化石这行当，博物馆里隔着玻璃看是一回事，真到了野外剖面或者整理岩石标本的时候，又是另一回事。我接这个任务的时候需求很直接：要做一套能自动识别和分类化石的目标检测系统，数据自己建，模型多个方案对比着训练，最终不是为了发论文，而是要能在真实标本照片上稳定工作。整个过程从采集照片、定标注规范，到跑通多种YOLO模型的训练和评估，踩的坑比想象中多得多。这篇复盘适合两类人看：一类是正在做细分领域小样本视觉识别的朋友，另一类是打算用目标检测解决"样本难找、标注费劲、类别还不均衡"这类实际问题的开发者。
1. 项目定位与需求拆解
1.1 为什么化石识别要做目标检测而不是图像分类
很多人刚接触这个需求时，第一反应是"识别化石不就是分类吗"——拿个图像分类网络，把三叶虫、菊石、腕足这些类别分开就结束了。但在真实场景里完全不是这么回事。
实地拍摄的照片往往是整块岩板，画面里有好几个化石，有的半埋在围岩里，有的只露出一个断面，背景颜色和化石本体非常接近。模型如果只输出一个类别标签，拿这个结果去指导实际工作毫无意义。你不仅要知道"这里有没有菊石"，还得知道"菊石在画面的哪个位置、大概有多大"，后续才能做裁剪存档、个体计数、层位统计这些操作。这就是检测任务和分类任务的本质区别。
YOLO这类基于回归的目标检测器天然适合这个需求，一次前向推理同时输出目标的边框坐标和类别概率，定位和分类在一张图里全部解决。另外推理速度足够快，后期真要接到野外设备或者移动端上做实时辅助识别，也不会太吃力。所以整个技术路线的第一根梁就定下来了：以目标检测为框架，而不是分类。
1.2 化石数据的特殊性：三个致命难点
化石数据和常规的猫狗、车辆检测数据集比，难度完全不在一个量级上。我梳理了三个最突出的问题。
第一个是类间相似度高。菊石和某些腹足类的横切面，纹理特征高度相似，没有专业知识的人几乎分不清，专业人员在照片上判断也常有分歧。这意味着类别特征的区分度天然就低，模型很容易学到错误的判别依据。
第二个是类内差异极大。同一类化石，保存完整度不同、风化程度不同、围岩类型不同，外观差异可能比类间差异还大。一块完整的三叶虫和一块只剩头甲残片的三叶虫，在模型眼里可能完全是两个东西。这个特性直接推高了模型对特征泛化能力的要求。
第三个是小目标密集。大量化石标本尺寸很小，缩放到模型输入尺寸后只有十几个甚至几个像素，典型的小目标场景。而小目标恰恰是YOLO这类单阶段检测器的弱项，后面评估时这部分问题暴露得最明显。
这三个难点叠加在一起，基本提前宣判了一件事：数据集的规模和标注质量会直接卡死模型上限，模型调参能做的其实很有限。这也是我为什么愿意把项目里将近三分之二的时间花在数据上。
1.3 多YOLO模型对比的选型思路
训练多个YOLO版本做对比，不是赶时髦。不同版本在同一份数据上的表现差异可能非常大，尤其是在小样本、强背景干扰条件下，哪个网络结构更稳、哪个更容易过拟合，光看论文里的COCO指标根本判断不出来。我只信自己数据上跑出来的结果。
实际做下来，几个版本的收敛速度、精度曲线、显存占用差异都很明显。有些版本在小目标上表现好，有些则在类别均衡性上更稳。最后是通过一批实验数据才选定了一个在精度和速度之间平衡最好的方案，不是拍脑袋决定的。这套对比方法后来我也用到了其他细分领域的检测项目里，效果同样不错，思路其实是通用的。
2. 数据集构建全流程实操
2.1 图像采集标准与初筛流程
数据来源主要是自己拍摄的标本照片、公开图库和文献中的标本图版，凑在一起大概有一千多张原始图片。拍摄阶段我定了几个硬标准：统一使用浅灰色背景，固定光源从正上方俯拍，每张照片里放1到5个标本不等，保证单个标本在画面里占比足够大。
这里有个经验挺重要：采集阶段不要一味追求照片数量，宁可留1000张干净图，也不要2000张模糊图。模糊图会让模型误以为"纹理模糊"是某个类别的特征，后期再怎么调参都救不回来。初筛时我重点剔除三类图：严重过曝的、焦点落在围岩上的、以及标本占比过小的。这轮筛完，实际可用的图大概剩一千一百多张。
2.2 标注规范、工具选型与质量复核
标注是整个数据流程里最容易被低估的环节。格式用的是YOLO标准格式，每张图像对应一个txt文件，每行记录类别ID和归一化后的边框坐标。标注工具选的是开源的图形化工具，预置类别名后能自动保存，效率还行。
真正要命的是标注规范。我和参与标注的A同学等几位协作者约定了几条硬规则，这里直接列出来：
- 边框必须贴合化石主体，不要包含过多围岩。
- 压扁或断裂的化石，按完整外轮廓框选，不要只框残片。
- 无法确定类别时宁可不标，也不要乱标，模糊标签比漏标更伤模型。
- 标注完成后随机抽10%的图由专业人士复核，有争议的样本单独记录。
规范这件事看着简单，执行起来全是细节。比如"按完整外轮廓框选"这条，几个人标注同一块压扁的菊石，边框差异可能很大。我后来专门做了一个抽检：找同一批图让两个人各标一遍，计算同目标边框的交并比，平均值只有0.76，说明规范执行得还不彻底，又重新培训了一轮才把一致性拉上来。
提示：标注一致性直接决定检测器能学到的边界形状。同一个标本反复标注两次，边框IoU如果低于0.8，说明规范需要调整，不要急着开训练。
2.3 数据增强设计：从通用方案到业务定制
化石样本稀少，数据增强是必须的。我的增强策略包括随机水平翻转、90度旋转、HSV色域扰动、随机亮度对比度调整，以及YOLO常用的马赛克拼接。
但增强这地方有个特别坑的细节，叫"翻转陷阱"。骨架类化石比如三叶虫，个体轴长有明显的方向性，把图片垂直翻转之后，模型很容易把倒置的个体当成另一个类别。我做过对比实验，开启180度随机旋转后mAP明显下降，最后只保留90度旋转和水平翻转，竖直翻转也关掉了。增强策略必须结合业务先验来设，照搬通用配置在这个场景里会帮倒忙。
另一个经验是马赛克增强对小目标密集的数据不全是好事。马赛克会把四张图缩放到同一张图里，大量目标被裁成半截甚至只剩一个角，模型后期看到的都是不完整样本。后面训练时我把最后10个epoch的马赛克强制关闭，验证集精度立刻回升。这个细节我会在调参部分再展开。
2.4 类别不平衡与合成样本补充
我的数据集里24个类别，数量最少的植物碎片和数量最多的菊石，比例大概在6比1。直接训的话，稀有类几乎等于没学。处理办法分三步：
第一步做类别数量统计，把所有类别的样本量拉出来看，确定哪些是真稀有类别。第二步对稀有类别单独补充采集，同时在标注阶段特别注意不漏标。第三步用合成增强：把稀有类别的小图从原图里切出来，粘贴到没有目标的背景岩石图上，生成一批带标注的合成样本，配合类别损失权重一起用。
合成样本这个方法虽然老，但对化石这种"结构完整、背景可替换"的目标特别有效。我用它把植物碎片这个稀有类别的AP从0.31提到了0.62，效果比我换任何网络结构都明显。核心原因是化石本身不会变形，切下来贴到新背景上语义完全成立，而不像行人检测里粘贴人体会导致姿态和背景不协调。
3. 多YOLO模型训练配置与调参
3.1 实验环境与数据划分
训练环境是一张12GB显存的消费级显卡，PyTorch官方环境，CUDA和cuDNN版本跟着框架走。数据划分按8:1:1分为训练集、验证集和测试集，训练集约1100张，验证集和测试集各约130张，总标注框约5900个。
这个环节有一个很容易忽略的泄漏问题：同一层位采集的化石照片内容高度相似，如果同一标本的多张不同角度照片被随机分到了训练集和验证集，验证指标会虚高得离谱，模型实际泛化能力根本没这么强。我划分时按"标本个体"做了分组，同一块标本的所有照片只允许出现在同一个集合里。这一步做完，验证集的分数看起来"降"了一些，但真实性和参考价值反而高了很多。
3.2 四种YOLO模型的训练要点与差异
统一输入尺寸640×640，单卡batch size 16，初始学习率0.01，SGD优化器，训练200个epoch，早停耐心值为50。在这个统一配置下跑了YOLOv5s、YOLOv8s、YOLOv9s和YOLOv5m四个模型。训练命令大致是这样：
# YOLOv5s 训练示例 python train.py --data fossil.yaml --weights yolov5s.pt \ --img 640 --batch 16 --epochs 200 --patience 50 \ --lr0 0.01 --optimizer SGD --cos-lr # YOLOv8s 训练示例 python train.py --data fossil.yaml --model yolov8s.yaml \ --imgsz 640 --batch 16 --epochs 200 --patience 50 \ --lr0 0.01 --optimizer SGD --cos-lr实际训练下来的感受差异挺大。YOLOv5s最稳定，收敛曲线平滑，适合当baseline，后期部署也最方便。YOLOv8s用了anchor-free的检测头，对化石这种外轮廓不规则的目标适应性更好，但同尺寸下推理速度比v5稍微慢了一点。YOLOv9s的可逆结构理论上对深度特征保留更好，小目标表现也确实不错，但训练时间明显拉长，显存占用更高。YOLOv5m参数比s版本多了一倍多，在数据量只有一千多张的情况下收益很小，反而透出一点过拟合的苗头。
3.3 关键超参数调试记录
默认配置直接跑，结果基本是v8略好于v5，但差距不大。真正拉开差距的是下面几组超参数的调整。
马赛克增强的关闭时机前面说过了，全局开启会导致截断样本过多，模型后期需要看完整目标来精修边框。我用关闭参数设置让最后10个epoch不再做马赛克，验证AP回升非常明显。
学习率调度我从cosine换成了带warmup的线性下降，前期loss下降更稳定，后期不容易震荡。warmup设为3个epoch，先让模型在小学习率下稳定起步。
多尺度训练打开之后，小目标AP有提升，但训练时长增加了约30%。如果机器吃紧，这个功能可以酌情关掉，它属于"锦上添花"而不是"生死攸关"。
类别损失权重也是值得强调的一项。给稀有类别加权重之后，稀有类AP提升明显，常见类AP基本不降。我在配置文件里按类别样本量的倒数归一化设置了权重系数，这个思路比单纯过采样稀有类别要温和，不容易破坏已有类别的特征分布。
4. 评估对比与错误分析
4.1 指标选择：别只盯着总mAP
检测任务最常看的指标是mAP@0.5、mAP@0.5:0.9（这里指0.5到0.95区间平均）、Precision和Recall。我个人更看重0.5到0.95区间平均这个指标，因为它对边框定位质量更敏感。但化石数据的标注本来就带有主观性，不同标注者框出来的边框可能有偏差，所以严格涨这个区间分数很难，分数看着比公开数据集低也是正常的。
更重要的是单独统计每个类别的AP。类别不均衡严重的时候，总mAP会被样本量大的类别主导，稀有类精度差被平均值掩盖得一干二净。我每轮实验都会把24个类别的AP单独打印出来，谁掉点了、谁涨了，一目了然。
4.2 同数据集下的模型对比结果
同一测试集、同一数据分划下的成绩，整理出来大概是下面这个水平，具体数字去掉了敏感信息，仅供参考：
| 模型 | mAP@0.5 | mAP@0.5:0.95 | 参数量 | 单张推理耗时 |
|---|---|---|---|---|
| YOLOv5s | 0.892 | 0.671 | 7.0M | 12.1ms |
| YOLOv8s | 0.914 | 0.702 | 11.1M | 13.5ms |
| YOLOv9s | 0.921 | 0.718 | 7.2M | 15.8ms |
| YOLOv5m | 0.905 | 0.691 | 21.0M | 19.2ms |
看这个结果，有个结论很值得说：在化石这种小样本、细粒度识别场景下，参数量大不占优势，反而是网络结构里的特征提取能力更重要。YOLOv9s参数量比YOLOv8s小不少，但精度反而最高；YOLOv5m把参数堆上去，却因为数据量不够反受其害。选模型不能光看规模，结构和数据的匹配度才是关键。
4.3 误检与漏检的逐类剖析
训练完之后，我把测试集上的错误样本一个一个翻出来看，归纳出三类典型问题。
第一类是断面误检。贝壳类生物的横截面和岩石纹理被错检成菊石，这类错误数量最多。原因也简单，菊石断面截面本身就带有螺旋纹理特征，跟某些围岩结构太像。
第二类是小目标漏检。低于32×32像素的个体大量漏检，而且漏检集中在图像边缘区域，边缘目标的特征在卷积下采样过程中被压缩得太厉害。
第三类是类别混淆。比如三叶虫头甲单独出现时，因为缺少完整虫体特征，经常被识别成别的类别。
针对这三类问题，我做了两个有效操作。一是把推理阈值conf_thres从0.25提高到0.35，误检明显下降，但代价是召回率受影响，这个要根据实际场景权衡。二是对小目标做切片检测：把测试图切成四个带重叠的区域，分别跑推理再把结果合并。小目标召回率提升了6个百分点。这个切片技巧如果再配合TTA多尺度融合，推理端还能继续挤出一部分精度。
5. 常见问题速查与避坑技巧
5.1 训练Loss不收敛或震荡
现象是训练loss跑了50个epoch还在波动，验证集loss不降反升。排查顺序我建议这样：先看学习率是不是太大，直接降到0.001跑20个epoch试试；再检查标注，随机抽50张图叠加显示标注框，看是不是大量框的中心位置偏移；最后检查增强策略，关掉马赛克再跑。
我在这个项目里遇到的就是第三种情况。化石目标密集，马赛克增强把目标截断得太厉害，模型学到的东西越来越乱。关掉之后loss曲线立刻稳定下来，验证集指标也开始正常上升。
5.2 某个类别一直识别不准
遇到这种情况先别急着换模型。先看这个类别的标注数量是不是太少，再看标注框是不是跨越了类别边界。我的实操经验是：对稀有类别单独做一轮"标注复核加额外增强"，远比盲目增加整体数据量更有效。另外可以单独输出这个类别的PR曲线，找到当前阈值下precision和recall的平衡点，看看是被误检压住了还是被漏检压住了，对症下药。
5.3 推理结果抖动与显存不足
同一张图多次推理结果不一致，一般不是模型随机性，而是预处理阶段尺寸归一化方式有差异，或者推理管线里混用了随机增强。排查前处理的resize逻辑和letterbox逻辑，保证每次推理的输入完全一致。
显存不足的问题，优先把batch size降到8并配合梯度累积，不要一上来就降低输入尺寸。化石这种目标密集的数据，降低输入尺寸会直接影响小目标召回，代价比梯度累积更大。我后来把batch降下来、开梯度累积，精度几乎无损。
关于数据可信度的一些体会
最后再说一句我自己的体会。化石识别这类细分领域项目，核心瓶颈从来不是模型结构，而是数据可信度。我前后花了大概三分之二的时间在图像采集、标注规范、复核和增强上，模型训练本身反而只占很小一部分时间。但恰恰是这种"重数据、轻调参"的分配，让最终模型在真实标本照片上的表现远好于直接在公开数据集上微调的结果。
如果你也想复现这套流程，我的建议是第一步别急着装框架、跑模型，先把标本照片拍齐，把标注规范写成文档，再找一位熟悉化石分类的人帮你把关标签。数据这块地基打牢了，后面90%的问题都不会出现。
