简介：本资源为基于YOLOV5的冬虫夏草生长检测实战项目，面向目标检测初学者与需要落地小目标检测的开发者，提供从数据到权重的一站式方案，解决单一类别冬虫夏草在土地场景下的识别问题。压缩包共1552个文件，约189.89MB，以748张jpg图像、615个txt标注、51个py脚本及52个yaml配置为主，另含pt权重、sh训练脚本与md说明，覆盖数据、代码与部署配置。数据集采用640×482大分辨率RGB图像，训练集491张、验证集122张，边界框完整且目标清晰。项目已测试20个epoch，最优精度map0.5达0.96、map0.5:0.95为0.51，并保存混淆矩阵、PR曲线与F1曲线等训练结果，网络尚未收敛，加大epoch仍有提升空间。已有274人学习，适合快速复现、二次训练与改进实验。
1. 冬虫夏草生长检测：一个类别、一份权重，能不能直接落地
冬虫夏草的生长状态检测，在高原产区的实际巡检里是个挺磨人的活。草头刚冒尖、子座还没完全抽薹的那几天，窗口期短，人工趴在地上找，一天下来眼睛发花还容易漏。把 YOLOV5 用在这个场景上，逻辑很直接：单类别目标检测，只判断“是不是冬虫夏草”，不区分等级、不区分虫体草头比例，把召回率做上去，剩下的交给人工复核。这个实战项目的定位就是——数据、代码、训练好的权重三件套齐全，拿到手能跑推理，也能接着微调。适合两类人：一类是想找一个真实小目标检测场景练手的算法同学，另一类是手里有类似单类别巡检需求、想快速验证 YOLOV5 能不能扛住的工程同学。单类别意味着标注成本低、类别不平衡问题基本不存在，但小目标、背景干扰、样本量少这三个坑一个都不会少。下面按“先跑通推理、再复现训练、最后调参避坑”的顺序拆开讲。
2. 先让权重跑起来：YOLOV5 推理链路的最小闭环
拿到一份训练好的权重，最忌讳的就是一上来就改代码、重训。正确姿势是先让权重在你机器上出一张带框的图，确认环境、输入尺寸、类别映射都对得上，再去动训练。这一步跑通，后面 80% 的“玄学问题”都能提前暴露。
2.1 环境配置：conda 建环境比 pip 裸装省心
YOLOV5 对 PyTorch 和 CUDA 的版本比较敏感，尤其是你要用 GPU 推理的时候。我一般用 conda 单独建一个环境，避免和系统里其他项目的 torch 打架。下面这套是常见做法，具体 CUDA 版本按你显卡驱动来调。
# 创建独立环境，python 版本建议 3.8~3.10 conda create -n yolo_cordyceps python=3.9 -y conda activate yolo_cordyceps # 安装 pytorch，这里以 CUDA 11.8 为例，其他版本去官网查对应命令 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安装 yolov5 依赖，进到项目根目录执行 pip install -r requirements.txt逻辑说明：conda 负责隔离 Python 解释器和基础库，pip 负责装 torch 和项目依赖。requirements.txt 里通常锁了 numpy、opencv-python、matplotlib、pyyaml 这些，版本别自己乱升。参数上，python 3.9 是兼容性最稳的区间，3.11 以上有些老版本 torch 装不上。装完用python -c "import torch; print(torch.cuda.is_available())"验证，返回 True 才算 GPU 链路通了。
2.2 用 detect.py 跑通第一张图
权重文件一般放在项目根目录或者 weights/ 下，命名类似 best.pt。推理命令本身不复杂，关键是几个参数别填错。
# 单张图片推理 python detect.py \ --weights best.pt \ --source ./test_images/cordyceps_01.jpg \ --img-size 640 \ --conf-thres 0.25 \ --iou-thres 0.45 \ --device 0 # 整个文件夹批量推理，结果默认存到 runs/detect/exp python detect.py --weights best.pt --source ./test_images --img-size 640 --device 0逻辑说明：detect.py 会加载权重、读图、做 letterbox 缩放、前向推理、NMS 后处理、画框保存。参数含义逐个说：--img-size 640是推理分辨率，必须和训练时一致，否则框会偏；--conf-thres 0.25是置信度阈值，低于它的框直接丢；--iou-thres 0.45是 NMS 的 IoU 阈值，控制重叠框合并力度；--device 0指定第一块 GPU，用 CPU 就写 cpu。跑完去 runs/detect/exp 看结果图，如果框的位置明显偏移或者一个都没框出来，先别怀疑权重，八成是 img-size 或类别映射的问题。
2.3 类别映射和输出解析：单类别反而容易看走眼
单类别项目里，names 通常就是['cordyceps']或者中文名。推理输出的每一行是x1 y1 x2 y2 conf cls，cls 恒为 0。很多人看到 cls 全是 0 就以为出 bug 了，其实单类别本来就该这样。
import torch # 加载权重，注意 weights_only 参数在新版 torch 里的变化 model = torch.hub.load('./', 'custom', path='best.pt', source='local') model.conf = 0.25 # 置信度阈值 model.iou = 0.45 # NMS IoU 阈值 results = model('./test_images/cordyceps_01.jpg') # 打印解析后的结果：xmin ymin xmax ymax confidence class name print(results.pandas().xyxy[0])逻辑说明：torch.hub.load 走本地加载，避免联网拉模型。results.pandas().xyxy[0]把检测结果转成 DataFrame，列名直观，方便你核对每个框的坐标和置信度。参数上，model.conf 和 model.iou 是运行时属性，改完立即生效，不用重新加载。如果这里报类别名对不上，去检查权重同目录下的 yaml 或者代码里写死的 names，单类别最容易在这里翻车。
3. 复现训练：从数据组织到跑完第一轮
推理跑通只是确认权重没坏，真正要落地到自己的产区数据，还是得会训。YOLOV5 训练自己的数据集这套流程已经很成熟，但冬虫夏草这个场景有几个特殊点：目标小、背景杂、样本少。数据组织方式直接决定后面能不能训出东西。
3.1 数据集目录结构和标注格式
YOLO 格式要求每张图对应一个同名 txt，每行是cls x_center y_center width height，全部归一化到 0~1。目录结构建议按下面来，别自己发明。
cordyceps_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── cordyceps.yamlcordyceps.yaml 内容如下：
# 数据集配置文件 path: ./cordyceps_dataset # 数据集根目录 train: images/train # 训练集相对路径 val: images/val # 验证集相对路径 nc: 1 # 类别数，单类别写 1 names: ['cordyceps'] # 类别名，顺序和标注里的 cls 对应逻辑说明：path 是根，train/val 是相对 path 的路径，这样换机器只要改 path 一行。nc 必须和 names 长度一致，单类别就是 1。标注里 cls 从 0 开始，只有一个类别就全是 0。常见错误是把 nc 写成 0 或者 names 写成字符串而不是列表，训练启动时会直接报错。
3.2 训练命令和关键超参数
训练入口是 train.py，参数多，但真正影响冬虫夏草这种小目标场景的就那么几个。
python train.py \ --data ./cordyceps_dataset/cordyceps.yaml \ --weights yolov5s.pt \ --img-size 640 \ --batch-size 16 \ --epochs 200 \ --hyp data/hyps/hyp.scratch-low.yaml \ --device 0逻辑说明：--weights yolov5s.pt是从预训练权重开始微调，小数据集千万别从零训，否则收敛慢还容易过拟合。--img-size 640是训练分辨率，小目标多的话可以提到 1024，但显存要够。--batch-size 16按显存调，8G 显存跑 640 一般能到 16。--epochs 200是上限，实际看验证集指标早停。--hyp指定超参数文件，小数据集建议用 low 这档，数据增强弱一点，避免把本来就少的目标增强没了。
3.3 训练过程看什么：loss 曲线和 mAP
训练启动后，终端会打印每轮的 box_loss、obj_loss、cls_loss 和验证集的 P、R、mAP@0.5。单类别场景重点看两个：obj_loss 是否稳定下降，mAP@0.5 是否在 50 轮后开始爬。如果 obj_loss 一直震荡不降，多半是学习率或 batch 的问题；如果 mAP 卡在很低的位置不动，回去查标注有没有漏标、错标。
# 训练结束后用验证集单独评估 python val.py \ --data ./cordyceps_dataset/cordyceps.yaml \ --weights runs/train/exp/weights/best.pt \ --img-size 640 \ --task val逻辑说明：val.py 会输出每类的 P、R、mAP@0.5、mAP@0.5:0.95。单类别只有一行，看 mAP@0.5 就行。参数--task val表示只评估不测试。如果 mAP@0.5 低于 0.5，先别急着调模型，把验证集预测图导出来肉眼看看，很多时候是标注框太松或者太紧。
4. 避坑与排查：冬虫夏草检测里最容易翻车的五件事
这个场景我踩过的坑不算少，挑五个最有代表性的，按“现象 → 原因 → 解决”写清楚，能帮你省下不少重训的时间。
4.1 现象：推理时一个框都没有，置信度全低于阈值
原因：最常见的是 img-size 和训练时不一致，导致特征图尺度对不上；其次是权重加载时类别数不匹配，模型输出被静默丢弃。 解决：先用训练时的 img-size 跑一遍，确认能出框；再检查加载权重时打印的 nc 是否等于 1。如果还是不行，把 conf-thres 临时降到 0.01 看有没有低置信度框，有的话说明模型没坏，只是阈值太高。
4.2 现象：训练 loss 正常下降，但验证集 mAP 一直上不去
原因：小目标在 640 分辨率下像素太少，特征提取不充分；或者数据增强过强，把目标裁没了。 解决：把 img-size 提到 1024 再训一轮对比；同时把 hyp 换成 low 档，关掉 mosaic 或者降低其概率。冬虫夏草本身目标就小，增强要克制。
4.3 现象：模型把背景里的枯草、石头也框成冬虫夏草
原因：负样本（纯背景图）太少，模型没学会区分；或者标注时把模糊目标也标了，引入噪声。 解决：往训练集里加一批纯背景图，比例大概 1:10；同时复查标注，把肉眼都难分辨的目标删掉。单类别项目里，负样本的质量比正样本数量更关键。
4.4 现象：换一台机器推理，结果和原来差很多
原因：CUDA 版本或 torch 版本不同，导致数值精度有细微差异；或者 letterbox 的实现被改过。 解决：固定环境版本，把 conda 环境导出成 yaml 带走；不要手改 detect.py 里的 letterbox 逻辑，要改就统一改。
4.5 现象：训练到一半显存爆了
原因：batch-size 设太大，或者 img-size 提太高，没算上验证时的额外开销。 解决：先把 batch-size 减半跑通，再逐步加；用--img-size 640训练、推理时再提分辨率，是个折中办法。显存不够时优先降 batch，别降 img-size，小目标降分辨率损失更大。
5. 把单类别检测做稳：几个能直接抄的进阶技巧
权重跑通、训练复现之后，真正决定这个方案能不能上产线的，是稳定性和可维护性。分享几个我在类似单类别小目标项目里常用的技巧，不复杂，但管用。
第一个是切片推理。冬虫夏草在整张高原大图里占比很小，直接缩到 640 会丢细节。做法是把原图切成有重叠的小块，每块单独推理，再把框映射回原图做 NMS。YOLOV5 官方没有内置这个，但自己写个滑动窗口不难，重叠率设 0.2 左右，能明显提升小目标召回。
def slice_inference(model, image, slice_size=640, overlap=0.2): """滑动窗口切片推理，返回映射回原图的框""" h, w = image.shape[:2] step = int(slice_size * (1 - overlap)) boxes = [] for y in range(0, h, step): for x in range(0, w, step): patch = image[y:y+slice_size, x:x+slice_size] if patch.shape[0] < slice_size or patch.shape[1] < slice_size: continue results = model(patch) for _, row in results.pandas().xyxy[0].iterrows(): # 把切片坐标加回偏移量 boxes.append([ row['xmin'] + x, row['ymin'] + y, row['xmax'] + x, row['ymax'] + y, row['confidence'] ]) return boxes逻辑说明：step 控制滑动步长，overlap 越大越不容易漏，但计算量也越大。参数上 slice_size 建议和训练 img-size 一致，overlap 0.2 是召回和速度的平衡点。返回的框还要再做一次全局 NMS，否则重叠区域会出重复框。
第二个是置信度阈值分档。产线巡检里，漏检比误检代价高，所以推理时 conf 可以设低一点（比如 0.15），把框都留下来，再用一个二级分类或者人工复核去过滤。单类别项目没有类别混淆问题，低阈值带来的误检靠复核能兜住。
第三个是定期用新数据微调。冬虫夏草的生长形态随季节变化，同一批权重跨季节用，指标会掉。我的习惯是每个产区季结束后，把新标注的数据混进原训练集，用低学习率再训 20~30 轮，权重迭代一次。这样模型不会遗忘旧场景，又能跟上新形态。
| 技巧 | 适用场景 | 关键参数 | 代价 |
|---|---|---|---|
| 切片推理 | 目标占比小于 5% | slice_size=640, overlap=0.2 | 推理耗时翻倍 |
| 低阈值+复核 | 漏检代价高 | conf=0.15 | 人工复核量增加 |
| 定期微调 | 形态随季节变化 | lr 调低，epochs 20~30 | 需要持续标注 |
最后说个我自己的习惯：每次训完一个版本，我都会把权重、yaml、训练命令和当次的 mAP 记在一个文本文件里，跟权重放一起。过两个月回头看，能省掉大量“这个权重到底怎么来的”的排查时间。单类别检测看着简单，但真正做稳，靠的就是这些不起眼的记录和迭代。希望帮到你。
本文还有配套的精品资源，点击获取
