到图外等于白标。这个坑我在早期项目里踩过训练 loss 正常下降验证时 mAP 死活上不去最后查出来是几十张图的标注坐标没归一化。2.2 类别索引与 data.yaml 配置YOLO 训练靠一个 yaml 文件告诉它数据在哪、有几个类、类名是什么。农业害虫数据集通常类别不多但类别索引必须从 0 开始连续不能跳号。常见错误是标注里用了 1 到 N 的索引yaml 里却按 0 到 N-1 写类名结果所有类别整体错位一位训练出来的模型把蚜虫认成红蜘蛛。# data.yaml 标准写法 path: ./dataset # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 nc: 6 # 类别数量必须和标注里的最大索引1 一致 names: # 类名顺序必须和索引严格对应 0: aphid 1: red_spider_mite 2: planthopper 3: leaf_roller 4: stem_borer 5: healthync 这个参数是血泪教训高发区。标注里最大类别索引是 5nc 就得写 6因为索引从 0 起。写成 5 的话最后一个类永远训不出来而且不报错。names 的顺序也不能乱它和标注文件里的数字是一一绑定的。改完 yaml 建议用一段脚本做一致性校验别靠肉眼。import yaml, glob, os with open(data.yaml, r, encodingutf-8) as f: cfg yaml.safe_load(f) max_idx -1 for txt in glob.glob(os.path.join(cfg[path], labels/train/*.txt)): with open(txt) as fh: for line in fh: if line.strip(): idx int(line.split()[0]) max_idx max(max_idx, idx) print(f标注中最大类别索引: {max_idx}) print(fyaml 中 nc: {cfg[nc]}) assert max_idx 1 cfg[nc], 类别数不匹配训练前必须修这段脚本遍历所有训练标注取出最大类别索引和 yaml 里的 nc 做断言。断言失败就别往下走先修数据。参数上没什么可调的逻辑就是标注里出现过的最大索引加一必须等于 nc。跑通这一步数据集的基本健康度就有底了。3. 用 YOLOv8 跑通训练从环境到第一轮权重3.1 环境准备与依赖版本农业害虫数据集本身是格式无关的但训练框架有版本脾气。现在主流是用 ultralytics 的 YOLOv8装起来简单但 CUDA、torch、ultralytics 三者版本要对得上否则要么跑不起来要么训练中途显存炸。我一般用 conda 建独立环境避免和系统里的 torch 打架。conda create -n pest python3.10 -y conda activate pest # 先装匹配 CUDA 的 torch再装 ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics # 验证环境和 GPU 是否可用 yolo checksyolo checks 会打印出 torch 版本、CUDA 是否可用、GPU 型号。如果这里显示 CPU only后面训练会慢到怀疑人生。python 版本建议 3.103.12 有些依赖还没跟上。torch 的 CUDA 版本要和你显卡驱动匹配cu118 是通用性比较好的选择驱动太老就换 cu117。3.2 训练命令与关键参数环境通了就可以起训练。YOLOv8 的命令行接口很直接但几个参数直接决定成败imgsz、batch、epochs、workers。农业害虫很多是小目标imgsz 设太小虫子就糊成一团设太大显存扛不住。yolo detect train \ data./data.yaml \ modelyolov8s.pt \ epochs100 \ imgsz640 \ batch16 \ workers4 \ device0 \ project./runs/pest \ nameexp1 \ patience20逐个说参数。modelyolov8s.pt 是从官方预训练权重起步小目标任务不建议用 n 版容量太小s 版是精度和速度的平衡点。imgsz640 是输入分辨率害虫目标小的话可以试 960但显存占用会翻倍。batch16 要按显存调8G 显存跑 640 大概能到 16爆显存就降到 8。workers 是数据加载线程设太高在 Windows 上容易卡死Linux 下 4 到 8 都行。patience20 是早停20 轮验证指标不涨就停省时间。训练起来后重点盯三个东西box_loss 是否稳定下降、mAP50 是否在涨、有没有出现 loss 变 nan。loss 变 nan 一般是学习率太高或者标注里有脏框先查数据再调 lr0。mAP50 卡在低位不动多半是类别不平衡或者小目标太多后面章节细说。3.3 推理验证与结果解读训练完别急着高兴拿验证集和几张真实田间图跑推理看框得准不准。YOLOv8 的 predict 接口可以直接出图。yolo detect predict \ model./runs/pest/exp1/weights/best.pt \ source./dataset/images/val \ conf0.25 \ iou0.45 \ saveTrue \ project./runs/predict \ nameval_checkconf0.25 是置信度阈值低于它的框不显示iou0.45 是 NMS 的 IoU 阈值控制重叠框合并。这两个值不是固定的害虫密集场景 conf 可以降到 0.15 多召回一些误检多了再往上提。看结果图重点看两类错误漏检虫在图上但没框和误检把背景当虫。漏检多说明召回不够误检多说明精度不够调的方向不一样。4. 农业场景专属的避坑与排查清单4.1 小目标漏检严重现象训练 mAP 看着还行但一到实拍图小颗粒状的害虫大片漏检。原因害虫在原图里可能只占十几个像素经过下采样后特征几乎消失YOLO 的 P3 特征层接不住。解决把 imgsz 从 640 提到 960 或 1280或者改用带 P2 小目标检测层的配置。另一个办法是切片推理把大图切成小块分别检测再合并代价是速度慢。4.2 背景误检把叶斑当虫现象模型把叶面病斑、露珠、土壤颗粒框成害虫。原因训练集里负样本纯背景图太少模型没学会什么不是虫。解决往训练集里掺入 10% 到 20% 的纯背景图标注文件留空。这个操作叫背景挖掘对降低误检立竿见影。另外可以适当提高 conf 阈值牺牲一点召回换精度。4.3 类别极度不平衡现象某一类害虫样本特别少训练后这类几乎检测不出来。原因损失函数被多数类主导少数类梯度被淹没。解决一是数据层面做增强对少数类做复制、旋转、 mosaic二是训练时用类别权重YOLOv8 可以在损失里调 cls 权重。最实在的还是补数据合成增强只能缓解不能根治。4.4 验证集指标虚高现象验证集 mAP 很高实际部署一塌糊涂。原因训练集和验证集来自同一批图甚至同一张图的不同裁剪数据泄漏了。解决划分数据集时按拍摄批次或地块分别随机分。同一块田、同一天、同一台设备拍的图要么全进训练要么全进验证不能混。这个坑最隐蔽指标好看但没用。4.5 标注框过松或过紧现象模型学出来的框总是比虫体大一圈或小一圈。原因标注时框的松紧不一致有的贴边有的留白。解决定标注规范统一按虫体可见轮廓紧贴。已经标完的可以用脚本统计框面积分布离群的挑出来重标。标注质量是检测任务的天花板模型再好也救不了烂标注。5. 从能跑到好用提升农业害虫检测精度的几个实操技巧数据集跑通只是起点真正拉开差距的是细节调优。第一个技巧是锚框聚类。YOLOv8 虽然是无锚框设计但如果你用的是 YOLOv5 或更早版本用 k-means 在农业害虫数据集上重新聚类锚框尺寸比用 COCO 默认锚框的 mAP 能高几个点。害虫的宽高比和通用目标差别很大默认锚框根本不匹配。import numpy as np from sklearn.cluster import KMeans # 读取所有标注框的宽高归一化后乘 imgsz wh [] with open(all_boxes.txt) as f: for line in f: _, _, _, w, h map(float, line.split()) wh.append([w * 640, h * 640]) wh np.array(wh) kmeans KMeans(n_clusters9, random_state0).fit(wh) anchors kmeans.cluster_centers_ anchors anchors[np.argsort(anchors[:, 0] * anchors[:, 1])] print(聚类锚框按面积排序:) for a in anchors: print(f {a[0]:.1f} x {a[1]:.1f})这段脚本把数据集里所有框的宽高聚成 9 类得到最匹配当前数据的锚框尺寸。参数 n_clusters9 是 YOLO 常用的锚框数量按面积排序后从小到大对应不同特征层。把输出填进模型配置的 anchors 字段即可。注意这是 YOLOv5 及更早版本的玩法YOLOv8 用不上但思路值得知道。第二个技巧是测试时增强TTA。推理时对同一张图做翻转、多尺度把结果融合能稳定涨一两个点 mAP代价是推理速度慢几倍。对精度要求高、速度不敏感的虫情测报场景很划算。yolo detect predict \ model./runs/pest/exp1/weights/best.pt \ source./dataset/images/val \ augmentTrue \ conf0.2augmentTrue 就是开 TTA。conf 可以比平时低一点因为融合后误检会被抑制。这个参数在部署时要不要开取决于你的硬件能不能扛住几倍的推理耗时。第三个技巧是分阶段训练。先用大学习率快速收敛再降学习率精调。YOLOv8 默认的余弦退火已经做了类似的事但你可以手动分两次训第一次 epochs80 lr00.01第二次拿第一次的 best.pt 接着训 epochs40 lr00.001。我试过在农业害虫这种小数据集上分阶段比一次性训的最终 mAP 高一点尤其是类别不平衡的时候。最后一个习惯每次改完数据或参数固定用同一批验证图跑一遍把 mAP50、mAP50-95、各类别的 AP 记下来对比。别凭感觉说好像变好了。我一般会存一个 csv每次实验追加一行跑多了自然能看出哪个改动真有用、哪个是玄学。农业害虫检测这活儿数据质量占七成参数调优占三成把数据这关守住了模型不会差到哪去。从那以后我每次拿到新数据集都强制先跑一遍格式校验和类别一致性检查再谈训练。希望帮到你。本文还有配套的精品资源点击获取