企业官网建设流程全解析

小白菜叶子病害检测这件事，听起来不大，做起来其实挺折腾。真正上手之后你才会发现，模型训练能不能出效果，一大半取决于数据集做得干不干净。最近我正好在整理一批小白菜叶子病害健康状态检测数据集，总共1863张图、2个类别，同时导出了VOC和YOLO两种标注格式，也就是XML和txt双版本。这套数据既可以用来训练目标检测模型，也可以拿来验证标注质量、做算法对比实验，对做农业视觉、植物病害识别的朋友来说，是相当顺手的一套底子。

我自己在整理和清洗这类数据时踩了不少坑，从拍摄角度、光线控制到标注边界，再到格式转换时的坐标归一化，每一步都有一些常规文档里见不到的细节。这篇就把我的实操过程、背后逻辑和踩坑经验完整写出来，给正准备做植物检测数据集的同学一个参照。

1. 小白菜叶子病害健康状态检测数据集到底是什么

1.1 从标题拆出三个关键信息

先把这个标题拆开看。1863张，是图片总量；2类别，对应的是健康叶子和病害叶子；VOC+YOLO，则是两种并行的标注格式。看起来简单，但每一样都有讲究。

图片数量这块，1863张对目标检测来说属于中等偏小规模的数据量。做二分类目标检测，这个量级配合合理的数据增强，完全够把模型训到能用的程度。如果只有几百张，模型很容易过拟合，换一组光照条件就崩；如果上万张，对采集和标注的压力又会大很多。1863张算是一个性价比很高的起步线。

类别数量上，2类别意味着你的检测头只需要输出两个概率值，不用处理长尾分布，也不用担心类别间特征太接近导致混淆。健康叶子和病害叶子在颜色、纹理、形态上都有肉眼可见的差异，这对模型提取特征是友好的。但要注意的是，类少不代表简单，背景里的杂草、泥土、水珠、遮阴造成的色差，照样会骗过模型。

VOC格式和YOLO格式的区别，简单说就是一套用一个XML文件描述每张图里的标注信息，另一套用一个TXT文件按行记录归一化坐标。XML适合给人看、做检查、做格式中转；TXT适合给YOLO系列训练框架直接吃。两套都存在的好处是，你既能用标注工具回看检查，又能不写转换脚本直接丢进训练管道。我在实际项目里长期保留双格式，就是为了随时回来改标签、做筛查，不用临时找工具转来转去。

1.2 二类别问题的适用边界

二分类目标检测看起来简单，实际用的时候要明确边界。你的模型只能回答这张图里叶子是健康还是发病，回答不了“这是什么病”。如果数据里包含霜霉病、软腐病、黄叶病等多种症状，但都统一标成病害这一类，那么模型学到的就是“看起来不正常”的共性特征，而不是具体病害的个性特征，换个症状不同的病叶过来，有可能漏检。

所以这个数据集适用的场景是：做早期预警、做健康状态筛查、做农情监测里的“正常/异常”判断。比如在大棚里部署巡检设备，发现病叶就报警，再由人来复诊，这套数据就非常好用。反过来，如果你想细分病害种类，需要重新设计类别体系，把每一种病单独作为一类，并保证每个类别的样本量均衡。这也是我当时没有急着扩类别的原因，类别越少，标注一致性问题越少，模型越不会学歪。

另外，二类别数据还有一个隐性价值，就是能用来做迁移学习。哪怕你最后的目标是十几种病害多分类，也可以先用这套二类别数据把特征提取层训扎实，再用带细分标签的小批量数据做微调，收敛速度和稳定性都会好很多。

2. 数据采集与标注实操：1863张样本是怎么凑起来的

2.1 拍摄场景设计与样本多样性

很多人在这一步偷懒，拿着手机对着几棵白菜一顿拍，结果模型一上测试集就翻车。表面上是模型不行，本质上是你拍回去的图太“干净”了。自然环境下的小白菜，叶子有遮挡、有阴影、有泥土、有水珠、有虫咬痕迹，还有拍摄时手抖导致的轻微模糊，这些全都要覆盖进数据集里。

我采集时的思路是，分几个子场景去拍。首先是晴天上午和阴天两种自然光条件，因为大棚里的光线变化很大；其次是室内补光灯均匀照射的条件，作为低干扰样本；最后还专门挑了一部分带土壤背景、带杂草背景、带滴灌水珠的照片，用来让模型学会忽略干扰。拍摄距离也分了两档，一是离叶子约30厘米的近距离特写，二是约60厘米带多片叶子的中距视角，这样模型对不同尺度下的目标都有感知。

数量分配上，我没有做三三平均，而是让田间自然场景占六成，室内可控光场景占三成，困难样本占一成。原因是模型最终大概率用在大田或大棚环境，训练分布尽量靠近推理分布，效果才稳。拍完之后还有一步很多人会漏掉，就是把图片按场景分组过一遍，删掉完全重复的、严重过曝的和对焦完全失败的照片，避免无效样本干扰训练。

2.2 标注策略：边界框该画到哪里

标注是决定数据集质量的核心环节。对叶子目标检测来说，我采用的策略是“完整叶片，宁大勿小”。意思是只要叶片主体完整出现在画面里，就标一个矩形框把整片叶子包住；如果一片叶子的健康部分和病斑连在一起，只要这片叶子被判断为病叶，就用一个框框住整片叶子，而不是单独框病斑。

这里有个容易钻牛角尖的地方。有人会把叶片上的每个病斑单独标注，想增加“信息量”，但实际上这会让模型学到的不是“病叶长得什么样”，而是“病斑长得什么样”。病斑有大有小、有深有浅，单独做目标会导致模型对微小病斑不敏感，漏检率明显上升。以整片叶子作为检测单位，反而是更稳的做法，尤其适合这种做健康状态筛查的项目。

遮挡情况的处理也得提前定好规则。我采用的规则是：遮挡面积不超过叶片面积百分之三十的，按完整叶片标注；超过的，弃标。这么做是为了保证绝大多数样本是完整形态，减少标注边界模糊的可能性。标注时框的四边尽量贴合叶缘，但不必追求像素级精准，YOLO训练对于两三像素的框偏移不敏感，硬抠边缘反而浪费时间。

2.3 一致性校准与算量统计

一致性校准是最容易被忽略的环节。如果三个人标同一批图，一个人习惯框松一点，一个人习惯框紧一点，模型看到的正样本边界就是乱的。我做数据时，先由一个人标完前100张，定好“框完整叶缘、不留大空隙、也不压到叶子内部”的统一标准，然后其他人对照这100张的标准去标，最后再抽取一部分交叉检查。

交叉检查的方式也不复杂，把同一批图片分别给两个人标，比对两个框的交并比，一般要求IoU大于0.7就算一致，低于0.6的单独拉回来重标。这个过程不是走形式，很多框的偏移问题就是从这里暴露出来的。标注完成后，我用脚本统计每个类别框的数量、每张图的平均目标数，以及所有框的宽度高度分布。病叶框总数量和健康叶框总数量不要偏差太大，最好控制在1:1到1:1.5以内，如果某一类太多了，训练时会出现类别倾向，后面调整会麻烦。

3. VOC转YOLO格式：从XML到txt的完整流程

3.1 两种格式的底层逻辑

VOC格式，简单说就是每张图片对应一个同名XML文件，文件里用object节点记录目标的名称和边界框坐标。坐标是绝对值，单位是像素，记录了左上角xmin、ymin和右下角xmax、ymax。这种格式的好处是任何标注工具都支持打开编辑，坏处是训练框架一般不能直接吃，还要做一次转换。

YOLO格式则是每张图片对应一个同名TXT文件，每一行是一个目标，格式是“类别ID x_center y_center width height”。这里所有数值都是归一化的，需要除以图片宽度和高度。类别ID是从0开始编号的整数，不是类别名称。比如0代表健康，1代表病害，那么在TXT里健康叶子的行首就是0，病害叶子的行首就是1。

这两个格式之间最核心的转换点有两个：一是坐标从绝对像素转成相对比例，二是类别从名称映射成ID。这两个点任何一个搞错，轻则训练报错，重则模型学废了还不知道原因。尤其要注意的是，有的工具导出坐标时用的是目标中心点和宽高，有的用的是左上角右下角，转换前必须确认清楚。

3.2 格式转换脚本与坐标归一化

我自己写的转换脚本并不复杂，Python的xml.etree.ElementTree就能搞定，不需要装额外依赖。核心逻辑是，遍历图片目录下所有XML文件，提取object节点的name和bndbox子节点，把xmin、ymin、xmax、ymax取出来，除以图片的宽高得到归一化坐标，再计算中心点x_center、y_center和宽高width、height，最后按“类别ID x_center y_center width height”的顺序写入TXT。

坐标系换算的公式我自己反复验过，实际用起来就一句话：x_center = ((xmin + xmax) / 2) / image_width，y_center = ((ymin + ymax) / 2) / image_height，width = (xmax - xmin) / image_width，height = (ymax - ymin) / image_height。其中image_width和image_height要取图片的真实像素尺寸，不是标注时的缩放尺寸，如果两者不一致，坐标就全错位了。

写脚本时我特意加了一个越界检查，凡是计算出来的x_center或者width不在0到1之间的，记录到日志里单独处理。因为有些标注框会超出图片边界，直接转进TXT，YOLO训练时会出现严重的锚框匹配异常。越界样本也不一定要丢掉，把框的边界截断到0到1之间就可以，但要注意截断后的框不能太小，太小的框对模型训练几乎没有贡献。

3.3 训练集验证集划分的注意事项

格式转换完成后，下一步就是划分训练集和验证集。很多人会直接随机打乱然后按比例切，这在物体检测数据里其实有隐患。同一片叶子可能在多张照片里反复出现，如果这些相似图像被同时分进训练集和验证集，验证集就失效了，模型在验证集上的分数会虚高，上了新图就露馅。

我自己的做法是把图片按拍摄场景分组，先按场景为单位做划分，保证训练集和验证集里的场景不重叠。比如晴天场景的图进训练集，那么晴天场景的所有图就不进验证集；验证集专门用室内光场景或部分田间场景。这样验证集才是真正“没见过的环境”，指标才可信。

比例上，我习惯用8:2，也就是1490张训练、373张验证。没有单独再分测试集，因为1863张的规模再拆测试集会稀释训练数据。真正上线前会额外找一批新拍的图片做一次盲评，那批图完全不出现在训练和验证流程里，用盲评的mAP来估算真实表现。

4. 训练前必须做的质量审计与数据增强

4.1 自动化体检脚本的思路

很多同学拿到别人分享的数据集，第一件事就是直接开训。我建议先写一段自动化检查脚本，把数据质量做一次审计，至少排查这几类问题：图片与TXT文件名完全对应、每个TXT里的类别ID不超过总类别数、所有归一化坐标在0到1之间、每个TXT文件非空、以及图片本身能正常解码。

这几个检查看起来简单，真跑起来能发现不少毛病。比如有些TXT文件是0字节的，原因可能是标注时漏存，也可能是转换脚本没匹配到XML；再比如某些图片的宽高是奇数，缩放尺寸后坐标比例会有一点点偏差，虽然影响不大，但最好统一处理成偶数尺寸。我踩过最狠的一次坑，是某批图片被人为裁剪过，但XML里的坐标还是裁剪前的原图尺寸，结果模型训练时大量锚框落在图外，损失一直在高位震荡，查了半天才定位到是坐标错位。

审计脚本跑完之后，另一步是可视化抽样。把训练集中的图片和YOLO标注画出来，用随机抽样的方式看100张，肉眼检查框和叶片边缘是否匹配。这一步不是形式主义，特别是检查有没有把背景里无关目标误标成叶子，或者把病斑单独框成了目标。标注错误分布不均匀，模型是能学到的，只不过学到的全是错误规律。

4.2 数据增强的“能做”与“不能做”

数据增强是1863张数据集能不能跑出更好效果的关键，但植物检测场景要格外谨慎。能做的增强包括：随机水平翻转、小幅旋转、亮度扰动、对比度扰动、高斯噪声和随机缩放。这些操作不会改变病斑和健康叶子的根本特征，还能提升模型对光照、拍摄角度变化的鲁棒性。

不能做或者必须谨慎做的增强，第一是大幅度的色相变化。白菜叶子的绿色、病斑的黄色褐色，是模型分类的重要依据，你把色相随机转了几十度，叶子可能变成蓝色或紫色，训练出的模型对颜色就失去了敏感性，真实场景下容易把黄化叶漏掉。第二是强烈透视变换，叶子形状会发生非真实扭曲，导致模型学到的叶片轮廓特征失真。第三是完全随机的裁剪，你可能把一片叶子裁掉一半，标准好的框也变得不完整，干扰训练。

我个人常用的增强组合是mosaic加mixup配合轻度颜色抖动，但颜色抖动的幅度控制在HSV三个通道各自的扰动不超过20。增强逻辑是在线增强，训练时实时生成增强后的样本，不额外把增强后的图片写回硬盘，这样不占存储空间，也等于变相增加了训练样本量。

4.3 类别失衡问题与对策

2类别看似简单，类别失衡还是可能出现。比如健康叶子很好找，拍几组就有几千张；病害叶子需要碰运气，可能拍了很多只有几百张。一旦病叶框数量明显少于健康叶框，模型会倾向于把一切叶片判断为健康，因为这样在损失函数里犯错更少。

我处理失衡的思路不是粗暴地复制病叶样本，而是优先调整训练时的采样权重。YOLO训练的数据加载器支持按类别权重采样，把病叶样本的上采样概率调高，相当于让模型在每个batch里都能见到足够多的病叶。其次是增加病叶场景的增强力度，对病叶样本做更多的翻转和亮度变化，让有限的数据产生更多的有效变体。

如果失衡特别严重，比如病叶只有健康叶的十分之一，那就建议回到采集阶段补充数据了。单靠算法补救，能到及格线但很难到优秀水平。我当时把病叶框和健康叶框的数量比对出来，发现大约是1:1.2，属于可接受范围，就没有额外做采样加重处理，直接训练效果已经不错。

5. YOLO训练配置与结果排查

5.1 模型选型与数据配置文件

数据集准备到这个阶段，训练本身反而轻松了。模型选型上，如果是边缘设备部署，我建议直接用YOLO系列里的轻量版本，兼顾速度和精度；如果显卡资源充足，可以用稍大的模型换更高的准确率。对于这种叶片目标大、类别差异明显的任务，轻量模型的性价比很高，没必要杀鸡用牛刀。

训练前要写好数据配置文件。里面要指定训练图片路径、验证图片路径、类别数量和类别名称列表。我习惯把整份数据放在同一个目录下，目录里建images和labels两个子文件夹，images下再建train和val两个子目录，labels对应也建同样的结构，YOLO系列框架默认就是按这个结构找数据的，适配起来零成本。

配置文件的写法大概长这样：

path: ./data/cabbage_leaf_dataset train: images/train val: images/val nc: 2 names: 0: healthy 1: disease

要注意的是，类别名称的顺序必须和TXT文件里的ID对应。TXT里写0，模型就认为这是names列表里第0个类别，顺序错位会导致模型学习的语义和最终输出对不上，推理时症状标签彻底错乱。我一开始也没太注意，后来发现推理结果里健康标签和病害标签完全反了，查了半天才发现是转换脚本里类别ID映射写反了。

5.2 训练参数与结果指标解读

训练参数里最需要花心思的是输入尺寸、批量大小和训练轮数。输入尺寸我建议从640起步，叶子检测目标不算特别小，640的输入能在细节和速度之间取得平衡。批量大小要根据显存来定，显存不太够就把批量调小一点，但不要小于16，过小的批量会让BN层的统计不稳定，影响收敛。

训练轮数的话，这个量级的数据集我一般从100轮起跑，配合早停机制，当验证集mAP连续20轮不提升就提前终止。这样能避免在后期过拟合浪费时间。损失曲线要盯着box_loss和cls_loss两条线来看，如果训练损失持续下降但验证损失开始回升，说明模型开始记训练样本的细节了，要提前停或者加大增强。

结果指标上，植物检测场景重点看mAP0.5和mAP0.5:0.95两个值。mAP0.5是IoU阈值0.5时的平均精度，反映的是“大致框得准不准”，对实际落地参考意义最大。mAP0.5:0.95是多个IoU阈值下的平均结果，更严格，一般会比mAP0.5低20个百分点左右，不用因为数值低而焦虑。PR曲线也要看，曲线越靠近右上角越好，如果曲线中间出现凹陷，说明某些类别的置信度分布有问题，经常是误检或者标注噪声导致的。

5.3 漏检误检的排查思路

训练完之后，最常遇到的情况就是漏检和误检。漏检通常是模型没把某些病害叶子“识别出来”，误检则是模型把背景或者健康叶子当成了病害。排查的时候我建议先做两类可视化：一类是画置信度低于阈值但真实标注存在的图，看看是病斑颜色不典型还是叶片被遮挡严重；另一类是画置信度高但预测框明显偏掉的图，看看目标是不是长得像病叶的枯草或泥土。

如果发现漏检的样本主要集中在某一种环境条件下，比如全部是逆光拍摄的，说明训练集中这类场景样本不够，需要回去补拍或者增强亮度扰动。如果误检集中在某些特定背景，比如土壤团块被误判为病叶，说明模型学到了背景纹理而不是叶子特征，这时候要检查是不是标注时把背景里的东西圈进去了，或者增强时对比度加得太狠，导致纹理失真。

还有一个容易被忽略的原因是框选边界。如果你标注时把病叶框得特别紧，叶缘部分被切掉，模型就没法学到叶片的完整形状。当目标处于图像边缘或与其他叶子重叠时，模型会拿不准窗口该给多大，表现出来就是预测框只有真实大小的一半。针对这个问题，我后来标注时统一多留几个像素的外边距，效果立竿见影，漏检率降了大概两成。