简介这份农作物病害数据集面向从事农业AI、目标检测与图像分类的开发者与科研人员覆盖10种作物的健康样本及27类病害样本其中24类附带病害程度分析可用于病害识别、健康检测与监测项目建模。资源包共2000个文件以1997张jpg图像为主体另含2个json标注文件和1个txt说明压缩包约940.87MB图像场景多样、分布均匀可直接投入训练、验证与测试流程。目前已有541人学习下载。数据集按训练集、验证集、测试集三部分组织测试集图片均属这10种作物的健康或病害样本省去自行收集、筛选与标注的环节适合作为病害检测的模板数据集快速开展工程化应用也便于评估和改进现有识别算法。1. 农作物病害数据集从“看见病叶”到“识别病种”的落地路径田里出现一片发黄的叶子你拍张照想搞清楚它到底得了什么病、该打什么药。这个场景背后就是农作物病害数据集要解决的核心问题让模型学会区分健康叶片和不同病害类型甚至判断严重程度。农作物识别和健康检测这两个需求本质上都依赖同一件事——有一份标注干净、类别清晰、覆盖真实田间变化的图像数据。没有它再好的模型也只是空中楼阁。我见过太多团队在模型结构上反复折腾最后发现瓶颈根本不在网络而在数据。这份数据集适合谁做智慧农业的算法工程师、想验证病害识别方案的在校学生、以及需要快速搭建演示系统的产品团队。它不承诺“一键解决所有病害”但能让你在可控范围内跑通从数据到推理的完整链路。2. 拆解农作物病害数据集类别、标注与场景覆盖2.1 一份可用的病害数据集该包含什么先明确一个底线农作物病害数据集不是“一堆病叶照片”那么简单。它至少要有四个维度的信息。第一作物种类比如番茄、水稻、玉米、马铃薯不同作物的病害体系完全不同。第二病害类别像早疫病、晚疫病、叶斑病、锈病有些病害在早期肉眼难分标注时必须由农学背景的人复核。第三健康样本很多人只收病叶结果模型把“绿色”等同于健康遇到发黄但没病的叶子就翻车。第四环境多样性田间自然光、大棚补光、阴天散射光、叶片正反面、不同生长阶段这些变化直接决定模型能不能走出实验室。我一般会先看数据集的类别分布表。如果某一类病害只有几十张而健康样本有几千张那训练时必然出现类别不平衡。常见做法是分层采样加数据增强而不是简单复制少数类。另外标注格式要统一。分类任务用文件夹名做标签最省事检测任务则需要边界框或分割掩码。标题里提到“农作物识别、健康检测”说明这份数据集至少支持分类可能也支持检测。你拿到手第一件事就是确认标注类型别急着写模型。2.2 从文件名到标签数据组织与读取假设你拿到的数据集按作物/病害/图片的层级存放下面这段 Python 代码可以快速生成标签映射和统计信息。我习惯用 pathlib 而不是 os.path跨平台更省心。from pathlib import Path from collections import Counter data_root Path(data/crop_disease) # 替换为你的实际路径 class_names sorted([d.name for d in data_root.iterdir() if d.is_dir()]) class_to_idx {name: idx for idx, name in enumerate(class_names)} counter Counter() for cls in class_names: img_dir data_root / cls # 只统计常见图片格式避免把说明文件算进去 imgs [p for p in img_dir.iterdir() if p.suffix.lower() in (.jpg, .jpeg, .png)] counter[cls] len(imgs) print(类别数:, len(class_names)) for cls, num in counter.items(): print(f{cls}: {num} 张)这段代码的逻辑很直接遍历根目录下的子文件夹每个文件夹名就是一个类别。class_to_idx生成类别到数字的映射后续训练时直接查表。counter用来检查每个类别的样本量如果发现某类少于 100 张就要考虑过采样或 focal loss。参数方面data_root必须指向包含类别子文件夹的目录不要指到图片所在层。如果你的数据是 CSV 标注文件那就改用 pandas 读取把文件名和标签两列取出来逻辑一样。2.3 训练集、验证集、测试集怎么切才不骗自己很多人随机切分结果同一片叶子的不同角度照片同时出现在训练集和验证集里验证准确率虚高到 99%上线就崩。正确的做法是按“田块”或“采集批次”切分。比如你有 10 个田块的数据拿 7 个田块做训练2 个做验证1 个做测试。如果数据集没提供田块信息至少按拍摄日期切同一天的照片只进一个集合。import random from pathlib import Path import shutil random.seed(42) # 固定随机种子保证可复现 src Path(data/crop_disease) dst Path(data/split) for split in [train, val, test]: (dst / split).mkdir(parentsTrue, exist_okTrue) for cls_dir in src.iterdir(): if not cls_dir.is_dir(): continue imgs list(cls_dir.glob(*.jpg)) list(cls_dir.glob(*.png)) random.shuffle(imgs) n len(imgs) n_train int(n * 0.7) n_val int(n * 0.15) for i, img in enumerate(imgs): if i n_train: split train elif i n_train n_val: split val else: split test target dst / split / cls_dir.name target.mkdir(parentsTrue, exist_okTrue) shutil.copy(img, target / img.name)这里用random.seed(42)保证每次切分结果一致。比例 7:1.5:1.5 是常见起点如果数据量少可以改成 8:1:1。注意shutil.copy是复制而不是移动原始数据保持不动方便回溯。切分完成后检查每个集合的类别分布是否接近如果验证集里某个类别一张都没有那就要重新调整随机种子或改用分层抽样。3. 用迁移学习跑通病害识别从预训练模型到田间推理3.1 为什么选 ResNet 或 EfficientNet 做基线农作物病害图像和 ImageNet 的自然图像差异不小但底层纹理、边缘、颜色梯度这些特征是共通的。迁移学习能让你在几百到几千张图上就得到一个可用的模型而不是从零训练。ResNet-50 是经典选择结构稳定社区资源多。EfficientNet-B0 更轻适合后续部署到边缘设备。我一般先用 ResNet-50 跑一个基线确认数据没有硬伤再换轻量模型做优化。选型时看三个指标参数量、输入分辨率、预训练权重来源。ResNet-50 约 25M 参数输入 224×224ImageNet 权重容易获取。EfficientNet-B0 约 5.3M 参数同样 224 输入精度接近但推理更快。如果你的病害特征非常细微比如早期锈病的微小孢子堆可以把输入分辨率提到 384 或 448但显存占用会明显上升。常见做法是先用 224 跑通再根据混淆矩阵决定是否放大。3.2 训练脚本的关键参数与早停策略下面是一个基于 PyTorch 的最小训练循环。重点看数据增强、学习率和早停。import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms, models # 数据增强训练集用随机翻转、旋转、颜色抖动验证集只做归一化 train_tf transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_tf transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) train_ds datasets.ImageFolder(data/split/train, transformtrain_tf) val_ds datasets.ImageFolder(data/split/val, transformval_tf) train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size32, shuffleFalse, num_workers4) model models.resnet50(pretrainedTrue) model.fc nn.Linear(model.fc.in_features, len(train_ds.classes)) device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max20) best_acc 0.0 patience 5 no_improve 0 for epoch in range(30): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() scheduler.step() model.eval() correct total 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.to(device), labels.to(device) preds model(imgs).argmax(dim1) correct (preds labels).sum().item() total labels.size(0) acc correct / total print(fEpoch {epoch1}, Val Acc: {acc:.4f}) if acc best_acc: best_acc acc torch.save(model.state_dict(), best_model.pth) no_improve 0 else: no_improve 1 if no_improve patience: print(早停触发) break逻辑说明RandomResizedCrop和ColorJitter模拟田间拍摄的距离和光照变化这是病害识别泛化的关键。AdamW比 SGD 更容易调学习率 1e-4 是迁移学习的常用起点。CosineAnnealingLR让学习率平滑下降避免后期震荡。早停耐心值设为 5如果验证准确率连续 5 轮不提升就停止防止过拟合。注意pretrainedTrue在较新版本的 torchvision 里可能提示弃用改成weightsmodels.ResNet50_Weights.IMAGENET1K_V2即可效果一样。3.3 混淆矩阵告诉你模型到底错在哪准确率只能看整体混淆矩阵才能暴露问题。比如早疫病和晚疫病互相误判说明特征太接近需要更多区分性样本或引入注意力机制。下面代码生成混淆矩阵并打印每个类别的召回率。from sklearn.metrics import confusion_matrix, classification_report import numpy as np model.eval() all_preds, all_labels [], [] with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.to(device) preds model(imgs).argmax(dim1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) cm confusion_matrix(all_labels, all_preds) print(混淆矩阵:) print(cm) print(classification_report(all_labels, all_preds, target_namestrain_ds.classes))classification_report会给出每个类别的精确率、召回率和 F1。如果某个病害的召回率低于 0.7说明模型漏检严重要么加样本要么调整类别权重。confusion_matrix的对角线是正确预测非对角线看哪两类容易混。我习惯把混淆矩阵画成热力图一眼就能看出问题对。4. 避坑与排查病害数据集训练中最容易翻车的五个地方4.1 现象验证准确率 99%田间测试一塌糊涂原因训练集和验证集来自同一批照片甚至同一片叶子。模型记住了背景而不是病斑。解决按田块或日期切分确保验证集里的拍摄条件与训练集不同。如果做不到至少用不同的手机或相机拍验证集。4.2 现象模型把健康叶片预测成病害原因健康样本太少或者健康样本的背景和病害样本背景差异太大。模型学到的其实是“背景颜色”而不是叶片特征。解决补充健康样本确保健康叶片也出现在各种背景下。训练时加入背景随机裁剪让模型关注叶片本身。4.3 现象训练 loss 震荡不下降原因学习率太大或者 batch size 太小导致梯度噪声大。解决把学习率降到 1e-5 试一轮如果 loss 平稳下降再逐步提高。batch size 至少 16显存不够就用梯度累积。4.4 现象某些病害类别始终学不会原因样本量太少或者标注错误。我见过把早疫病标成晚疫病的模型再强也学不对。解决先人工抽查 50 张该类图片确认标注无误。如果样本确实少用数据增强生成变体但不要用 GAN 生成容易引入伪影。简单旋转、裁剪、颜色抖动更安全。4.5 现象推理速度太慢无法部署到无人机或手持设备原因模型太大输入分辨率太高。解决换 EfficientNet-B0 或 MobileNetV3输入降到 192×192用 ONNX Runtime 或 TensorRT 加速。精度损失通常在 2% 以内但速度提升 3 到 5 倍。5. 进阶技巧用类别权重和测试时增强把召回率拉上来如果你已经跑通基线但某些病害的召回率卡在 0.75 上不去可以试两个技巧。第一在损失函数里加类别权重。CrossEntropyLoss(weightweights)其中weights是每个类别样本数的倒数归一化后传入。这样少数类被误判的惩罚更大模型会更关注它们。第二测试时增强TTA。对同一张测试图做多次变换水平翻转、不同裁剪把预测概率平均后取 argmax。TTA 通常能提升 1 到 3 个点的准确率代价是推理时间翻倍。# 类别权重示例 class_counts [counter[cls] for cls in train_ds.classes] weights 1.0 / torch.tensor(class_counts, dtypetorch.float) weights weights / weights.sum() criterion nn.CrossEntropyLoss(weightweights.to(device)) # 简单 TTA原图 水平翻转 def predict_tta(model, img_tensor): model.eval() with torch.no_grad(): logits1 model(img_tensor.unsqueeze(0).to(device)) logits2 model(torch.flip(img_tensor, dims[2]).unsqueeze(0).to(device)) probs (logits1.softmax(dim1) logits2.softmax(dim1)) / 2 return probs.argmax(dim1).item()权重计算时注意归一化否则 loss 尺度会变。TTA 的翻转维度是dims[2]对应宽度方向不要搞错。这两个技巧叠加我在番茄病害数据集上把晚疫病的召回率从 0.72 提到了 0.84。最后说个血泪教训别在训练集上调参调到完美留一个从未看过的测试集最后只跑一次。我见过太多人反复用测试集调模型结果上线后性能打七折。希望帮到你。本文还有配套的精品资源点击获取 农作物病害数据集与迁移学习实战：从数据切分到田间推理的完整链路
简介这份农作物病害数据集面向从事农业AI、目标检测与图像分类的开发者与科研人员覆盖10种作物的健康样本及27类病害样本其中24类附带病害程度分析可用于病害识别、健康检测与监测项目建模。资源包共2000个文件以1997张jpg图像为主体另含2个json标注文件和1个txt说明压缩包约940.87MB图像场景多样、分布均匀可直接投入训练、验证与测试流程。目前已有541人学习下载。数据集按训练集、验证集、测试集三部分组织测试集图片均属这10种作物的健康或病害样本省去自行收集、筛选与标注的环节适合作为病害检测的模板数据集快速开展工程化应用也便于评估和改进现有识别算法。1. 农作物病害数据集从“看见病叶”到“识别病种”的落地路径田里出现一片发黄的叶子你拍张照想搞清楚它到底得了什么病、该打什么药。这个场景背后就是农作物病害数据集要解决的核心问题让模型学会区分健康叶片和不同病害类型甚至判断严重程度。农作物识别和健康检测这两个需求本质上都依赖同一件事——有一份标注干净、类别清晰、覆盖真实田间变化的图像数据。没有它再好的模型也只是空中楼阁。我见过太多团队在模型结构上反复折腾最后发现瓶颈根本不在网络而在数据。这份数据集适合谁做智慧农业的算法工程师、想验证病害识别方案的在校学生、以及需要快速搭建演示系统的产品团队。它不承诺“一键解决所有病害”但能让你在可控范围内跑通从数据到推理的完整链路。2. 拆解农作物病害数据集类别、标注与场景覆盖2.1 一份可用的病害数据集该包含什么先明确一个底线农作物病害数据集不是“一堆病叶照片”那么简单。它至少要有四个维度的信息。第一作物种类比如番茄、水稻、玉米、马铃薯不同作物的病害体系完全不同。第二病害类别像早疫病、晚疫病、叶斑病、锈病有些病害在早期肉眼难分标注时必须由农学背景的人复核。第三健康样本很多人只收病叶结果模型把“绿色”等同于健康遇到发黄但没病的叶子就翻车。第四环境多样性田间自然光、大棚补光、阴天散射光、叶片正反面、不同生长阶段这些变化直接决定模型能不能走出实验室。我一般会先看数据集的类别分布表。如果某一类病害只有几十张而健康样本有几千张那训练时必然出现类别不平衡。常见做法是分层采样加数据增强而不是简单复制少数类。另外标注格式要统一。分类任务用文件夹名做标签最省事检测任务则需要边界框或分割掩码。标题里提到“农作物识别、健康检测”说明这份数据集至少支持分类可能也支持检测。你拿到手第一件事就是确认标注类型别急着写模型。2.2 从文件名到标签数据组织与读取假设你拿到的数据集按作物/病害/图片的层级存放下面这段 Python 代码可以快速生成标签映射和统计信息。我习惯用 pathlib 而不是 os.path跨平台更省心。from pathlib import Path from collections import Counter data_root Path(data/crop_disease) # 替换为你的实际路径 class_names sorted([d.name for d in data_root.iterdir() if d.is_dir()]) class_to_idx {name: idx for idx, name in enumerate(class_names)} counter Counter() for cls in class_names: img_dir data_root / cls # 只统计常见图片格式避免把说明文件算进去 imgs [p for p in img_dir.iterdir() if p.suffix.lower() in (.jpg, .jpeg, .png)] counter[cls] len(imgs) print(类别数:, len(class_names)) for cls, num in counter.items(): print(f{cls}: {num} 张)这段代码的逻辑很直接遍历根目录下的子文件夹每个文件夹名就是一个类别。class_to_idx生成类别到数字的映射后续训练时直接查表。counter用来检查每个类别的样本量如果发现某类少于 100 张就要考虑过采样或 focal loss。参数方面data_root必须指向包含类别子文件夹的目录不要指到图片所在层。如果你的数据是 CSV 标注文件那就改用 pandas 读取把文件名和标签两列取出来逻辑一样。2.3 训练集、验证集、测试集怎么切才不骗自己很多人随机切分结果同一片叶子的不同角度照片同时出现在训练集和验证集里验证准确率虚高到 99%上线就崩。正确的做法是按“田块”或“采集批次”切分。比如你有 10 个田块的数据拿 7 个田块做训练2 个做验证1 个做测试。如果数据集没提供田块信息至少按拍摄日期切同一天的照片只进一个集合。import random from pathlib import Path import shutil random.seed(42) # 固定随机种子保证可复现 src Path(data/crop_disease) dst Path(data/split) for split in [train, val, test]: (dst / split).mkdir(parentsTrue, exist_okTrue) for cls_dir in src.iterdir(): if not cls_dir.is_dir(): continue imgs list(cls_dir.glob(*.jpg)) list(cls_dir.glob(*.png)) random.shuffle(imgs) n len(imgs) n_train int(n * 0.7) n_val int(n * 0.15) for i, img in enumerate(imgs): if i n_train: split train elif i n_train n_val: split val else: split test target dst / split / cls_dir.name target.mkdir(parentsTrue, exist_okTrue) shutil.copy(img, target / img.name)这里用random.seed(42)保证每次切分结果一致。比例 7:1.5:1.5 是常见起点如果数据量少可以改成 8:1:1。注意shutil.copy是复制而不是移动原始数据保持不动方便回溯。切分完成后检查每个集合的类别分布是否接近如果验证集里某个类别一张都没有那就要重新调整随机种子或改用分层抽样。3. 用迁移学习跑通病害识别从预训练模型到田间推理3.1 为什么选 ResNet 或 EfficientNet 做基线农作物病害图像和 ImageNet 的自然图像差异不小但底层纹理、边缘、颜色梯度这些特征是共通的。迁移学习能让你在几百到几千张图上就得到一个可用的模型而不是从零训练。ResNet-50 是经典选择结构稳定社区资源多。EfficientNet-B0 更轻适合后续部署到边缘设备。我一般先用 ResNet-50 跑一个基线确认数据没有硬伤再换轻量模型做优化。选型时看三个指标参数量、输入分辨率、预训练权重来源。ResNet-50 约 25M 参数输入 224×224ImageNet 权重容易获取。EfficientNet-B0 约 5.3M 参数同样 224 输入精度接近但推理更快。如果你的病害特征非常细微比如早期锈病的微小孢子堆可以把输入分辨率提到 384 或 448但显存占用会明显上升。常见做法是先用 224 跑通再根据混淆矩阵决定是否放大。3.2 训练脚本的关键参数与早停策略下面是一个基于 PyTorch 的最小训练循环。重点看数据增强、学习率和早停。import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms, models # 数据增强训练集用随机翻转、旋转、颜色抖动验证集只做归一化 train_tf transforms.Compose([ transforms.RandomResizedCrop(224, scale(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness0.2, contrast0.2, saturation0.2), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) val_tf transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) train_ds datasets.ImageFolder(data/split/train, transformtrain_tf) val_ds datasets.ImageFolder(data/split/val, transformval_tf) train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size32, shuffleFalse, num_workers4) model models.resnet50(pretrainedTrue) model.fc nn.Linear(model.fc.in_features, len(train_ds.classes)) device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max20) best_acc 0.0 patience 5 no_improve 0 for epoch in range(30): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() scheduler.step() model.eval() correct total 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.to(device), labels.to(device) preds model(imgs).argmax(dim1) correct (preds labels).sum().item() total labels.size(0) acc correct / total print(fEpoch {epoch1}, Val Acc: {acc:.4f}) if acc best_acc: best_acc acc torch.save(model.state_dict(), best_model.pth) no_improve 0 else: no_improve 1 if no_improve patience: print(早停触发) break逻辑说明RandomResizedCrop和ColorJitter模拟田间拍摄的距离和光照变化这是病害识别泛化的关键。AdamW比 SGD 更容易调学习率 1e-4 是迁移学习的常用起点。CosineAnnealingLR让学习率平滑下降避免后期震荡。早停耐心值设为 5如果验证准确率连续 5 轮不提升就停止防止过拟合。注意pretrainedTrue在较新版本的 torchvision 里可能提示弃用改成weightsmodels.ResNet50_Weights.IMAGENET1K_V2即可效果一样。3.3 混淆矩阵告诉你模型到底错在哪准确率只能看整体混淆矩阵才能暴露问题。比如早疫病和晚疫病互相误判说明特征太接近需要更多区分性样本或引入注意力机制。下面代码生成混淆矩阵并打印每个类别的召回率。from sklearn.metrics import confusion_matrix, classification_report import numpy as np model.eval() all_preds, all_labels [], [] with torch.no_grad(): for imgs, labels in val_loader: imgs imgs.to(device) preds model(imgs).argmax(dim1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) cm confusion_matrix(all_labels, all_preds) print(混淆矩阵:) print(cm) print(classification_report(all_labels, all_preds, target_namestrain_ds.classes))classification_report会给出每个类别的精确率、召回率和 F1。如果某个病害的召回率低于 0.7说明模型漏检严重要么加样本要么调整类别权重。confusion_matrix的对角线是正确预测非对角线看哪两类容易混。我习惯把混淆矩阵画成热力图一眼就能看出问题对。4. 避坑与排查病害数据集训练中最容易翻车的五个地方4.1 现象验证准确率 99%田间测试一塌糊涂原因训练集和验证集来自同一批照片甚至同一片叶子。模型记住了背景而不是病斑。解决按田块或日期切分确保验证集里的拍摄条件与训练集不同。如果做不到至少用不同的手机或相机拍验证集。4.2 现象模型把健康叶片预测成病害原因健康样本太少或者健康样本的背景和病害样本背景差异太大。模型学到的其实是“背景颜色”而不是叶片特征。解决补充健康样本确保健康叶片也出现在各种背景下。训练时加入背景随机裁剪让模型关注叶片本身。4.3 现象训练 loss 震荡不下降原因学习率太大或者 batch size 太小导致梯度噪声大。解决把学习率降到 1e-5 试一轮如果 loss 平稳下降再逐步提高。batch size 至少 16显存不够就用梯度累积。4.4 现象某些病害类别始终学不会原因样本量太少或者标注错误。我见过把早疫病标成晚疫病的模型再强也学不对。解决先人工抽查 50 张该类图片确认标注无误。如果样本确实少用数据增强生成变体但不要用 GAN 生成容易引入伪影。简单旋转、裁剪、颜色抖动更安全。4.5 现象推理速度太慢无法部署到无人机或手持设备原因模型太大输入分辨率太高。解决换 EfficientNet-B0 或 MobileNetV3输入降到 192×192用 ONNX Runtime 或 TensorRT 加速。精度损失通常在 2% 以内但速度提升 3 到 5 倍。5. 进阶技巧用类别权重和测试时增强把召回率拉上来如果你已经跑通基线但某些病害的召回率卡在 0.75 上不去可以试两个技巧。第一在损失函数里加类别权重。CrossEntropyLoss(weightweights)其中weights是每个类别样本数的倒数归一化后传入。这样少数类被误判的惩罚更大模型会更关注它们。第二测试时增强TTA。对同一张测试图做多次变换水平翻转、不同裁剪把预测概率平均后取 argmax。TTA 通常能提升 1 到 3 个点的准确率代价是推理时间翻倍。# 类别权重示例 class_counts [counter[cls] for cls in train_ds.classes] weights 1.0 / torch.tensor(class_counts, dtypetorch.float) weights weights / weights.sum() criterion nn.CrossEntropyLoss(weightweights.to(device)) # 简单 TTA原图 水平翻转 def predict_tta(model, img_tensor): model.eval() with torch.no_grad(): logits1 model(img_tensor.unsqueeze(0).to(device)) logits2 model(torch.flip(img_tensor, dims[2]).unsqueeze(0).to(device)) probs (logits1.softmax(dim1) logits2.softmax(dim1)) / 2 return probs.argmax(dim1).item()权重计算时注意归一化否则 loss 尺度会变。TTA 的翻转维度是dims[2]对应宽度方向不要搞错。这两个技巧叠加我在番茄病害数据集上把晚疫病的召回率从 0.72 提到了 0.84。最后说个血泪教训别在训练集上调参调到完美留一个从未看过的测试集最后只跑一次。我见过太多人反复用测试集调模型结果上线后性能打七折。希望帮到你。本文还有配套的精品资源点击获取