尧图网页设计 
简介这是一份面向农业智能识别与目标检测方向的杂草检测数据集适用于使用YOLO系列算法进行模型训练、验证与测试的开发者、学生及科研人员可解决田间杂草识别、精准农业等场景下的数据获取与标注难题。资源包共2000个文件以xml标注文件为主要类型对应VOC格式的边界框与类别信息压缩包整体约238.8MB并已划分好训练与验证集附带data.yaml配置文件兼容yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流版本。数据集同时提供YOLO格式txt与VOC格式xml两套标签YOLO格式采用归一化中心点与宽高比例便于直接接入训练流程。目前已有308人学习下载读者可快速获得开箱即用的标注数据、清晰的目录结构以及多格式标签支持省去自行采集与标注的成本适合作为课程设计、毕业项目或算法对比实验的基础数据。1. 杂草检测数据集与 YOLO 落地6847 张带标签图像能撑起什么田里长草这件事做农业视觉的人都懂真正难的不是把草和作物分开而是要在苗期、光照剧烈变化、叶片互相遮挡的条件下稳定分开。我拿到「yolo算法-杂草检测数据集-6847张图像带标签」这个标题时第一反应不是它有多大而是它够不够训一个能下地的模型。6847 张带标签图像说多不多说少也不少——如果类别定义清晰、标注框贴合、场景覆盖合理它足以让一个 YOLO 检测器从零跑到可用如果标注混乱、类别重叠、背景单一那它就是个漂亮的数字陷阱。这篇笔记面向三类人手里已经有类似数据集、想跑通 YOLO 杂草检测的算法同学想评估这个方向值不值得投入的工程负责人以及刚入门、想找一个真实农业场景练手的 YOLO 新手。我会把「数据集怎么验、YOLO 怎么选、训练参数怎么设、坑在哪」按可复现的顺序讲清楚不绕弯子。核心词 yolo、杂草检测数据集、图像带标签会自然出现在各章里你照着做就能得到一条从数据到推理的完整链路。2. 先验数据再谈模型6847 张带标签图像的质检清单2.1 为什么杂草检测数据集的质检比模型选型更致命很多人拿到带标签数据集第一件事是yolo train一把梭跑完看 mAP 还行就收工。但杂草检测这个场景有个特殊性作物和杂草在幼苗期形态高度相似标注员如果只凭肉眼框很容易把同一株植物在不同图像里标成不同类别或者把紧挨着的两株草合并成一个大框。这种噪声在 COCO 那种类别差异明显的场景里影响有限但在杂草检测里会直接让模型学到一个模糊的决策边界。我一般会先做三件事统计每类实例数、看标注框的宽高分布、抽查 50 张图像的可视化标注。实例数严重不均衡比如某类只有几十个框意味着你需要重采样或调损失权重宽高分布如果集中在极端值说明标注可能把整片草区当成了一个框而不是单株。这些判断不需要跑模型半小时就能做完但能省掉后面几天的无效训练。2.2 用脚本把 6847 张图像的标签统计跑出来假设数据集已经按 YOLO 格式组织images/放图像labels/放同名.txt每行是class x_center y_center width height归一化到 0-1。下面这段脚本做三件事统计类别分布、统计每张图的框数、输出宽高散点数据。import os from collections import Counter import numpy as np IMG_DIR dataset/images LBL_DIR dataset/labels cls_counter Counter() boxes_per_img [] wh_list [] for name in os.listdir(LBL_DIR): if not name.endswith(.txt): continue path os.path.join(LBL_DIR, name) with open(path) as f: lines [l.strip() for l in f if l.strip()] boxes_per_img.append(len(lines)) for line in lines: parts line.split() c int(parts[0]) w, h float(parts[3]), float(parts[4]) cls_counter[c] 1 wh_list.append((w, h)) print(类别分布:, dict(cls_counter)) print(每图平均框数:, np.mean(boxes_per_img)) print(空标签图数量:, sum(1 for b in boxes_per_img if b 0)) wh np.array(wh_list) print(宽高均值:, wh.mean(axis0), 宽高最大:, wh.max(axis0))逻辑说明cls_counter直接暴露类别不均衡程度如果最大类是最小类的 10 倍以上训练时就要考虑cls_pw或者对少数类过采样。boxes_per_img里如果出现大量 0说明有些图是纯背景负样本这本身不是坏事但比例超过 20% 就要检查是不是漏标。wh的最大值如果接近 1.0基本可以断定有人把整张图框成了一个目标这种框必须人工复核。参数说明这段脚本不依赖任何深度学习框架纯标准库加 numpy跑 6847 张图的标签通常几秒到十几秒。如果你的标签是 VOC XML 格式需要先转成 YOLO txt转换时注意x_center (xmin xmax) / 2 / img_w别把宽高直接当坐标用。2.3 标注可视化把「图像带标签」这句话落到实处统计数字只能告诉你分布不能告诉你框得准不准。我习惯用下面这段代码随机抽 20 张图把框画上去存成一张网格图肉眼过一遍。import cv2 import random import os def draw_yolo(img_path, lbl_path): img cv2.imread(img_path) h, w img.shape[:2] with open(lbl_path) as f: for line in f: c, x, y, bw, bh line.split() x, y, bw, bh map(float, (x, y, bw, bh)) x1 int((x - bw / 2) * w) y1 int((y - bh / 2) * h) x2 int((x bw / 2) * w) y2 int((y bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) return img names [n for n in os.listdir(IMG_DIR) if n.endswith((.jpg, .png))] random.seed(0) sample random.sample(names, 20) for n in sample: stem os.path.splitext(n)[0] img draw_yolo(os.path.join(IMG_DIR, n), os.path.join(LBL_DIR, stem .txt)) cv2.imwrite(fvis_{stem}.jpg, img)逻辑说明这段代码的关键是坐标反归一化x1 (x - bw/2) * w很多人会把x当成左上角画出来的框整体偏移半个框。抽查时重点看三种情况框是否把相邻两株草合并、框是否只框了叶片一半、同一株植物在不同图里类别是否一致。这三种问题在杂草检测里出现频率最高而且靠统计脚本发现不了。参数说明random.seed(0)保证每次抽同样的图方便对比修改前后的标注。如果你的图像是无人机俯拍注意cv2.imread读进来的通道顺序是 BGR存图时不用转但如果你用 matplotlib 显示要转 RGB。3. YOLO 选型与训练配置从 6847 张图到一个能用的检测器3.1 杂草检测该选哪个 YOLO 版本标题里只写了「yolo算法」没指定版本这其实是好事因为杂草检测的选型逻辑很清晰如果你要部署到边缘设备比如田间机器人上的 Jetson选 YOLOv8n 或 YOLO11n 这种 nano 级别参数量小、推理快如果只在服务器上跑追求精度选 YOLOv8m 或 YOLO11m。我一般会先用 nano 跑一版 baseline看 mAP 能不能到 0.6 以上如果能再考虑换大模型提点如果 nano 只有 0.3换大模型也救不回来问题在数据不在模型。这里有个常见误区很多人觉得杂草检测类别少可能就 3-5 类所以随便选个小模型就行。但类别少不代表任务简单杂草和作物的类间差异小模型需要足够的容量去学细粒度特征。我的经验是5 类以内的杂草检测nano 和 small 的差距通常在 3-5 个 mAP 点如果部署条件允许优先用 small。3.2 用 Ultralytics 跑通第一版训练假设你已经装好ultralytics数据集按 YOLO 格式组织写一个weed.yamlpath: /data/weed train: images/train val: images/val names: 0: crop 1: weed_a 2: weed_b 3: weed_c然后启动训练yolo detect train \ modelyolov8s.pt \ dataweed.yaml \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/weed \ namebaseline逻辑说明imgsz640是 YOLO 的默认输入尺寸杂草检测里如果图像分辨率很高比如 4000x3000 的田间原图直接缩到 640 会让小杂草变成几个像素这时候要么切图训练要么把imgsz提到 1024。patience20表示 20 个 epoch 没提升就早停6847 张图在单卡上跑 100 epoch 大概几小时早停能省时间。lr00.01是 SGD 的常见起点如果你用 AdamW改成 0.001。参数说明batch16是 8G 显存下的安全值显存不够就降到 8 或 4但 batch 太小会让 BN 统计不稳定这时候可以开accumulate梯度累积。modelyolov8s.pt会自动下载预训练权重如果你在内网环境需要提前把权重文件放到本地改成model./yolov8s.pt。3.3 损失函数里哪些参数真正影响杂草检测YOLO 的损失一般由三部分组成box loss、cls loss、dfl loss。杂草检测里最常调的是 cls loss 的权重因为类别不均衡很常见。Ultralytics 默认用 BCE但如果你发现模型总把 weed_b 预测成 weed_a可以试试把cls的增益调高或者用 focal loss 的思路对难样本加权。另一个容易被忽略的是 box loss 的 CIoU 和 DFL。DFL 负责学框的分布如果标注框本身抖动大不同标注员框的松紧不一致DFL 会学到一个很宽的分布导致预测框偏大。这时候与其调损失不如回去清洗标注。我踩过的坑是花了两天调损失参数最后发现是 200 张图的框整体偏大 10%修完标注 mAP 直接涨了 4 个点。4. 避坑与排查杂草检测训练里最常见的 5 个翻车现场4.1 现象训练 loss 正常下降但验证 mAP 一直卡在 0.2 以下原因最常见的是类别映射错了。YOLO 的names顺序必须和标签里的 class id 严格对应如果你在weed.yaml里把 crop 写成 0但标签里 crop 实际是 2模型学到的就是错位的类别。另一个原因是验证集和训练集的图像来自不同地块或不同光照条件分布差异太大。解决先用 2.2 的统计脚本确认标签里的 class id 范围再和 yaml 里的 names 对齐。如果是分布问题把验证集换成和训练集同分布的图像或者做更强的数据增强HSV 抖动、随机裁剪。4.2 现象模型在训练集上框得很准一到田间实拍就漏检小杂草原因训练图像的拍摄高度和推理时的拍摄高度不一致。6847 张图如果是近距离拍摄杂草占画面比例大模型学到的是「大目标」特征实拍时无人机或机器人离得远杂草只有几十个像素模型自然漏。解决在训练时加入随机缩放增强或者直接把imgsz提到 1024 并开启multi-scale。更彻底的做法是切图训练把大图切成 640x640 的小块让模型在训练时就见到小目标。4.3 现象同一株草在连续帧里被反复检测成不同类别原因这是典型的时序抖动单帧检测器没有时序信息。如果你的应用是视频流模型在相邻帧的预测会跳变。解决在后处理里加跟踪算法比如 ByteTrack用轨迹的多数投票决定类别。或者在训练时加入时序增强让模型对同一目标的微小变化更鲁棒。4.4 现象训练到 50 epoch 后 mAP 突然掉下去原因过拟合或者学习率在后期太大导致震荡。杂草检测数据集如果场景单一模型很容易记住背景而不是目标。解决开早停加 weight decay或者用 cosine 学习率调度。如果数据集确实小考虑用更强的预训练权重或者冻结 backbone 先训 head。4.5 现象推理速度远低于预期达不到实时原因很多人只看模型参数量忽略了输入尺寸和后处理。640 的输入在 T4 上跑 YOLOv8s 大概能到 100 FPS但如果你把imgsz提到 1280速度直接掉到 1/4。另外 NMS 的后处理在类别多、框多的时候也会拖慢。解决先确认imgsz是不是必须这么大如果小目标不多640 够用。导出 ONNX 或 TensorRT 能再提一截速度但注意导出时的动态轴设置别把 batch 写死。5. 从 6847 张到可部署模型验证、导出与一个提点技巧训练完不是终点你得知道模型到底能不能用。我一般会做两件事一是用验证集跑yolo detect val看各类的 P/R二是拿一批完全没参与训练的实拍图做盲测。盲测的 mAP 通常比验证集低 5-10 个点这个差距就是你的模型在真实场景里的水分。导出这块如果你要部署到 TensorRT用yolo export modelruns/weed/baseline/weights/best.pt formatengine halfTrue imgsz640halfTrue开 FP16速度能提 30% 左右精度掉得很少。注意 TensorRT 引擎和硬件绑定换卡要重新导出。最后一个提点技巧杂草检测里把「作物」和「杂草」当成两类做检测不如先做「植物 vs 背景」的二分类检测再在植物框里做细分类。这样第一级检测器可以共享大量数据第二级分类器只需要处理植物区域对 6847 张这种规模的数据集来说两级方案往往比端到端多类检测更稳。我自己在类似规模的数据上试过两级方案能把杂草类的召回率提 6-8 个点代价是推理链路多一步但田间场景对延迟没那么敏感。希望帮到你。本文还有配套的精品资源点击获取 YOLO杂草检测实战：6847张带标签图像从训练到部署全流程
简介这是一份面向农业智能识别与目标检测方向的杂草检测数据集适用于使用YOLO系列算法进行模型训练、验证与测试的开发者、学生及科研人员可解决田间杂草识别、精准农业等场景下的数据获取与标注难题。资源包共2000个文件以xml标注文件为主要类型对应VOC格式的边界框与类别信息压缩包整体约238.8MB并已划分好训练与验证集附带data.yaml配置文件兼容yolov5、yolov8、yolov9、yolov7、yolov10及yolo11等主流版本。数据集同时提供YOLO格式txt与VOC格式xml两套标签YOLO格式采用归一化中心点与宽高比例便于直接接入训练流程。目前已有308人学习下载读者可快速获得开箱即用的标注数据、清晰的目录结构以及多格式标签支持省去自行采集与标注的成本适合作为课程设计、毕业项目或算法对比实验的基础数据。1. 杂草检测数据集与 YOLO 落地6847 张带标签图像能撑起什么田里长草这件事做农业视觉的人都懂真正难的不是把草和作物分开而是要在苗期、光照剧烈变化、叶片互相遮挡的条件下稳定分开。我拿到「yolo算法-杂草检测数据集-6847张图像带标签」这个标题时第一反应不是它有多大而是它够不够训一个能下地的模型。6847 张带标签图像说多不多说少也不少——如果类别定义清晰、标注框贴合、场景覆盖合理它足以让一个 YOLO 检测器从零跑到可用如果标注混乱、类别重叠、背景单一那它就是个漂亮的数字陷阱。这篇笔记面向三类人手里已经有类似数据集、想跑通 YOLO 杂草检测的算法同学想评估这个方向值不值得投入的工程负责人以及刚入门、想找一个真实农业场景练手的 YOLO 新手。我会把「数据集怎么验、YOLO 怎么选、训练参数怎么设、坑在哪」按可复现的顺序讲清楚不绕弯子。核心词 yolo、杂草检测数据集、图像带标签会自然出现在各章里你照着做就能得到一条从数据到推理的完整链路。2. 先验数据再谈模型6847 张带标签图像的质检清单2.1 为什么杂草检测数据集的质检比模型选型更致命很多人拿到带标签数据集第一件事是yolo train一把梭跑完看 mAP 还行就收工。但杂草检测这个场景有个特殊性作物和杂草在幼苗期形态高度相似标注员如果只凭肉眼框很容易把同一株植物在不同图像里标成不同类别或者把紧挨着的两株草合并成一个大框。这种噪声在 COCO 那种类别差异明显的场景里影响有限但在杂草检测里会直接让模型学到一个模糊的决策边界。我一般会先做三件事统计每类实例数、看标注框的宽高分布、抽查 50 张图像的可视化标注。实例数严重不均衡比如某类只有几十个框意味着你需要重采样或调损失权重宽高分布如果集中在极端值说明标注可能把整片草区当成了一个框而不是单株。这些判断不需要跑模型半小时就能做完但能省掉后面几天的无效训练。2.2 用脚本把 6847 张图像的标签统计跑出来假设数据集已经按 YOLO 格式组织images/放图像labels/放同名.txt每行是class x_center y_center width height归一化到 0-1。下面这段脚本做三件事统计类别分布、统计每张图的框数、输出宽高散点数据。import os from collections import Counter import numpy as np IMG_DIR dataset/images LBL_DIR dataset/labels cls_counter Counter() boxes_per_img [] wh_list [] for name in os.listdir(LBL_DIR): if not name.endswith(.txt): continue path os.path.join(LBL_DIR, name) with open(path) as f: lines [l.strip() for l in f if l.strip()] boxes_per_img.append(len(lines)) for line in lines: parts line.split() c int(parts[0]) w, h float(parts[3]), float(parts[4]) cls_counter[c] 1 wh_list.append((w, h)) print(类别分布:, dict(cls_counter)) print(每图平均框数:, np.mean(boxes_per_img)) print(空标签图数量:, sum(1 for b in boxes_per_img if b 0)) wh np.array(wh_list) print(宽高均值:, wh.mean(axis0), 宽高最大:, wh.max(axis0))逻辑说明cls_counter直接暴露类别不均衡程度如果最大类是最小类的 10 倍以上训练时就要考虑cls_pw或者对少数类过采样。boxes_per_img里如果出现大量 0说明有些图是纯背景负样本这本身不是坏事但比例超过 20% 就要检查是不是漏标。wh的最大值如果接近 1.0基本可以断定有人把整张图框成了一个目标这种框必须人工复核。参数说明这段脚本不依赖任何深度学习框架纯标准库加 numpy跑 6847 张图的标签通常几秒到十几秒。如果你的标签是 VOC XML 格式需要先转成 YOLO txt转换时注意x_center (xmin xmax) / 2 / img_w别把宽高直接当坐标用。2.3 标注可视化把「图像带标签」这句话落到实处统计数字只能告诉你分布不能告诉你框得准不准。我习惯用下面这段代码随机抽 20 张图把框画上去存成一张网格图肉眼过一遍。import cv2 import random import os def draw_yolo(img_path, lbl_path): img cv2.imread(img_path) h, w img.shape[:2] with open(lbl_path) as f: for line in f: c, x, y, bw, bh line.split() x, y, bw, bh map(float, (x, y, bw, bh)) x1 int((x - bw / 2) * w) y1 int((y - bh / 2) * h) x2 int((x bw / 2) * w) y2 int((y bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) return img names [n for n in os.listdir(IMG_DIR) if n.endswith((.jpg, .png))] random.seed(0) sample random.sample(names, 20) for n in sample: stem os.path.splitext(n)[0] img draw_yolo(os.path.join(IMG_DIR, n), os.path.join(LBL_DIR, stem .txt)) cv2.imwrite(fvis_{stem}.jpg, img)逻辑说明这段代码的关键是坐标反归一化x1 (x - bw/2) * w很多人会把x当成左上角画出来的框整体偏移半个框。抽查时重点看三种情况框是否把相邻两株草合并、框是否只框了叶片一半、同一株植物在不同图里类别是否一致。这三种问题在杂草检测里出现频率最高而且靠统计脚本发现不了。参数说明random.seed(0)保证每次抽同样的图方便对比修改前后的标注。如果你的图像是无人机俯拍注意cv2.imread读进来的通道顺序是 BGR存图时不用转但如果你用 matplotlib 显示要转 RGB。3. YOLO 选型与训练配置从 6847 张图到一个能用的检测器3.1 杂草检测该选哪个 YOLO 版本标题里只写了「yolo算法」没指定版本这其实是好事因为杂草检测的选型逻辑很清晰如果你要部署到边缘设备比如田间机器人上的 Jetson选 YOLOv8n 或 YOLO11n 这种 nano 级别参数量小、推理快如果只在服务器上跑追求精度选 YOLOv8m 或 YOLO11m。我一般会先用 nano 跑一版 baseline看 mAP 能不能到 0.6 以上如果能再考虑换大模型提点如果 nano 只有 0.3换大模型也救不回来问题在数据不在模型。这里有个常见误区很多人觉得杂草检测类别少可能就 3-5 类所以随便选个小模型就行。但类别少不代表任务简单杂草和作物的类间差异小模型需要足够的容量去学细粒度特征。我的经验是5 类以内的杂草检测nano 和 small 的差距通常在 3-5 个 mAP 点如果部署条件允许优先用 small。3.2 用 Ultralytics 跑通第一版训练假设你已经装好ultralytics数据集按 YOLO 格式组织写一个weed.yamlpath: /data/weed train: images/train val: images/val names: 0: crop 1: weed_a 2: weed_b 3: weed_c然后启动训练yolo detect train \ modelyolov8s.pt \ dataweed.yaml \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ patience20 \ projectruns/weed \ namebaseline逻辑说明imgsz640是 YOLO 的默认输入尺寸杂草检测里如果图像分辨率很高比如 4000x3000 的田间原图直接缩到 640 会让小杂草变成几个像素这时候要么切图训练要么把imgsz提到 1024。patience20表示 20 个 epoch 没提升就早停6847 张图在单卡上跑 100 epoch 大概几小时早停能省时间。lr00.01是 SGD 的常见起点如果你用 AdamW改成 0.001。参数说明batch16是 8G 显存下的安全值显存不够就降到 8 或 4但 batch 太小会让 BN 统计不稳定这时候可以开accumulate梯度累积。modelyolov8s.pt会自动下载预训练权重如果你在内网环境需要提前把权重文件放到本地改成model./yolov8s.pt。3.3 损失函数里哪些参数真正影响杂草检测YOLO 的损失一般由三部分组成box loss、cls loss、dfl loss。杂草检测里最常调的是 cls loss 的权重因为类别不均衡很常见。Ultralytics 默认用 BCE但如果你发现模型总把 weed_b 预测成 weed_a可以试试把cls的增益调高或者用 focal loss 的思路对难样本加权。另一个容易被忽略的是 box loss 的 CIoU 和 DFL。DFL 负责学框的分布如果标注框本身抖动大不同标注员框的松紧不一致DFL 会学到一个很宽的分布导致预测框偏大。这时候与其调损失不如回去清洗标注。我踩过的坑是花了两天调损失参数最后发现是 200 张图的框整体偏大 10%修完标注 mAP 直接涨了 4 个点。4. 避坑与排查杂草检测训练里最常见的 5 个翻车现场4.1 现象训练 loss 正常下降但验证 mAP 一直卡在 0.2 以下原因最常见的是类别映射错了。YOLO 的names顺序必须和标签里的 class id 严格对应如果你在weed.yaml里把 crop 写成 0但标签里 crop 实际是 2模型学到的就是错位的类别。另一个原因是验证集和训练集的图像来自不同地块或不同光照条件分布差异太大。解决先用 2.2 的统计脚本确认标签里的 class id 范围再和 yaml 里的 names 对齐。如果是分布问题把验证集换成和训练集同分布的图像或者做更强的数据增强HSV 抖动、随机裁剪。4.2 现象模型在训练集上框得很准一到田间实拍就漏检小杂草原因训练图像的拍摄高度和推理时的拍摄高度不一致。6847 张图如果是近距离拍摄杂草占画面比例大模型学到的是「大目标」特征实拍时无人机或机器人离得远杂草只有几十个像素模型自然漏。解决在训练时加入随机缩放增强或者直接把imgsz提到 1024 并开启multi-scale。更彻底的做法是切图训练把大图切成 640x640 的小块让模型在训练时就见到小目标。4.3 现象同一株草在连续帧里被反复检测成不同类别原因这是典型的时序抖动单帧检测器没有时序信息。如果你的应用是视频流模型在相邻帧的预测会跳变。解决在后处理里加跟踪算法比如 ByteTrack用轨迹的多数投票决定类别。或者在训练时加入时序增强让模型对同一目标的微小变化更鲁棒。4.4 现象训练到 50 epoch 后 mAP 突然掉下去原因过拟合或者学习率在后期太大导致震荡。杂草检测数据集如果场景单一模型很容易记住背景而不是目标。解决开早停加 weight decay或者用 cosine 学习率调度。如果数据集确实小考虑用更强的预训练权重或者冻结 backbone 先训 head。4.5 现象推理速度远低于预期达不到实时原因很多人只看模型参数量忽略了输入尺寸和后处理。640 的输入在 T4 上跑 YOLOv8s 大概能到 100 FPS但如果你把imgsz提到 1280速度直接掉到 1/4。另外 NMS 的后处理在类别多、框多的时候也会拖慢。解决先确认imgsz是不是必须这么大如果小目标不多640 够用。导出 ONNX 或 TensorRT 能再提一截速度但注意导出时的动态轴设置别把 batch 写死。5. 从 6847 张到可部署模型验证、导出与一个提点技巧训练完不是终点你得知道模型到底能不能用。我一般会做两件事一是用验证集跑yolo detect val看各类的 P/R二是拿一批完全没参与训练的实拍图做盲测。盲测的 mAP 通常比验证集低 5-10 个点这个差距就是你的模型在真实场景里的水分。导出这块如果你要部署到 TensorRT用yolo export modelruns/weed/baseline/weights/best.pt formatengine halfTrue imgsz640halfTrue开 FP16速度能提 30% 左右精度掉得很少。注意 TensorRT 引擎和硬件绑定换卡要重新导出。最后一个提点技巧杂草检测里把「作物」和「杂草」当成两类做检测不如先做「植物 vs 背景」的二分类检测再在植物框里做细分类。这样第一级检测器可以共享大量数据第二级分类器只需要处理植物区域对 6847 张这种规模的数据集来说两级方案往往比端到端多类检测更稳。我自己在类似规模的数据上试过两级方案能把杂草类的召回率提 6-8 个点代价是推理链路多一步但田间场景对延迟没那么敏感。希望帮到你。本文还有配套的精品资源点击获取