简介这份水稻害虫目标检测数据集面向智能农业、植保科研与农技教育场景帮助开发者与研究人员解决田间害虫自动识别与种群监测问题。数据覆盖亚洲水稻螟虫、褐飞虱、稻纵卷叶螟、蓟马等12类主要害虫涵盖蛀茎、刺吸、食叶等不同危害类型采集自真实稻田环境包含不同生长周期、光照与植株密度下的多样化场景。全部图片采用YOLO格式标注含标准化边界框坐标与类别索引可直接用于主流检测框架训练。资源包共2000个文件以1481个txt标注文件、517张jpg图像为主另含1个yaml数据配置与1份docx说明文档压缩包约52.83MB目录结构清晰便于按训练集、验证集、测试集划分使用。目前已有305人学习下载适合构建田间害虫实时检测模型、精准施药决策系统及农技培训工具为绿色农业与智能农机应用提供可直接落地的数据基础。1. 水稻害虫目标检测数据集从拿到压缩包到跑通第一个基线水稻害虫识别这件事真正卡住人的往往不是模型结构而是数据。田间拍回来的照片背景杂乱、虫体小、光照忽明忽暗标注质量参差不齐一个「水稻害虫目标检测数据集.zip」解压出来可能只有几百张图、几个类别也可能带着一堆命名混乱的 xml 和 json。这个标题讲的正是这类数据集的落地用法怎么把压缩包变成 YOLO 能吃的格式怎么定类别和划分怎么训出第一个能看的基线以及小目标检测为什么总在这类场景里翻车。适合两类人一类是刚拿到数据集、想快速验证可行性的算法同学另一类是做农业植保、想评估这套方案值不值得投入的工程同学。下面按「先看清数据 → 再转格式 → 再训练 → 再排坑」的顺序走一遍中间给的都是能直接抄的命令和参数。2. 先摸清水稻害虫数据集的底细类别、标注格式与图像分布拿到压缩包别急着写训练脚本先花二十分钟把数据摸清楚。水稻害虫数据集常见的坑是类别名不统一同一类虫在不同文件里叫rice_leaf_roller、leaf_roller、卷叶螟标注格式混着 VOC 的 xml 和 COCO 的 json还有大量空标注图。这些不处理干净后面训练 loss 会莫名其妙地抖。2.1 用三行脚本统计类别与标注框数量解压后先看目录结构常见是images/annotations/或者JPEGImages/Annotations/。用下面这段脚本统计每个类别的框数和图像数判断数据集是否严重不均衡。import os, glob, xml.etree.ElementTree as ET from collections import Counter ann_dir Annotations # VOC 格式标注目录 img_dir JPEGImages # 对应图像目录 cls_counter Counter() img_with_obj 0 img_total len(glob.glob(os.path.join(img_dir, *))) for xml_path in glob.glob(os.path.join(ann_dir, *.xml)): tree ET.parse(xml_path) objs tree.findall(object) if objs: img_with_obj 1 for obj in objs: name obj.find(name).text.strip() # 类别名注意去空格 cls_counter[name] 1 print(图像总数:, img_total, 有目标图像:, img_with_obj) for k, v in cls_counter.most_common(): print(f{k}: {v} 框)逻辑说明遍历每个 xml统计object节点数量Counter按类别累加。参数上ann_dir和img_dir按你解压后的实际目录改。跑完重点看两件事一是类别数是否和文档一致二是框数最少的类别是不是只有个位数——如果某类少于 50 个框后面要么补数据要么在训练时给它加权否则模型基本学不会。2.2 判断标注格式并统一到 YOLO 的 txtYOLO 训练要的是每张图一个 txt每行class_id cx cy w h坐标是归一化到 0~1 的。VOC 的 xml 是绝对像素坐标的xmin ymin xmax ymax需要转换。转换前先确认图像尺寸因为归一化要用到宽高。import os, glob, xml.etree.ElementTree as ET from PIL import Image classes [brown_planthopper, leaf_roller, stem_borer] # 按你的类别顺序定 cls2id {c: i for i, c in enumerate(classes)} def voc_to_yolo(xml_path, img_path, out_path): img_w, img_h Image.open(img_path).size tree ET.parse(xml_path) lines [] for obj in tree.findall(object): name obj.find(name).text.strip() if name not in cls2id: continue # 未登记类别直接跳过避免 id 错乱 b obj.find(bndbox) xmin float(b.find(xmin).text) ymin float(b.find(ymin).text) xmax float(b.find(xmax).text) ymax float(b.find(ymax).text) cx (xmin xmax) / 2 / img_w cy (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls2id[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines)) for xml_path in glob.glob(Annotations/*.xml): stem os.path.splitext(os.path.basename(xml_path))[0] img_path fJPEGImages/{stem}.jpg if os.path.exists(img_path): voc_to_yolo(xml_path, img_path, flabels/{stem}.txt)逻辑说明classes列表的顺序就是最终class_id一旦定了就不能改否则标签全错。归一化用图像真实宽高所以必须能读到对应图片读不到就跳过并记下来。参数上cx cy w h保留 6 位小数足够YOLO 内部会再处理。转换完随手抽 5 张用可视化脚本画框确认别信「应该没问题」。2.3 划分训练集与验证集时别按图像随机切水稻害虫图像常常是同一株稻、同一块田连拍如果纯随机划分训练集和验证集里会出现几乎一样的图验证指标虚高。常见做法是按「田块」或「拍摄批次」分组划分同一批次的图只进一个集合。没有批次信息时至少按文件名前缀或时间戳聚类后再切比例 8:1:1 或 7:2:1 都行。这一步偷懒后面调参全是玄学。3. 用 YOLOv8 跑通水稻害虫检测基线配置、训练与指标解读数据理顺之后选一个成熟框架快速出基线。YOLOv8 生态完整、文档多适合作为第一版如果你手上是更新的 YOLO 系列流程基本一致换权重和配置文件即可。这一章给的是从零到能看指标的最小路径。3.1 生成 data.yaml 与目录结构YOLO 要求固定的目录约定先建好结构再写配置。mkdir -p datasets/rice_pest/images/train datasets/rice_pest/images/val mkdir -p datasets/rice_pest/labels/train datasets/rice_pest/labels/val # 把划分好的图片和 txt 分别拷进对应目录图片和标签同名# datasets/rice_pest/data.yaml path: ./datasets/rice_pest train: images/train val: images/val nc: 3 names: 0: brown_planthopper 1: leaf_roller 2: stem_borer逻辑说明path是数据集根目录train/val是相对路径。nc必须等于names的条目数且顺序和转换脚本里的classes完全一致。参数上类别名建议用英文小写下划线避免中文和空格在部分工具链里出问题。3.2 训练命令与关键参数怎么设yolo detect train \ datadatasets/rice_pest/data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ projectruns/rice_pest \ namebaseline逻辑说明modelyolov8n.pt是最小的预训练权重先跑通再换 s/m。imgsz640是默认输入尺寸水稻害虫多为小目标后面可以试 960 或 1280。lr00.01是初始学习率小数据集上如果 loss 震荡就降到 0.005。patience30表示 30 轮没提升就早停省时间。batch按显存调8G 显存跑 640 一般能到 16。3.3 看懂 mAP、召回和小目标指标训练完重点看runs/rice_pest/baseline/results.csv和验证输出。mAP50 是 IoU 0.5 下的平均精度mAP50-95 更严格。水稻害虫场景里如果 mAP50 还行但 mAP50-95 很低说明框的位置不够准多半是小目标定位问题。召回低则意味着漏检多田间漏检比误检更致命。建议单独统计小目标框面积小于 32×32 像素的召回YOLO 验证输出里可以按尺寸分组看这一步能直接暴露数据集和输入尺寸的问题。4. 水稻害虫小目标检测的避坑与排查清单这一章是血泪经验集中区。水稻害虫普遍只有几十个像素加上叶片遮挡、背景相似翻车点非常集中。下面 5 条按「现象 → 原因 → 解决」写遇到对应情况直接对号入座。4.1 训练 loss 正常但验证 mAP 接近 0现象训练集 loss 稳定下降验证集 mAP 一直在 0.01 附近。原因最常见是标签类别 id 和data.yaml的names顺序不一致或者 txt 里坐标没归一化还是像素值。解决抽一张图用可视化脚本把预测框和真值框画在一起如果框全挤在左上角基本就是没归一化如果框位置对但类别全错就是 id 顺序问题。重新核对转换脚本的classes和 yaml。4.2 小目标几乎全漏检现象大一点的虫能检出小虫召回极低。原因640 输入下几十像素的虫经过下采样后特征几乎消失。解决把imgsz提到 960 或 1280同时batch相应调小或者在数据加载时对小目标做 mosaic、copy-paste 增强。注意提高分辨率会显著增加显存和训练时间先小规模验证再全量跑。4.3 验证指标虚高换一块田就崩现象验证集 mAP 0.8实际部署到新田块惨不忍睹。原因划分时同批次图像泄漏模型记住了背景而不是虫。解决按田块/批次重新划分确保验证集来自训练时没见过的场景。如果数据量允许留一个「跨田块测试集」专门评估泛化。4.4 类别不均衡导致稀有虫类学不会现象某类虫框数只有几十个训练后该类 AP 接近 0。原因损失被多数类主导。解决先确认这类虫的标注没错然后可以用过采样、在 loss 里给稀有类加权或者干脆先合并相近类别跑通再逐步细分。别指望不加处理就能学会个位数的类。4.5 标注框贴边或越界导致训练报错现象训练时报坐标越界或某些图被跳过。原因VOC 转换时xmax超过图像宽度或标注本身画到了图外。解决转换脚本里加裁剪把cx cy w h限制在 [0,1]越界的框直接丢弃或修正。同时检查是否有宽高为 0 的退化框这类框会让 loss 出现 nan。5. 把水稻害虫检测做扎实增强策略、模型选型与上线前验证基线跑通只是开始真正决定这套方案值不值得投入的是它在真实田间的稳定性。这一章讲几个我实际用下来有效的进阶做法以及上线前必须做的验证。5.1 针对水稻场景的数据增强组合通用增强里mosaic 和 mixup 对小目标有帮助但水稻害虫背景高度相似过度 mixup 会让虫体和背景混淆。我的习惯是mosaic 概率 1.0 保留mixup 降到 0.1 以内HSV 色调扰动适度加大田间光照变化大随机缩放范围放宽到 0.5~1.5。旋转要谨慎因为虫体朝向在真实场景里不会任意旋转大角度旋转反而引入噪声。下面是一段 YOLO 训练时覆盖增强参数的写法yolo detect train \ datadatasets/rice_pest/data.yaml \ modelyolov8s.pt \ epochs200 imgsz960 batch8 \ mosaic1.0 mixup0.05 \ hsv_h0.02 hsv_s0.8 hsv_v0.5 \ scale0.5 degrees10.0 \ projectruns/rice_pest nameaug_v2逻辑说明hsv_s0.8加大饱和度扰动模拟不同光照scale0.5让目标尺寸变化更丰富degrees10.0只做小角度旋转。参数不是越猛越好每加一项都该在验证集上看是否真的涨点。5.2 模型选型n/s/m 怎么选什么时候上更大输入模型参数量级适用场景显存参考(960)yolov8n最小快速验证、边缘设备约 6Gyolov8s小精度与速度平衡推荐首选约 10Gyolov8m中数据量足、追求精度约 16G选型逻辑数据量少于 2000 张时大模型容易过拟合n/s 更稳数据上万再考虑 m。输入尺寸对小目标的影响通常比模型大小更明显先把imgsz提上去再考虑换大模型。5.3 上线前的三类验证第一跨场景验证留一块没参与训练的田块做测试看 mAP 掉多少掉超过 20 个点说明泛化不够。第二置信度阈值扫描把阈值从 0.1 到 0.9 扫一遍画出精确率-召回曲线按业务需求定阈值——植保场景通常宁可误检也别漏检阈值可以压低。第三速度测试在目标硬件上测单张推理耗时别只在服务器 GPU 上测边缘设备上 960 输入可能跑不动必要时回退到 640 或做模型量化。我自己的习惯是任何数据集在正式投入前先花半天把上面这套流程走一遍尤其是跨场景验证和阈值扫描这两步能挡掉大部分「实验室很美、田间很惨」的翻车。水稻害虫检测没有银弹数据质量和场景覆盖才是天花板。希望帮到你。本文还有配套的精品资源点击获取 水稻害虫目标检测数据集实战：从格式转换到YOLO基线训练
简介这份水稻害虫目标检测数据集面向智能农业、植保科研与农技教育场景帮助开发者与研究人员解决田间害虫自动识别与种群监测问题。数据覆盖亚洲水稻螟虫、褐飞虱、稻纵卷叶螟、蓟马等12类主要害虫涵盖蛀茎、刺吸、食叶等不同危害类型采集自真实稻田环境包含不同生长周期、光照与植株密度下的多样化场景。全部图片采用YOLO格式标注含标准化边界框坐标与类别索引可直接用于主流检测框架训练。资源包共2000个文件以1481个txt标注文件、517张jpg图像为主另含1个yaml数据配置与1份docx说明文档压缩包约52.83MB目录结构清晰便于按训练集、验证集、测试集划分使用。目前已有305人学习下载适合构建田间害虫实时检测模型、精准施药决策系统及农技培训工具为绿色农业与智能农机应用提供可直接落地的数据基础。1. 水稻害虫目标检测数据集从拿到压缩包到跑通第一个基线水稻害虫识别这件事真正卡住人的往往不是模型结构而是数据。田间拍回来的照片背景杂乱、虫体小、光照忽明忽暗标注质量参差不齐一个「水稻害虫目标检测数据集.zip」解压出来可能只有几百张图、几个类别也可能带着一堆命名混乱的 xml 和 json。这个标题讲的正是这类数据集的落地用法怎么把压缩包变成 YOLO 能吃的格式怎么定类别和划分怎么训出第一个能看的基线以及小目标检测为什么总在这类场景里翻车。适合两类人一类是刚拿到数据集、想快速验证可行性的算法同学另一类是做农业植保、想评估这套方案值不值得投入的工程同学。下面按「先看清数据 → 再转格式 → 再训练 → 再排坑」的顺序走一遍中间给的都是能直接抄的命令和参数。2. 先摸清水稻害虫数据集的底细类别、标注格式与图像分布拿到压缩包别急着写训练脚本先花二十分钟把数据摸清楚。水稻害虫数据集常见的坑是类别名不统一同一类虫在不同文件里叫rice_leaf_roller、leaf_roller、卷叶螟标注格式混着 VOC 的 xml 和 COCO 的 json还有大量空标注图。这些不处理干净后面训练 loss 会莫名其妙地抖。2.1 用三行脚本统计类别与标注框数量解压后先看目录结构常见是images/annotations/或者JPEGImages/Annotations/。用下面这段脚本统计每个类别的框数和图像数判断数据集是否严重不均衡。import os, glob, xml.etree.ElementTree as ET from collections import Counter ann_dir Annotations # VOC 格式标注目录 img_dir JPEGImages # 对应图像目录 cls_counter Counter() img_with_obj 0 img_total len(glob.glob(os.path.join(img_dir, *))) for xml_path in glob.glob(os.path.join(ann_dir, *.xml)): tree ET.parse(xml_path) objs tree.findall(object) if objs: img_with_obj 1 for obj in objs: name obj.find(name).text.strip() # 类别名注意去空格 cls_counter[name] 1 print(图像总数:, img_total, 有目标图像:, img_with_obj) for k, v in cls_counter.most_common(): print(f{k}: {v} 框)逻辑说明遍历每个 xml统计object节点数量Counter按类别累加。参数上ann_dir和img_dir按你解压后的实际目录改。跑完重点看两件事一是类别数是否和文档一致二是框数最少的类别是不是只有个位数——如果某类少于 50 个框后面要么补数据要么在训练时给它加权否则模型基本学不会。2.2 判断标注格式并统一到 YOLO 的 txtYOLO 训练要的是每张图一个 txt每行class_id cx cy w h坐标是归一化到 0~1 的。VOC 的 xml 是绝对像素坐标的xmin ymin xmax ymax需要转换。转换前先确认图像尺寸因为归一化要用到宽高。import os, glob, xml.etree.ElementTree as ET from PIL import Image classes [brown_planthopper, leaf_roller, stem_borer] # 按你的类别顺序定 cls2id {c: i for i, c in enumerate(classes)} def voc_to_yolo(xml_path, img_path, out_path): img_w, img_h Image.open(img_path).size tree ET.parse(xml_path) lines [] for obj in tree.findall(object): name obj.find(name).text.strip() if name not in cls2id: continue # 未登记类别直接跳过避免 id 错乱 b obj.find(bndbox) xmin float(b.find(xmin).text) ymin float(b.find(ymin).text) xmax float(b.find(xmax).text) ymax float(b.find(ymax).text) cx (xmin xmax) / 2 / img_w cy (ymin ymax) / 2 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls2id[name]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) with open(out_path, w) as f: f.write(\n.join(lines)) for xml_path in glob.glob(Annotations/*.xml): stem os.path.splitext(os.path.basename(xml_path))[0] img_path fJPEGImages/{stem}.jpg if os.path.exists(img_path): voc_to_yolo(xml_path, img_path, flabels/{stem}.txt)逻辑说明classes列表的顺序就是最终class_id一旦定了就不能改否则标签全错。归一化用图像真实宽高所以必须能读到对应图片读不到就跳过并记下来。参数上cx cy w h保留 6 位小数足够YOLO 内部会再处理。转换完随手抽 5 张用可视化脚本画框确认别信「应该没问题」。2.3 划分训练集与验证集时别按图像随机切水稻害虫图像常常是同一株稻、同一块田连拍如果纯随机划分训练集和验证集里会出现几乎一样的图验证指标虚高。常见做法是按「田块」或「拍摄批次」分组划分同一批次的图只进一个集合。没有批次信息时至少按文件名前缀或时间戳聚类后再切比例 8:1:1 或 7:2:1 都行。这一步偷懒后面调参全是玄学。3. 用 YOLOv8 跑通水稻害虫检测基线配置、训练与指标解读数据理顺之后选一个成熟框架快速出基线。YOLOv8 生态完整、文档多适合作为第一版如果你手上是更新的 YOLO 系列流程基本一致换权重和配置文件即可。这一章给的是从零到能看指标的最小路径。3.1 生成 data.yaml 与目录结构YOLO 要求固定的目录约定先建好结构再写配置。mkdir -p datasets/rice_pest/images/train datasets/rice_pest/images/val mkdir -p datasets/rice_pest/labels/train datasets/rice_pest/labels/val # 把划分好的图片和 txt 分别拷进对应目录图片和标签同名# datasets/rice_pest/data.yaml path: ./datasets/rice_pest train: images/train val: images/val nc: 3 names: 0: brown_planthopper 1: leaf_roller 2: stem_borer逻辑说明path是数据集根目录train/val是相对路径。nc必须等于names的条目数且顺序和转换脚本里的classes完全一致。参数上类别名建议用英文小写下划线避免中文和空格在部分工具链里出问题。3.2 训练命令与关键参数怎么设yolo detect train \ datadatasets/rice_pest/data.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ projectruns/rice_pest \ namebaseline逻辑说明modelyolov8n.pt是最小的预训练权重先跑通再换 s/m。imgsz640是默认输入尺寸水稻害虫多为小目标后面可以试 960 或 1280。lr00.01是初始学习率小数据集上如果 loss 震荡就降到 0.005。patience30表示 30 轮没提升就早停省时间。batch按显存调8G 显存跑 640 一般能到 16。3.3 看懂 mAP、召回和小目标指标训练完重点看runs/rice_pest/baseline/results.csv和验证输出。mAP50 是 IoU 0.5 下的平均精度mAP50-95 更严格。水稻害虫场景里如果 mAP50 还行但 mAP50-95 很低说明框的位置不够准多半是小目标定位问题。召回低则意味着漏检多田间漏检比误检更致命。建议单独统计小目标框面积小于 32×32 像素的召回YOLO 验证输出里可以按尺寸分组看这一步能直接暴露数据集和输入尺寸的问题。4. 水稻害虫小目标检测的避坑与排查清单这一章是血泪经验集中区。水稻害虫普遍只有几十个像素加上叶片遮挡、背景相似翻车点非常集中。下面 5 条按「现象 → 原因 → 解决」写遇到对应情况直接对号入座。4.1 训练 loss 正常但验证 mAP 接近 0现象训练集 loss 稳定下降验证集 mAP 一直在 0.01 附近。原因最常见是标签类别 id 和data.yaml的names顺序不一致或者 txt 里坐标没归一化还是像素值。解决抽一张图用可视化脚本把预测框和真值框画在一起如果框全挤在左上角基本就是没归一化如果框位置对但类别全错就是 id 顺序问题。重新核对转换脚本的classes和 yaml。4.2 小目标几乎全漏检现象大一点的虫能检出小虫召回极低。原因640 输入下几十像素的虫经过下采样后特征几乎消失。解决把imgsz提到 960 或 1280同时batch相应调小或者在数据加载时对小目标做 mosaic、copy-paste 增强。注意提高分辨率会显著增加显存和训练时间先小规模验证再全量跑。4.3 验证指标虚高换一块田就崩现象验证集 mAP 0.8实际部署到新田块惨不忍睹。原因划分时同批次图像泄漏模型记住了背景而不是虫。解决按田块/批次重新划分确保验证集来自训练时没见过的场景。如果数据量允许留一个「跨田块测试集」专门评估泛化。4.4 类别不均衡导致稀有虫类学不会现象某类虫框数只有几十个训练后该类 AP 接近 0。原因损失被多数类主导。解决先确认这类虫的标注没错然后可以用过采样、在 loss 里给稀有类加权或者干脆先合并相近类别跑通再逐步细分。别指望不加处理就能学会个位数的类。4.5 标注框贴边或越界导致训练报错现象训练时报坐标越界或某些图被跳过。原因VOC 转换时xmax超过图像宽度或标注本身画到了图外。解决转换脚本里加裁剪把cx cy w h限制在 [0,1]越界的框直接丢弃或修正。同时检查是否有宽高为 0 的退化框这类框会让 loss 出现 nan。5. 把水稻害虫检测做扎实增强策略、模型选型与上线前验证基线跑通只是开始真正决定这套方案值不值得投入的是它在真实田间的稳定性。这一章讲几个我实际用下来有效的进阶做法以及上线前必须做的验证。5.1 针对水稻场景的数据增强组合通用增强里mosaic 和 mixup 对小目标有帮助但水稻害虫背景高度相似过度 mixup 会让虫体和背景混淆。我的习惯是mosaic 概率 1.0 保留mixup 降到 0.1 以内HSV 色调扰动适度加大田间光照变化大随机缩放范围放宽到 0.5~1.5。旋转要谨慎因为虫体朝向在真实场景里不会任意旋转大角度旋转反而引入噪声。下面是一段 YOLO 训练时覆盖增强参数的写法yolo detect train \ datadatasets/rice_pest/data.yaml \ modelyolov8s.pt \ epochs200 imgsz960 batch8 \ mosaic1.0 mixup0.05 \ hsv_h0.02 hsv_s0.8 hsv_v0.5 \ scale0.5 degrees10.0 \ projectruns/rice_pest nameaug_v2逻辑说明hsv_s0.8加大饱和度扰动模拟不同光照scale0.5让目标尺寸变化更丰富degrees10.0只做小角度旋转。参数不是越猛越好每加一项都该在验证集上看是否真的涨点。5.2 模型选型n/s/m 怎么选什么时候上更大输入模型参数量级适用场景显存参考(960)yolov8n最小快速验证、边缘设备约 6Gyolov8s小精度与速度平衡推荐首选约 10Gyolov8m中数据量足、追求精度约 16G选型逻辑数据量少于 2000 张时大模型容易过拟合n/s 更稳数据上万再考虑 m。输入尺寸对小目标的影响通常比模型大小更明显先把imgsz提上去再考虑换大模型。5.3 上线前的三类验证第一跨场景验证留一块没参与训练的田块做测试看 mAP 掉多少掉超过 20 个点说明泛化不够。第二置信度阈值扫描把阈值从 0.1 到 0.9 扫一遍画出精确率-召回曲线按业务需求定阈值——植保场景通常宁可误检也别漏检阈值可以压低。第三速度测试在目标硬件上测单张推理耗时别只在服务器 GPU 上测边缘设备上 960 输入可能跑不动必要时回退到 640 或做模型量化。我自己的习惯是任何数据集在正式投入前先花半天把上面这套流程走一遍尤其是跨场景验证和阈值扫描这两步能挡掉大部分「实验室很美、田间很惨」的翻车。水稻害虫检测没有银弹数据质量和场景覆盖才是天花板。希望帮到你。本文还有配套的精品资源点击获取