簡(jiǎn)介本資源是一套專用于番茄病害智能識(shí)別的目標(biāo)檢測(cè)數(shù)據(jù)集面向農(nóng)業(yè)AI、計(jì)算機(jī)視覺(jué)初學(xué)者及深度學(xué)習(xí)模型開(kāi)發(fā)者解決農(nóng)作物病害圖像精準(zhǔn)定位與分類的訓(xùn)練數(shù)據(jù)短缺問(wèn)題。數(shù)據(jù)集涵蓋斑萎病毒、早疫病、健康番茄、番茄赤霉病四類目標(biāo)共2083張高質(zhì)量圖像已按YOLO與VOC雙格式組織包含1999個(gè)txt標(biāo)簽文件對(duì)應(yīng)YOLO格式、1個(gè)類別定義yaml配置文件以及配套xml標(biāo)注全部圖片與標(biāo)簽均已劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集可直接投入YOLOv5至YOLOv10、Faster R-CNN、SSD等主流檢測(cè)模型訓(xùn)練。資源包共2000個(gè)文件總大小139.11MB結(jié)構(gòu)規(guī)范、開(kāi)箱即用。目前已有368人學(xué)習(xí)下載適合開(kāi)展農(nóng)業(yè)病害檢測(cè)項(xiàng)目實(shí)踐、課程實(shí)驗(yàn)或科研baseline復(fù)現(xiàn)顯著降低數(shù)據(jù)預(yù)處理門(mén)檻。1. 番茄病害識(shí)別數(shù)據(jù)集2083張實(shí)拍圖YOLO/VOC雙格式4類細(xì)粒度標(biāo)注專治“模型認(rèn)不出爛番茄”的臨床焦慮你是不是也遇到過(guò)這種場(chǎng)景YOLOv8訓(xùn)練完驗(yàn)證集mAP飆到85%一上真實(shí)大棚圖像——番茄葉子全被標(biāo)成“早疫病”連健康植株都逃不過(guò)或者Faster R-CNN在測(cè)試集上框得挺準(zhǔn)但把“斑萎病毒”和“番茄赤霉病”反復(fù)混淆最后發(fā)現(xiàn)不是模型不行是數(shù)據(jù)集里兩類病斑樣本光照差異太大、標(biāo)注邊界模糊、甚至存在同圖多標(biāo)簽錯(cuò)位。這個(gè)番茄病害識(shí)別數(shù)據(jù)集就是為解決這類農(nóng)業(yè)視覺(jué)落地最后一公里的標(biāo)注失真問(wèn)題而生的。它不是從公開(kāi)圖庫(kù)爬取的“網(wǎng)圖拼湊體”而是基于真實(shí)溫室與露天田塊采集的2083張高分辨率JPG圖像覆蓋晨霧、正午強(qiáng)光、陰天散射光三種典型農(nóng)情光照條件4個(gè)類別斑萎病毒、早疫病、健康番茄、番茄赤霉病全部由農(nóng)科院植保專家逐圖復(fù)核每張圖的txtYOLO格式與xmlPASCAL VOC格式標(biāo)簽嚴(yán)格對(duì)齊且已按7:2:1完成train/val/test劃分——你解壓即訓(xùn)不用再花三天寫(xiě)腳本切分、校驗(yàn)、重映射類別ID。適合正在做智慧農(nóng)業(yè)項(xiàng)目交付的算法工程師、高校農(nóng)林AI方向研究生以及需要快速驗(yàn)證小目標(biāo)檢測(cè)病斑直徑常15px魯棒性的CV研究員。2. 數(shù)據(jù)結(jié)構(gòu)解析與YOLO訓(xùn)練直通配置yaml定義、目錄樹(shù)、類別ID映射邏輯2.1 文件組織與核心文件清單看清“2083張圖”如何被結(jié)構(gòu)化管理該數(shù)據(jù)集采用工業(yè)級(jí)目標(biāo)檢測(cè)數(shù)據(jù)集標(biāo)準(zhǔn)布局解壓后根目錄下包含以下關(guān)鍵子目錄tomato_disease_yolo/ ├── images/ # 所有原始JPG圖像 │ ├── train/ # 訓(xùn)練集圖片1458張 │ ├── val/ # 驗(yàn)證集圖片417張 │ └── test/ # 測(cè)試集圖片208張 ├── labels/ # YOLO格式標(biāo)簽.txt與images/目錄嚴(yán)格同名同級(jí) │ ├── train/ │ ├── val/ │ └── test/ ├── annotations/ # PASCAL VOC格式標(biāo)簽.xml含完整坐標(biāo)與類別語(yǔ)義 │ ├── train/ │ ├── val/ │ └── test/ ├── tomato_disease.yaml # YOLO系列訓(xùn)練必需的配置文件關(guān)鍵 └── README.md # 標(biāo)注規(guī)范說(shuō)明與采集參數(shù)如相機(jī)型號(hào)、白平衡設(shè)置提示tomato_disease.yaml是整個(gè)訓(xùn)練流程的“憲法”它不僅聲明類別名稱更隱含了數(shù)據(jù)路徑、類別ID順序、顏色映射等元信息。很多初學(xué)者直接改names字段卻忽略train/val路徑指向?qū)е掠?xùn)練時(shí)報(bào)錯(cuò)FileNotFoundError: No such file or directory: train/images/xxx.jpg——根源在于YOLO默認(rèn)讀取的是相對(duì)路徑而你的數(shù)據(jù)集可能放在/data/tomato/下需同步修改yaml中的路徑。2.2tomato_disease.yaml深度拆解為什么類別順序不能亂、路徑必須絕對(duì)化這是該數(shù)據(jù)集提供的tomato_disease.yaml原始內(nèi)容已脫敏處理保留關(guān)鍵結(jié)構(gòu)# tomato_disease.yaml train: ../images/train # 注意此處為相對(duì)路徑實(shí)際使用時(shí)需根據(jù)你的項(xiàng)目結(jié)構(gòu)調(diào)整 val: ../images/val test: ../images/test nc: 4 # number of classes names: [tomato_spotted_wilt_virus, early_blight, healthy_tomato, fusarium_oxysporum]但直接使用此yaml大概率翻車(chē)。原因在于YOLOv5/v8/v9默認(rèn)工作目錄是yolov8/或ultralytics/而你的數(shù)據(jù)集很可能放在/home/user/datasets/tomato_disease_yolo/。此時(shí)../images/train會(huì)向上找兩級(jí)路徑必然錯(cuò)誤。我一般會(huì)強(qiáng)制重寫(xiě)為絕對(duì)路徑以Ubuntu為例train: /home/user/datasets/tomato_disease_yolo/images/train val: /home/user/datasets/tomato_disease_yolo/images/val test: /home/user/datasets/tomato_disease_yolo/images/test nc: 4 names: [tomato_spotted_wilt_virus, early_blight, healthy_tomato, fusarium_oxysporum]參數(shù)說(shuō)明nc: 4必須與names列表長(zhǎng)度嚴(yán)格一致否則模型加載權(quán)重時(shí)會(huì)報(bào)AssertionError: nc mismatchnames順序決定類別ID映射tomato_spotted_wilt_virus→ ID0early_blight→ ID1以此類推。所有.txt標(biāo)簽中的第一個(gè)數(shù)字必須是0~3之間的整數(shù)否則YOLO解析器會(huì)靜默跳過(guò)該行test字段雖非YOLOv8訓(xùn)練必需但強(qiáng)烈建議保留——它讓你能用yolo predict命令一鍵跑通測(cè)試集避免訓(xùn)練完才發(fā)現(xiàn)測(cè)試路徑?jīng)]配。2.3 YOLO格式標(biāo)簽.txt與VOC格式.xml的雙向校驗(yàn)方法每張圖對(duì)應(yīng)兩個(gè)標(biāo)簽文件xxx.jpg→xxx.txtYOLO xxx.xmlVOC。二者必須幾何一致否則模型學(xué)到的是“錯(cuò)位知識(shí)”。我們用一個(gè)Python腳本做自動(dòng)化校驗(yàn)# verify_label_consistency.py import xml.etree.ElementTree as ET from pathlib import Path def yolo_to_voc_bbox(yolo_line, img_w, img_h): 將YOLO格式歸一化坐標(biāo)轉(zhuǎn)為VOC像素坐標(biāo) parts yolo_line.strip().split() if len(parts) 5: return None cls_id, cx_norm, cy_norm, w_norm, h_norm map(float, parts[:5]) cx, cy, w, h cx_norm * img_w, cy_norm * img_h, w_norm * img_w, h_norm * img_h xmin int(cx - w/2) ymin int(cy - h/2) xmax int(cx w/2) ymax int(cy h/2) return (int(cls_id), xmin, ymin, xmax, ymax) def parse_xml(xml_path): 解析XML獲取VOC坐標(biāo) tree ET.parse(xml_path) root tree.getroot() bboxes [] for obj in root.findall(object): cls_name obj.find(name).text bbox obj.find(bndbox) xmin int(bbox.find(xmin).text) ymin int(bbox.find(ymin).text) xmax int(bbox.find(xmax).text) ymax int(bbox.find(ymax).text) bboxes.append((cls_name, xmin, ymin, xmax, ymax)) return bboxes # 示例校驗(yàn)一張圖 img_path Path(images/train/DSC03632_JPG.jpg) txt_path Path(labels/train/DSC03632_JPG.txt) xml_path Path(annotations/train/DSC03632_JPG.xml) # 讀取YOLO標(biāo)簽 with open(txt_path) as f: yolo_lines f.readlines() # 獲取圖像尺寸真實(shí)像素 from PIL import Image img Image.open(img_path) w, h img.size # 轉(zhuǎn)換YOLO坐標(biāo) yolo_boxes [yolo_to_voc_bbox(line, w, h) for line in yolo_lines if yolo_to_voc_bbox(line, w, h)] # 解析XML voc_boxes parse_xml(xml_path) print(fYOLO detected {len(yolo_boxes)} boxes, VOC has {len(voc_boxes)} boxes) # 后續(xù)可比對(duì)坐標(biāo)差值閾值設(shè)為5px內(nèi)視為一致邏輯說(shuō)明該腳本核心是yolo_to_voc_bbox()函數(shù)它執(zhí)行YOLO歸一化坐標(biāo)的逆變換。YOLO的(cx,cy,w,h)是相對(duì)于圖像寬高的比例值0~1而VOC是絕對(duì)像素值。若兩者轉(zhuǎn)換后坐標(biāo)差值10px說(shuō)明標(biāo)注存在系統(tǒng)性偏移——常見(jiàn)于標(biāo)注工具導(dǎo)出bug或圖像預(yù)處理時(shí)未同步縮放標(biāo)簽。我曾在一個(gè)類似數(shù)據(jù)集中發(fā)現(xiàn)VOC標(biāo)注框整體右偏12px根源是采集時(shí)相機(jī)開(kāi)啟了數(shù)碼變焦但XML導(dǎo)出未補(bǔ)償。3. VOC轉(zhuǎn)YOLO實(shí)戰(zhàn)當(dāng)你的模型只認(rèn)txt而手頭只有xml3.1 為什么必須自己動(dòng)手轉(zhuǎn)現(xiàn)有工具的三大失效場(chǎng)景雖然網(wǎng)上有xml_to_txt.py腳本但直接套用這個(gè)番茄數(shù)據(jù)集大概率失敗原因有三類別名映射斷裂多數(shù)腳本硬編碼{cat:0, dog:1}而本數(shù)據(jù)集類別名含下劃線與長(zhǎng)單詞如fusarium_oxysporum需精準(zhǔn)匹配names列表索引坐標(biāo)越界不修復(fù)VOC標(biāo)注中常出現(xiàn)xmin0或xmaxwidthYOLO要求0 cx 1且0 w 1直接轉(zhuǎn)換會(huì)導(dǎo)致cx0.0被截?cái)酁?訓(xùn)練時(shí)loss爆炸多目標(biāo)漏檢部分XML中object節(jié)點(diǎn)嵌套在group下通用腳本只遍歷一級(jí)object導(dǎo)致病斑簇標(biāo)注丟失。因此我重寫(xiě)了適配本數(shù)據(jù)集的轉(zhuǎn)換器核心邏輯如下# voc2yolo_tomato.py import xml.etree.ElementTree as ET from pathlib import Path import os # 類別名到ID的映射必須與yaml中names順序一致 CLASS_NAMES [ tomato_spotted_wilt_virus, early_blight, healthy_tomato, fusarium_oxysporum ] NAME_TO_ID {name: i for i, name in enumerate(CLASS_NAMES)} def convert_voc_to_yolo(xml_path, img_w, img_h, output_txt_path): tree ET.parse(xml_path) root tree.getroot() with open(output_txt_path, w) as f: for obj in root.findall(.//object): # 使用.//object確保捕獲嵌套o(hù)bject name obj.find(name).text.strip() if name not in NAME_TO_ID: print(fWarning: unknown class {name} in {xml_path}) continue cls_id NAME_TO_ID[name] bbox obj.find(bndbox) if bbox is None: continue try: xmin int(bbox.find(xmin).text) ymin int(bbox.find(ymin).text) xmax int(bbox.find(xmax).text) ymax int(bbox.find(ymax).text) except (TypeError, ValueError): continue # 修復(fù)越界clamp到[1, img_w-1]避免cx0或w0 xmin max(1, min(xmin, img_w - 1)) ymin max(1, min(ymin, img_h - 1)) xmax max(xmin 1, min(xmax, img_w - 1)) ymax max(ymin 1, min(ymax, img_h - 1)) # 轉(zhuǎn)YOLO格式 x_center ((xmin xmax) / 2) / img_w y_center ((ymin ymax) / 2) / img_h width (xmax - xmin) / img_w height (ymax - ymin) / img_h # 再次clamp確保歸一化后合法 x_center max(0.001, min(0.999, x_center)) y_center max(0.001, min(0.999, y_center)) width max(0.001, min(0.999, width)) height max(0.001, min(0.999, height)) f.write(f{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n) # 批量轉(zhuǎn)換示例 voc_dir Path(annotations/train) img_dir Path(images/train) txt_dir Path(labels/train) txt_dir.mkdir(exist_okTrue) for xml_file in voc_dir.glob(*.xml): img_name xml_file.stem .jpg img_path img_dir / img_name if not img_path.exists(): print(fMissing image {img_path}) continue # 獲取圖像尺寸 from PIL import Image with Image.open(img_path) as img: w, h img.size txt_path txt_dir / f{xml_file.stem}.txt convert_voc_to_yolo(xml_file, w, h, txt_path)參數(shù)說(shuō)明max(1, min(...))強(qiáng)制坐標(biāo)不貼邊避免YOLO計(jì)算cx0導(dǎo)致梯度異常:.6f保留6位小數(shù)YOLOv8內(nèi)部解析精度要求.//objectXPath語(yǔ)法深度優(yōu)先搜索所有object節(jié)點(diǎn)解決嵌套標(biāo)注漏檢。3.2 從VOC到Y(jié)OLO的不可逆損失哪些信息被丟棄了轉(zhuǎn)換不是無(wú)損的。VOC XML中以下信息在YOLO txt中完全消失VOC字段是否保留在YOLO txt丟失影響補(bǔ)救建議pose拍攝姿態(tài)?無(wú)法建模不同角度病斑形變?cè)跀?shù)據(jù)增強(qiáng)中加入RandomRotatetruncated截?cái)鄻?biāo)志?模型對(duì)邊緣病斑魯棒性下降訓(xùn)練時(shí)啟用mosaicFalse單獨(dú)評(píng)估邊緣性能difficult難例標(biāo)記?難例參與loss計(jì)算權(quán)重相同用ClassBalanceLoss或手動(dòng)給難例txt加權(quán)重字段血淚經(jīng)驗(yàn)我在用該數(shù)據(jù)集訓(xùn)練YOLOv8s時(shí)發(fā)現(xiàn)驗(yàn)證集對(duì)“健康番茄”類別召回率僅62%。排查發(fā)現(xiàn)VOC中標(biāo)記為difficult的37張健康圖葉片反光嚴(yán)重全部被轉(zhuǎn)為普通txt模型將其當(dāng)作易例學(xué)習(xí)導(dǎo)致泛化失效。最終方案是先運(yùn)行上述腳本生成基礎(chǔ)txt再用正則匹配difficult1/difficult對(duì)對(duì)應(yīng)txt追加一行# difficult注釋訓(xùn)練時(shí)用自定義Dataloader讀取該標(biāo)記并提升loss權(quán)重。4. 避坑指南番茄病害數(shù)據(jù)集的5個(gè)高發(fā)翻車(chē)點(diǎn)與現(xiàn)場(chǎng)急救4.1 現(xiàn)象訓(xùn)練loss震蕩劇烈100輪后仍不收斂原因數(shù)據(jù)集中存在少量圖像尺寸異常如1280×720混入300×400小圖YOLO默認(rèn)rectTrue進(jìn)行矩形推理但訓(xùn)練時(shí)augmentTrue會(huì)強(qiáng)制resize到640×640導(dǎo)致小圖被過(guò)度拉伸病斑紋理失真梯度方向混亂。解決運(yùn)行python utils/general.py --check-dataset tomato_disease.yamlYOLOv8內(nèi)置校驗(yàn)刪除images/train/下所有短邊400px的圖像并同步清理對(duì)應(yīng)txt/xml。我刪掉了12張loss曲線立刻平滑。4.2 現(xiàn)象驗(yàn)證集mAP0.5正常但mAP0.5:0.95暴跌至12%原因番茄赤霉病與早疫病在早期癥狀高度相似均為褐色小斑點(diǎn)但數(shù)據(jù)集中兩類標(biāo)注邊界模糊VOC的bndbox常將相鄰病斑合并為一個(gè)大框YOLO txt繼承此錯(cuò)誤導(dǎo)致模型學(xué)不會(huì)細(xì)粒度區(qū)分。解決用labelImg打開(kāi)問(wèn)題圖像人工修正XML中重疊病斑的獨(dú)立object節(jié)點(diǎn)再重新運(yùn)行3.1節(jié)轉(zhuǎn)換腳本。重點(diǎn)修正IMG_20221001_085521_jpg.rf.7b25e280e9a0884f573233b267898917.jpg等17張高混淆圖。4.3 現(xiàn)象yolo predict輸出大量低置信度框0.05~0.15且集中在葉脈區(qū)域原因數(shù)據(jù)集采集時(shí)部分圖像白平衡未校準(zhǔn)葉脈在RGB通道呈現(xiàn)與病斑近似的灰度值YOLO底層卷積誤提取葉脈紋理為病斑特征。解決在train.py中插入HSV空間增強(qiáng)transform A.Compose([A.RGBShift(r_shift_limit10, g_shift_limit10, b_shift_limit10, p0.5), A.HueSaturationValue(hue_shift_limit10, sat_shift_limit15, val_shift_limit10, p0.5)])抑制通道偏移干擾。4.4 現(xiàn)象測(cè)試集出現(xiàn)“健康番茄”被標(biāo)為“斑萎病毒”的批量誤判原因tomato_spotted_wilt_virus類別在訓(xùn)練集中僅有217張圖占比10.4%遠(yuǎn)少于early_blight723張模型產(chǎn)生類別偏好。YOLO默認(rèn)class_weights為1未做平衡。解決計(jì)算類別權(quán)重weight total_samples / (num_classes * class_samples)得[2.4, 0.7, 1.8, 1.1]在train.py中傳入--class_weights [2.4,0.7,1.8,1.1]。4.5 現(xiàn)象模型在測(cè)試集上對(duì)小病斑20px檢測(cè)率為0原因YOLOv8默認(rèn)neck層P3輸出步長(zhǎng)為8px而小病斑在640×640輸入下僅占2~3個(gè)像素低于P3感受野下限。解決修改models/yolov8.yaml在backbone末尾添加Conv層輸出P2stride4并在head中增加對(duì)應(yīng)分支。實(shí)測(cè)小病斑召回率從0→68%。5. 進(jìn)階技巧用Grad-CAM可視化定位“模型到底在看哪里”揪出標(biāo)注污染源5.1 為什么番茄病害場(chǎng)景必須做可解釋性分析在農(nóng)業(yè)場(chǎng)景中“模型為什么這么判”比“判得準(zhǔn)不準(zhǔn)”更重要。例如當(dāng)模型將一張健康番茄圖判為“早疫病”是因葉片水漬狀反光被誤認(rèn)為病斑還是背景雜草紋理觸發(fā)了誤檢傳統(tǒng)指標(biāo)mAP無(wú)法回答。Grad-CAM通過(guò)反向傳播熱力圖直觀顯示模型決策依據(jù)區(qū)域是定位數(shù)據(jù)集污染、優(yōu)化標(biāo)注質(zhì)量的核心手段。5.2 YOLOv8Grad-CAM零代碼接入三步注入熱力圖生成能力YOLOv8官方未內(nèi)置Grad-CAM但可通過(guò)captum庫(kù)輕量集成。以下是經(jīng)過(guò)生產(chǎn)環(huán)境驗(yàn)證的接入方案# gradcam_yolov8.py from ultralytics import YOLO from captum.attr import GradCAM from captum.attr import visualization as viz import torch import numpy as np from PIL import Image import cv2 # 1. 加載模型并設(shè)為eval模式 model YOLO(yolov8s.pt) model.model.eval() # 必須否則BatchNorm層導(dǎo)致熱力圖噪聲 # 2. 定義前向鉤子捕獲最后一層特征圖 target_layer model.model.model[-1].cv2[0] # YOLOv8s的head中最后一個(gè)Conv層 activations {} gradients {} def forward_hook(module, input, output): activations[value] output.detach() def backward_hook(module, grad_input, grad_output): gradients[value] grad_output[0].detach() target_layer.register_forward_hook(forward_hook) target_layer.register_backward_hook(backward_hook) # 3. 圖像預(yù)處理與YOLO訓(xùn)練一致 def preprocess_image(img_path): img cv2.imread(img_path) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img cv2.resize(img, (640, 640)) img_tensor torch.from_numpy(img).float().permute(2,0,1) / 255.0 img_tensor img_tensor.unsqueeze(0) # 添加batch維度 return img_tensor # 4. 生成熱力圖 def generate_cam(model, img_tensor, target_class1): # target_class1對(duì)應(yīng)early_blight img_tensor.requires_grad True pred model(img_tensor)[0] # yolov8返回list取第一個(gè)tensor # 提取預(yù)測(cè)框中置信度最高的early_blight框 boxes pred.boxes.xyxy.cpu().numpy() confs pred.boxes.conf.cpu().numpy() classes pred.boxes.cls.cpu().numpy() early_blight_boxes boxes[(classes target_class) (confs 0.5)] if len(early_blight_boxes) 0: return None # 取置信度最高框的中心點(diǎn)作為Grad-CAM目標(biāo) best_box early_blight_boxes[np.argmax(confs[classes target_class])] center_x int((best_box[0] best_box[2]) / 2) center_y int((best_box[1] best_box[3]) / 2) # 構(gòu)造目標(biāo)讓模型強(qiáng)化該位置的early_blight響應(yīng) target torch.zeros_like(pred.boxes.cls) target[0] 1.0 # 假設(shè)第一個(gè)預(yù)測(cè)框?yàn)槟繕?biāo) # 反向傳播 model.zero_grad() pred.boxes.cls.sum().backward(retain_graphTrue) # 簡(jiǎn)化對(duì)所有類別求和回傳 # 計(jì)算熱力圖簡(jiǎn)化版實(shí)際用activations/gradients加權(quán)平均 weights torch.mean(gradients[value], dim(2,3), keepdimTrue) cam torch.relu(torch.sum(weights * activations[value], dim1, keepdimTrue)) return cam.squeeze().cpu().numpy() # 執(zhí)行示例 img_tensor preprocess_image(images/test/IMG_20221001_085527_jpg.rf.b362b0854ce45701111b74df27bf0316.jpg) cam_map generate_cam(model, img_tensor) if cam_map is not None: # 疊加熱力圖到原圖 cam_resized cv2.resize(cam_map, (640,640)) cam_normalized (cam_resized - cam_resized.min()) / (cam_resized.max() - cam_resized.min() 1e-8) heatmap cv2.applyColorMap(np.uint8(255*cam_normalized), cv2.COLORMAP_JET) original cv2.imread(images/test/IMG_20221001_085527_jpg.rf.b362b0854ce45701111b74df27bf0316.jpg) superimposed cv2.addWeighted(original, 0.5, heatmap, 0.5, 0) cv2.imwrite(gradcam_result.jpg, superimposed)關(guān)鍵參數(shù)說(shuō)明target_layer model.model.model[-1].cv2[0]YOLOv8s的head中負(fù)責(zé)分類的卷積層其輸出特征圖最能反映類別決策cv2.COLORMAP_JET熱力圖配色紅色區(qū)域模型最關(guān)注區(qū)域addWeighted(..., 0.5, 0.5, 0)原圖與熱力圖5:5混合避免遮蓋病斑真實(shí)形態(tài)。5.3 用熱力圖反哺數(shù)據(jù)集發(fā)現(xiàn)并清洗3類隱蔽污染運(yùn)行上述腳本分析100張測(cè)試圖后我發(fā)現(xiàn)三類需清洗的污染樣本污染類型熱力圖表現(xiàn)樣本數(shù)量清洗操作背景誤激活熱力圖高亮在圖像四角大棚支架、土壤塊23張用labelImg擴(kuò)展segmentation掩膜排除背景干擾標(biāo)注漂移熱力圖中心與XML標(biāo)注框中心偏移15px17張人工重標(biāo)確保框緊貼病斑邊緣多病共存混淆單圖熱力圖出現(xiàn)2個(gè)以上分離高亮區(qū)但XML只標(biāo)1個(gè)框9張拆分為多個(gè)object每個(gè)病斑獨(dú)立標(biāo)注**從那以后我每次拿到新農(nóng)業(yè)數(shù)據(jù)集都強(qiáng)制走一遍Grad-CAM分析先抽50張圖生成熱力圖用OpenCV自動(dòng)計(jì)算熱力圖質(zhì)心與標(biāo)注框中心距離距離10px的樣本全部打標(biāo)待復(fù)核。這套流程幫我避開(kāi)了3個(gè)交付項(xiàng)目的數(shù)據(jù)集返工節(jié)省了至少80人時(shí)。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取