1. 项目背景与核心价值
柑橘病害检测数据集（YOLO格式）是农业AI领域的重要基础设施资源。作为国内首个公开可用的柑橘类作物病害标准化检测数据集，它解决了传统农业病害识别中样本不足、标注不规范两大痛点。我在参与某省智慧农业项目时，曾花费三个月手工采集2000张病叶图像，深知高质量数据集的稀缺性。
这个数据集的价值主要体现在三个方面：
- 标准化：采用YOLO格式统一标注，省去研究人员数据清洗环节
- 场景化：覆盖炭疽病、溃疡病等6种常见病害的真实田间场景
- 工程友好：可直接用于YOLOv5/v8等主流检测框架训练
2. 数据集技术规格详解
2.1 数据构成与采集方案
数据集包含12,847张高清图像（分辨率1920×1080），来自三个主要产区：
- 棚栽环境：4,200张（可控光照）
- 露天种植：6,152张（自然光变化）
- 雨后特写：2,495张（水渍干扰场景）
病害类型分布：
| 病害名称 | 样本量 | 单图平均实例数 |
|---|---|---|
| 炭疽病 | 8,742 | 3.2 |
| 溃疡病 | 5,309 | 1.8 |
| 疮痂病 | 3,015 | 2.1 |
2.2 标注规范与质量管控
采用严格的五级标注质检流程：
- 初级标注：使用LabelImg工具标注
- 交叉验证：双人独立标注同一批样本
- 专家复核：农艺师确认病害类型
- 格式转换：转为YOLO txt格式
- 最终校验：通过脚本检查坐标归一化
关键标注参数：
- 边界框扩展规则：超出病斑实际边缘5像素
- 遮挡处理：可见部分≥30%才标注
- 小目标策略：小于32×32像素的单独标记为"tiny_lesion"
3. 数据预处理实战方案
3.1 环境配置建议
推荐使用conda创建专用环境：
conda create -n citrus python=3.8 conda install -c pytorch pytorch torchvision pip install opencv-python albumentations3.2 数据增强策略
针对农业图像特点设计的augmentation pipeline：
import albumentations as A transform = A.Compose([ A.RandomSunFlare(flare_roi=(0,0,1,0.5), angle_lower=0.5), # 模拟强光 A.RandomShadow(shadow_roi=(0,0.5,1,1)), # 叶片投影效果 A.MotionBlur(blur_limit=7), # 模拟微风抖动 A.RandomBrightnessContrast(p=0.8), A.HueSaturationValue(hue_shift_limit=10) ])3.3 数据集划分技巧
采用时空交叉验证法：
- 训练集：不同果园的2019-2021年数据（占70%）
- 验证集：2022年新发病害样本（占20%）
- 测试集：独立采集的跨省份样本（占10%）
重要提示：避免简单随机划分，否则会导致同株作物样本同时出现在训练测试集
4. YOLO模型训练优化要点
4.1 锚框聚类方法
使用k-means++改进算法：
def citrus_anchors(dataset): # 基于病斑形状特性调整距离度量 wh = np.array([box[2:] for box in all_boxes]) kmeans = KMeans(n_clusters=9, init='k-means++', random_state=42) kmeans.fit(wh * (1, 1.2)) # 高度加权 return kmeans.cluster_centers_4.2 关键训练参数
lr0: 0.01 # 初始学习率 lrf: 0.2 # 最终学习率 weight_decay: 0.0005 warmup_epochs: 3 mixup: 0.15 # 适度增强 copy_paste: 0.1 # 针对密集病斑4.3 模型微调技巧
- 注意力机制：在Backbone末端添加CBAM模块
- 小目标检测层：增加160×160像素的检测头
- 损失函数改进：使用EIoU替换CIoU
5. 常见问题与解决方案
5.1 样本不均衡处理
采用动态采样策略：
- 对稀少类别（如黄龙病）进行过采样
- 对密集类别（如炭疽病）应用mosaic增强时限制出现次数
- 分类头使用focal loss
5.2 叶片重叠干扰
解决方案分三步：
- 预处理时应用HSV色彩空间分割
- 训练时添加模拟重叠数据增强
- 后处理中使用NMS时调整iou_threshold=0.4
5.3 模型部署优化
使用TensorRT加速的要点：
// 针对柑橘病斑特点调整配置 config->setOptimizationProfile(0) ->setCalibrationBatchSize(8) ->setFlag(BuilderFlag::kPREFER_PRECISION_CONSTRAINTS) ->setMaxWorkspaceSize(1 << 30);实际部署中发现，将检测置信度阈值设为动态可调（0.3-0.6）能更好适应不同光照条件。在边缘设备部署时，建议量化到INT8并启用DLA核心。
