企业官网建设流程全解析

数据集概览与训练指南

📊 数据集概况

该数据集当前处于概览（Overview）页面，共包含图像1,357 张（概览卡片四舍五入显示为 1.4k），已迭代4 个版本，暂未关联上线模型。

类别说明：类别共2 类，分别为早期、晚期，从命名推断多用于病虫害或作物生理阶段等二分类检测场景。

格式说明：默认与导出格式支持YOLO 格式（原生推荐，txt 标注）、VOC 格式（XML）、COCO 格式（JSON），方便不同训练框架衔接。

🚀 小白用 YOLO 训练步骤

注意：题目中"YOLO26"按现行主流 Ultralytics YOLO 训练流程（如 YOLOv8/v11 系命令行）理解，避免版本歧义。

第一步：准备数据

从平台导出 YOLO 格式压缩包，解压后得到图像目录与标签目录，确保类名对应早期、晚期。

第二步：建数据集配置

新建dataset.yaml，写入路径、类别数与名称：

yaml path: ./dataset train: images/train val: images/val test: images/test names:{0:'早期',1:'晚期'}

第三步：安装环境

bash

pipinstallultralytics torch

有 NVIDIA 显卡建议装 CUDA 版 PyTorch 以加速训练。

第四步：开始训练

命令行执行：

bash

yolo detect trainmodel=yolo11n.ptdata=dataset.yamlepochs=100imgsz=640batch=16

若无显卡，将batch调小（如 2/4）或用 CPU（速度较慢）。

第五步：查看结果

训练完成后，在runs/detect/train/weights/目录下取best.pt，使用以下命令验证效果：

bash

yolo predictmodel=best.ptsource=测试图/视频

🔄 格式转换说明

若原数据是 VOC/COCO 格式，可先用 Roboflow、labelme-convert 或 Python 脚本转为 YOLO 的归一化 txt 格式后再训练。

YOLO 标签格式为每行：类别序号 中心点横坐标 中心点纵坐标 宽度 高度（所有值均归一化至 0~1）。