简介：这是一份面向计算机视觉与智慧农业领域的小番茄目标检测数据集，包含不同光照、拍摄角度下的果实图像及对应XML标注，能够支撑YOLO等主流目标检测算法的训练、验证与优化，常用于果实成熟度判别、自动化采摘等任务。资源包总计1790个文件，内含895张PNG格式实景图片与895个XML标注文件，标注记录了边界框坐标与类别标签，整体压缩包大小约180.33MB，目录结构规整，便于直接划分训练集、测试集进行模型评估。目前已有79人浏览学习，对于农业检测方向的研究者与学生来说，是一份轻量、可直接上手的实战数据。借助该数据集，可以系统练习YOLO系列模型的训练和参数调优，也可引入迁移学习与数据增强策略提高模型泛化能力，为小番茄的精准识别与农业智能化落地提供扎实的数据基础，甚至可在此基础上进一步探索改进检测算法的思路。
1. 小番茄检测先解决数据问题
做农业视觉落地的朋友应该都有同感：模型结构不是瓶颈，数据才是。一个在COCO上表现很好的YOLO模型，换到温室大棚里识别小番茄，mAP能掉到没法看——因为果实密集、互相遮挡、光照不均，还有成熟度带来的颜色差异。要在这类场景下把检测效果做起来，第一步不是调参，而是拿到一份标注质量合格、分布合理的数据集。这份小番茄目标检测数据集就是干这个用的：图片来自真实拍摄角度，标注采用XML格式，按PASCAL VOC的标准记录每个果实的边框位置和类别信息，可以直接用来训练YOLOv5、YOLOv8或者R-CNN系列模型。适合做农业检测算法验证、迁移学习基线测试，也适合当作学习目标检测流程的入门数据。下面从数据格式、转换脚本到训练配置，把整个链路拆开讲。
2. 理解数据集结构与XML标签格式
2.1 图片与标注文件的组织方式
拿到压缩包后，先看目录结构。常见的组织方式有两种：一种是图片和XML文件放在同一个文件夹，另一种是分images和annotations两个子目录。这套小番茄数据集里图片文件名为tomato784.png、tomato394.png这种序号格式，对应的XML文件名与图片名完全一致，后缀不同。同名的XML就是这张图的标注文件，训练脚本读取时通过文件名前缀来关联。
├── images/ │ ├── tomato784.png │ ├── tomato394.png │ ├── tomato259.png │ └── ... └── annotations/ ├── tomato784.xml ├── tomato394.xml ├── tomato259.xml └── ...如果压缩包内图片和XML混在一起，先用下面命令把标注文件筛出来，按项目结构重新整理。-name参数指定匹配后缀，exec对筛选结果执行移动操作，{}是find找到的每个文件的占位符。
mkdir -p images annotations for f in *.xml; do mv "$f" annotations/ done for f in *.png; do mv "$f" images/ done2.2 XML里到底存了什么信息
打开任意一个XML文件，核心结构是annotation根节点下的几个子节点。size记录图片宽高和通道数，object节点每出现一次，就代表图里的一个检测目标。VOC格式里，bndbox用xmin、ymin、xmax、ymax四个值表示左上角和右下角坐标，单位是像素。
一个object节点大概长这样：
<annotation> <folder>images</folder> <filename>tomato394.png</filename> <size> <width>640</width> <height>480</height> <depth>3</depth> </size> <object> <name>tomato</name> <pose>Unspecified</pose> <truncated>0</truncated> <difficult>0</difficult> <bndbox> <xmin>126</xmin> <ymin>98</ymin> <xmax>210</xmax> <ymax>173</ymax> </bndbox> </object> </annotation>name字段是类别标签，本数据集里就是tomato。truncated为1表示目标被图片边界截断，difficult为1表示目标辨识难度大，这两个字段训练时一般直接忽略。补充一点：小番茄是圆形果实，实际标注中有些框会包住相邻果实的部分区域，两个框之间的IoU可能偏高，用YOLO训练时nms阈值要留出余量。
2.3 批量检查XML标注的合法性
标注文件多了之后，肉眼检查不现实。用脚本批量读XML，重点检查三类问题：一是坐标值是否越界，比如xmax大于图片宽度；二是是否有空标注，一个object都没有的图片在训练中会被当成背景图，数量过多会影响正负样本平衡；三是不同图片间的尺寸是否一致，混用分辨率会导致letterbox变形。
import os import xml.etree.ElementTree as ET from PIL import Image def check_annotation(img_dir, xml_dir): bad_files = [] empty_files = [] for xml_name in os.listdir(xml_dir): if not xml_name.endswith('.xml'): continue xml_path = os.path.join(xml_dir, xml_name) img_name = xml_name.replace('.xml', '.png') img_path = os.path.join(img_dir, img_name) if not os.path.exists(img_path): bad_files.append(xml_name + ': image missing') continue img_w, img_h = Image.open(img_path).size tree = ET.parse(xml_path) objs = tree.findall('object') if len(objs) == 0: empty_files.append(xml_name) continue for obj in objs: box = obj.find('bndbox') xmin = float(box.find('xmin').text) ymin = float(box.find('ymin').text) xmax = float(box.find('xmax').text) ymax = float(box.find('ymax').text) if xmin < 0 or ymin < 0 or xmax > img_w or ymax > img_h: bad_files.append(xml_name + ': bbox out of range') print('bad files:', bad_files) print('empty annotations:', empty_files) check_annotation('images', 'annotations')过滤条件里加了图片存在性检查，避免XML与图片缺对。发现坐标越界，处理方式通常是裁剪或者直接删掉问题标注，而不是整个丢弃图片——小番茄果实密集，一张图里往往有七八个有效标注，为了一个坏框丢掉全部标注不划算。
3. 从XML到YOLO训练格式的转换与数据划分
3.1 为什么YOLO不直接读XML
YOLOv5和YOLOv8的训练接口不接受PASCAL VOC的XML格式，它需要的是TXT标注文件，每一行表示一个目标。YOLO的坐标定义和VOC完全不同，它存储的是归一化后的中心点坐标和宽高，取值范围0到1，不依赖图片尺寸。
class_id x_center y_center width height举个例子，XML里一个框的坐标是(126, 98, 210, 173)，图片宽640高480，换算规则是：
x_center = (126 + 210) / 2 / 640 = 0.2625 y_center = (98 + 173) / 2 / 480 = 0.2823 width = (210 - 126) / 640 = 0.1313 height = (173 - 98) / 480 = 0.1563这么设计的好处是：同一张图无论缩放到什么尺寸，标注坐标都无需改动，省去了逐尺度调整的麻烦。但代价是坐标信息变得不直观，调试时如果发现检测框位置偏了，很难直接从txt里看出问题，通常要写个可视化脚本来核验转换是否正确。
3.2 转换脚本与数据集划分
写转换脚本时，我一般同时完成两件事：XML转TXT，以及按比例切分训练集和验证集。下面是一个完整的转换脚本，直接放在数据集根目录下运行：
import os import random import xml.etree.ElementTree as ET from PIL import Image classes = ['tomato'] def convert_annotation(xml_path, img_path, out_txt_path): img_w, img_h = Image.open(img_path).size tree = ET.parse(xml_path) lines = [] for obj in tree.findall('object'): name = obj.find('name').text if name not in classes: continue class_id = classes.index(name) box = obj.find('bndbox') xmin = float(box.find('xmin').text) ymin = float(box.find('ymin').text) xmax = float(box.find('xmax').text) ymax = float(box.find('ymax').text) x_center = (xmin + xmax) / 2 / img_w y_center = (ymin + ymax) / 2 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f'{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}') with open(out_txt_path, 'w') as f: f.write('\n'.join(lines)) img_dir = 'images' xml_dir = 'annotations' label_dir = 'labels' os.makedirs(label_dir, exist_ok=True) items = [] for xml_name in os.listdir(xml_dir): if not xml_name.endswith('.xml'): continue stem = xml_name.replace('.xml', '') xml_path = os.path.join(xml_dir, xml_name) img_path = os.path.join(img_dir, stem + '.png') if not os.path.exists(img_path): continue out_txt = os.path.join(label_dir, stem + '.txt') convert_annotation(xml_path, img_path, out_txt) items.append(stem) random.seed(42) random.shuffle(items) val_count = max(1, int(len(items) * 0.2)) with open('train.txt', 'w') as f: for stem in items[val_count:]: f.write(stem + '\n') with open('val.txt', 'w') as f: for stem in items[:val_count]: f.write(stem + '\n') print(f'total: {len(items)}, train: {len(items) - val_count}, val: {val_count}')脚本里random.seed(42)固定了随机种子，保证每次运行划分结果一致，复现实验结果时这点很关键。classes列表顺序决定了类别ID，tomato在列表第一位，所以TXT里所有标注的class_id都是0。YOLO训练时的类别顺序必须和这个列表保持一致，否则会出现类别标签错位，模型能训练但推理结果无法对应到正确的类别名称。
划分比例按19:1或8:2都行，小番茄这种目标尺寸偏小的数据集，验证集不建议低于10%，否则mAP评估的置信区间会很大，调参时看不出真实效果差异。
3.3 转换后做一次可视化验证
转换完不要急着训练，先抽几张图，把TXT标注重新画回去，对照原图确认坐标没有偏移。这一步能拦住大多数低级错误，比如坐标归一化时除错了边、对象名过滤条件写错导致全图标注丢失。
import cv2 def draw_yolo_boxes(img_path, txt_path): img = cv2.imread(img_path) h, w = img.shape[:2] with open(txt_path) as f: for line in f: parts = line.strip().split() class_id, x_center, y_center, bw, bh = parts x_center = float(x_center) * w y_center = float(y_center) * h bw = float(bw) * w bh = float(bh) * h xmin = int(x_center - bw / 2) ymin = int(y_center - bh / 2) xmax = int(x_center + bw / 2) ymax = int(y_center + bh / 2) cv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2) return img img = draw_yolo_boxes('images/tomato394.png', 'labels/tomato394.txt') cv2.imwrite('check_tomato394.png', img)注意YOLO框角点换算回去时要用x_center - bw/2和x_center + bw/2，不是直接加宽高。另外cv2读图默认是BGR通道，直接imwrite输出颜色和原图一致，但如果用matplotlib显示，需要先转换成RGB再imshow。
4. 小番茄检测的YOLO训练配置与参数调整
4.1 从零训练还是用预训练权重
小番茄数据集规模不大，从零训练YOLOv8s效果通常不太理想。常见做法是加载COCO预训练权重，把最后一层类别数改成1继续训练。预训练权重已经学会了通用的边缘、纹理、颜色特征，小番茄果实和茎秆的视觉特征相对明显，迁移学习的起点比随机初始化高很多，收敛也快。
以YOLOv8为例，数据配置文件按下面格式写：
path: /path/to/tomato_dataset train: train.txt val: val.txt nc: 1 names: 0: tomatopath是数据集绝对路径，train和val指向我们之前生成的TXT文件列表。YOLOv8读取这个文件后，会自动把列表中的每个stem拼接成图片路径和标签路径。注意train.txt里存的是不带后缀的文件名，YOLOv8的假设是图片在images/目录、标签在labels/目录，文件名前缀一致。首次创建数据集时，在images同级的labels文件夹里新建一个train子目录，把转换好的txt标签按划分放进去，路径层级不能错。
4.2 训练命令与关键超参数
训练命令很直接：
yolo detect train \ data=tomato.yaml \ model=yolov8s.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20训练超参数对结果影响很大，下面逐个解释我在小番茄数据上的设置经验：
| 参数 | 设置值 | 说明 |
|---|---|---|
model | yolov8s.pt | 用yolov8s的COCO预训练权重作为起点，参数700万级，显存占用低。精度要求高换yolov8m或yolov8l，显存8G以下不建议l |
imgsz | 640 | 图片输入尺寸。如果你的原图分辨率远大于640，可以先缩放。小番茄果实本身很小，强制缩得过小会让果实的像素区域只剩几个像素，检测头无法提取有效特征 |
batch | 16 | 受显存限制，设置成显存大小 / (模型参数占用量 * imgsz缩放系数)的粗略估算值。批量太小batch norm统计不稳定，批量太大训练时间翻倍 |
lr0 | 0.01 | 初始学习率。COCO预训练权重已经处于一个较优的局部区域，学习率过大会破坏预训练特征，过小收敛太慢。从0.01开始配合余弦退火 |
patience | 20 | 验证集mAP连续20个epoch不提升就提前停止训练。小数据集容易过拟合，这个参数能帮你省下大量时间 |
这里额外说明一个容易踩的坑：yolov8s.pt会把最后一个检测头去掉，换成随机初始化的新检测头，nc=1。但如果你在同一个数据集上想继续训练，比如先训了100轮再训100轮，不要再用预训练权重，要加载上一次的last.pt，否则检测头被重新初始化，之前的训练完全被浪费。
4.3 小目标改进方向
小番茄果实相对整张图而言通常属于中、小目标，YOLOv8的检测头里有P3特征层专门处理小目标，但训练时是否生效取决于标注框的像素面积分布。先跑一段脚本统计一下：
import os import numpy as np sizes = [] for txt_name in os.listdir('labels'): with open(os.path.join('labels', txt_name)) as f: for line in f: parts = line.strip().split() w = float(parts[3]) * 640 h = float(parts[4]) * 640 sizes.append(w * h) arr = np.array(sizes) print('box pixel area percentiles:') for p in [10, 25, 50, 75, 90]: print(f' {p}%: {np.percentile(arr, p):.1f} px^2')如果大量标注框的面积低于32x32像素（也就是1024px^2），P3特征层是检测的主力，原来的imgsz=640可以让P3层对应的特征图分辨率达到80x80，基本能满足小番茄的检测需求。但如果你用的是YOLOv5，建议把imgsz调大到960，同时增大P3层anchor的尺度范围。
5. 训练后的效果验证与实用调优技巧
5.1 用val指令评估模型并看诊断图
训练结束后，先跑一次标准的验证流程，看mAP50和mAP50-95这两个指标。mAP50是IoU阈值0.5下的平均精度，mAP50-95是0.5到0.95每间隔0.05取一个阈值算出的平均值。对密集果实场景，mAP50-95比mAP50更能反映定位精度。
yolo detect val \ model=runs/detect/train/weights/best.pt \ data=tomato.yaml命令输出的results.csv里包含每个类别的Precision、Recall和mAP。对番茄这种成熟度会影响外观的目标，Precision和Recall差距过大说明某个成熟阶段的果实没有被正确检测。这时先看confusion_matrix.png，如果漏检集中在某个颜色区域，建议补充对应光照条件下的图片数据。
5.2 推理脚本里的预热与阈值策略
嵌入式设备或机器人上做实时检测时，推理脚本建议加一次warmup，让CUDA kernel先加载完成再开始计时。检测置信度阈值设0.25通常够用，但在果实密集场景，NMS的IoU阈值建议从默认0.45调低到0.35，减少相邻果实的框被合并的概率。
from ultralytics import YOLO model = YOLO('best.pt') model.predict(source='images/tomato394.png', conf=0.3, iou=0.35, save=True)iou参数在NMS后处理阶段生效，数值越小，两个重叠框被合并的条件越严苛；过高会保留大量重复框，在密集区域让结果看起来一片红绿。特别提醒：不要在预测阶段把conf设太低，小番茄的误检框往往出现在叶片和背景纹理上，一味降低置信度阈值收获的更多是噪音。
5.3 数据增强参数的适度策略
YOLOv8默认开启了hsv_h、hsv_s、hsv_v、translate、scale、fliplr等增强项。小番茄检测中不同成熟度的果实颜色差异很大，适当增强HSV变换可以让模型忽略颜色、关注形状和纹理特征。但注意不要加强mosaic=2.0的强度，mosaic会把四张图片拼在一起，导致小番茄被切碎，反而增加训练难度。建议通过augment=true开启在线增强，并在验证时用augment=false保证推理性能不被打折。
真正到现场部署时，还会遇到相机安装角度和数据集不完全一样的情况。一个务实的做法是：用这个数据集训练出基线模型，从验证集里挑出10张最难检测的图片，人工分析错误类型——是小番茄被叶子遮挡、果实重叠导致目标合并，还是因为背景反光产生了误检。这些错误模式清楚之后，再决定是加数据还是调结构。这样一轮轮下来，模型在特定农场环境里的表现才会逐步逼近实用水平。
本文还有配套的精品资源，点击获取
