基于 YOLOv8 的无人机枸杞病害检测数据集与训练实战

四、YOLOv8 训练脚本

下面是一个完整的 Python 训练脚本 train_goji_blight.py。这里特别针对航拍作物图像的特点调整了增强参数，例如提升 Mosaic 比例以增强小目标检出能力，并适当放宽旋转角度以适应无人机视角变化。

# -*- coding: utf-8 -*-
"""
无人机枸杞树病害检测 - YOLOv8 训练脚本
支持：2 类目标检测（healthy / stressed）
"""
import os
from ultralytics import YOLO
import torch

# -----------------------------
# 1. 检查数据集路径是否存在
# -----------------------------
dataset_path = "goji_blight_dataset"
if not os.path.exists(dataset_path):
    raise FileNotFoundError(f"❌ 数据集路径 '{dataset_path}' 不存在！请检查目录结构。")

# -----------------------------
# 2. 自动选择设备（GPU/CPU）
# -----------------------------
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(f"🚀 使用设备：{device}")

# -----------------------------
# 3. 加载预训练 YOLOv8 模型
# -----------------------------
# 推荐使用 yolov8s（平衡速度与精度），若部署到边缘设备可用 yolov8n
model = YOLO('yolov8s.pt')  # 首次运行会自动下载权重

# -----------------------------
# 4. 开始训练（关键参数已优化）
# -----------------------------
results = model.train(
    # 数据配置
    data=os.path.join(dataset_path, 'data.yaml'),
    
    # 训练参数
    epochs=100,              # 训练轮数（100 足够收敛）
    imgsz=1280,              # 输入图像尺寸（提升小病斑检出率）
    batch=16,                # 批大小（RTX 3060 可设 16~32）
    name='goji_yolov8s_1280',# 实验名称，结果保存在 runs/detect/ 下
    device=device,
    
    # 数据增强（针对航拍作物图像定制）
    hsv_h=0.015,             # 色调扰动（模拟不同光照）
    hsv_s=0.7,               # 饱和度（应对绿/黄/枯色变化）
    hsv_v=0.5,               # 亮度（应对阴影/强光）
    degrees=10.0,            # 旋转 ±10°（模拟无人机偏航）
    translate=0.1,           # 平移 10%
    scale=0.5,               # 缩放（模拟飞行高度变化）
    mosaic=1.0,              # ✅ 必开！将小病斑拼接到新背景，提升召回率
    mixup=0.1,
    flipud=0.0,              # 不上下翻转（农田通常不倒置）
    fliplr=0.5,              # 左右翻转（合理）
    
    # 训练策略
    patience=20,             # 早停：20 轮验证损失无改善
    save_period=10,          # 每 10 轮保存一次 checkpoint
    workers=8,               # 数据加载线程数
    cache=False              # 若内存充足可设 True 加速训练
)

print("✅ 训练完成！")
print(f"📌 最佳模型路径：runs/detect/goji_yolov8s_1280/weights/best.pt")

如果习惯命令行操作，也可以直接使用以下指令快速启动训练：

yolo detect train \
data=goji_blight_dataset/data.yaml \
model=yolov8s.pt \
epochs=100 \
imgsz=1280 \
batch=16 \
name=goji_yolov8s_1280 \
device=0

五、模型评估与推理

1. 测试集性能评估

训练完成后，建议在独立的测试集上验证模型效果。以下脚本会输出 [email protected] 及精确率、召回率等关键指标。

# evaluate_model.py
from ultralytics import YOLO

# 加载最佳模型
model = YOLO('runs/detect/goji_yolov8s_1280/weights/best.pt')

# 在测试集上评估
metrics = model.val(
    data='goji_blight_dataset/data.yaml',
    split='test'  # 指定使用 test 集
)

# 打印关键指标
print("📊 测试集评估结果:")
print(f" [email protected] : {metrics.box.map50:.4f}")
print(f" [email protected]:0.95: {metrics.box.map:.4f}")
print(f" Precision : {metrics.box.mp:.4f}")
print(f" Recall : {metrics.box.mr:.4f}")

💡 预期性能：对于此类高质量航拍数据集，[email protected] 通常可达 0.85 以上，Recall 应保持在 0.80 以上以避免漏检病害区域。

2. 单图与批量推理

单图推理并保存结果

# infer_single.py
from ultralytics import YOLO

model = YOLO('best.pt')  # 替换为你的 best.pt 路径

# 推理单张图像
results = model.predict(
    source='goji_field.jpg',  # 输入图像路径
    conf=0.3,                 # 置信度阈值（病害检测可设低些）
    iou=0.45,                 # NMS IoU 阈值
    save=True,                # 保存带框图像到 runs/detect/...
    show=False                # 不显示窗口
)
print("✅ 检测结果已保存！")

批量处理并生成病害报告

如果需要处理大量田间图片并统计病害分布，可以使用以下脚本生成 CSV 报告：

# infer_batch_report.py
from ultralytics import YOLO
import os
import pandas as pd

model = YOLO('best.pt')
input_dir = 'field_images/'  # 待检测图像目录
output_dir = 'detected_results/'
os.makedirs(output_dir, exist_ok=True)

report = []
for img_name in os.listdir(input_dir):
    if img_name.lower().endswith(('.jpg', '.png', '.jpeg')):
        img_path = os.path.join(input_dir, img_name)
        results = model.predict(img_path, conf=0.3, save=True)
        for r in results:
            # 统计每张图的病害区域数量
            stressed_count = sum(1 for cls in r.boxes.cls if int(cls) == 1)
            healthy_count = len(r.boxes) - stressed_count
            report.append({
                'image': img_name,
                'healthy_regions': healthy_count,
                'stressed_regions': stressed_count,
                'total_detections': len(r.boxes)
            })

# 保存 CSV 报告
df = pd.DataFrame(report)
df.to_csv(os.path.join(output_dir, 'goji_health_report.csv'), index=False)
print(f"✅ 病害统计报告已生成：{output_dir}/goji_health_report.csv")

通过以上步骤，即可构建一个从数据采集到自动化分析的完整闭环。实际部署时，可根据硬件资源调整 batch size 和模型版本（如 n 版或 l 版），以平衡推理速度与精度。