企业官网建设流程全解析

简介：面向小麦叶片病害识别场景的YOLOV5分类实战资源包，包含完整可运行代码、标注数据集与训练好的权重参数，适合有一定深度学习基础、希望快速落地YOLOV5分类任务的学习者，也可用于农业病害检测项目的前期验证。整个压缩包为7z格式，整体265.15MB，解压后共2000个文件，核心是1866张jpg病害样本图像，另有51个yaml配置、51个py训练/推理脚本、sh启动脚本及ipynb示例，按datasets目录摆放即可开始训练。预训练模型仅10个epoch，top1准确率已达0.93以上，说明网络尚未收敛，加大轮次可进一步提升性能；配套的权重和脚本让用户无需从零调参即可复现并继续优化。目前已有198人学习下载，素材组织清晰，适合课程设计、毕业设计或实际农业场景的快速原型开发。

1. 7种小麦叶病害，YOLOV5分类模式为什么够用

小麦叶片病害识别，不少方案一上来就套检测框，这份资源里走的是另一条路：用 YOLOV5 自带的分类模式，输入整张叶片图，网络直接输出 7 个类别的概率，取 top1 作为识别结果。实测只训练 10 个 epoch，top1 准确率就过了 0.93，而且这个数字是在学习率还没走完 OneCycle 升温段、网络远未收敛时拿到的，可见 ImageNet 预训练主干对叶片纹理的迁移收益相当大。项目总大小 300MB，代码、数据集、训练好的权重都齐了，里面还附了 tutorial.ipynb 教程文件，拿到手能直接跑。它适合大田巡检初筛、农业系统图片归档、检测任务前置分类这三类场景。与检测模式不同，分类模式不需要一个一个画框，数据组织就是「一个类别一个文件夹」，上手成本低很多，但真要把 0.93 的结果稳定复现出来，数据集目录怎么摆、hyp 里动哪几个参数、评估时看哪些指标，还是有不少细节值得抠。

2. 从散图到 ImageFolder：datasets 目录的摆法

2.1 分类模式只认目录，不认标注文件

YOLOV5 的分类训练入口是 classify/train.py，它和检测模式最大的差异在于：不使用 YOLO 格式的 .txt 标注文件。数据加载走的是 ImageFolder 约定，根目录下按 train、valid、test 三个子目录组织，每个子目录内再按类别建文件夹，图片就放在类别文件夹下。对这份资源来说，拿到手的是 Roboflow 导出的一批散图，文件名是下面的风格：

datasets/wheat_leaf/ ├── train/ │ ├── hispa/ # 文件名第一段作为类别 │ ├── shape/ │ └── flower/ ├── valid/ └── test/

三个目录在分类任务里的分工比检测更明确：train 负责更新权重，valid 参与每个 epoch 的评估并决定 best.pt，test 只在全部训练结束后跑一次。表里列了常见的错法。

这份资源的图片命名是这种风格：Hispa-112-_jpg.rf.9262afd3...jpg、shape-433-_jpg.rf.56390ea7...jpg、flower_0022_jpg.rf...jpg。看到_jpg.rf.基本可以断定是 Roboflow 导出时生成的，类别信息就藏在最前面的第一段。写一个一次性整理脚本，先把散图按类别复制到photos/类别名/下：

import re, shutil from pathlib import Path src = Path('raw_images') # 原始散图目录，按你的解压路径改 dst = Path('datasets/wheat_leaf/photos') def extract_label(name: str) -> str: # 开头连续字母数字，遇到 - 或 _ 即截断 m = re.match(r'^([A-Za-z0-9]+)[-_]', name) return m.group(1) if m else 'unknown' for img in src.glob('*.jpg'): label = extract_label(img.name).lower() # 统一小写，避免 Linux 下分两类 out_dir = dst / label out_dir.mkdir(parents=True, exist_ok=True) shutil.copy(img, out_dir / img.name)

正则^([A-Za-z0-9]+)[-_]只取文件名最开头的连续字母数字段，Hispa-112-...取到 Hispa，flower_0022...取到 flower。这里做了lower()是因为 Linux 文件系统区分大小写，Hispa 和 hispa 会被识别成两个类，小麦病害所有类名统一小写最省事。脚本用 copy 而不是 move，先确认统计数量对得上，再删原始文件，避免整理出错后没法恢复。如果从 Roboflow 直接导出，可以选 Folder 格式让它自动分好 train/valid/test 和类别文件夹，这个脚本只在拿到散图时用。

2.2 按 8:1:1 划分并保持每个类别的分布

照片归好类别之后，要拆成 train、valid、test 三份。拆分时最容易犯的错是全局 shuffle 之后再切：如果某个类别只有 30 张图，全局乱序后 valid 里可能只剩 2 张，评估结果方差会很大。正确做法是逐类 shuffle，再按比例切分：

import random, shutil from pathlib import Path random.seed(42) root = Path('datasets/wheat_leaf/photos') out = Path('datasets/wheat_leaf') ratios = (0.8, 0.1, 0.1) for cls_dir in root.iterdir(): if not cls_dir.is_dir(): continue images = list(cls_dir.glob('*.jpg')) random.shuffle(images) n1 = int(len(images) * ratios[0]) n2 = int(len(images) * (ratios[0] + ratios[1])) for split, chunk in zip( ('train', 'valid', 'test'), (images[:n1], images[n1:n2], images[n2:])): target = out / split / cls_dir.name target.mkdir(parents=True, exist_ok=True) for f in chunk: shutil.copy(f, target / f.name)

random.seed(42)是为了复现同一份划分，后面调参时如果发现某个类别一直表现差，先确认训练集里它的样本量，而不是怀疑网络结构。检查各类数量一条命令就行：

find datasets/wheat_leaf/train -mindepth 2 -type f | awk -F/ '{print $(NF-1)}' | sort | uniq -c

看到某个类别只有个位数时，优先做类别加权采样，或者给这个类单独补离线增强，比如水平翻转、随机裁剪。分类模式下 YOLOV5 对每类样本量的要求不算高，但 10 个 epoch 的短训练尤其怕冷门类样本太少，预训练先验容易把这一类带偏。

3. 训练命令与超参数：10 个 epoch 怎么稳定复现 0.93+

3.1 最小可复现命令

数据集摆好后，用 YOLOV5 训练自己的数据集，核心动作就一条命令。环境上按官方 requirements.txt 装好 PyTorch 和 torchvision 就够，classify 入口不需要额外依赖：

python classify/train.py \ --model yolov5s-cls.pt \ --data datasets/wheat_leaf \ --epochs 10 \ --img-size 224 \ --batch-size 32 \ --name wheat_leaf_exp1

参数里最关键的是--model yolov5s-cls.pt，这是官方在 ImageNet 上预训练过的分类权重，第一次运行会自动下载。没有它，或者下载失败时换成yolov5s-cls.yaml从零开始，但 10 个 epoch 远拿不到 0.93，因为叶片病斑的纹理先验全丢了。--data指向上一章搭的 datasets/wheat_leaf 根目录，脚本会自动找 train、valid 子目录。--img-size用 224，这是分类模式默认分辨率，原图很大时提高 288 会有收益，但 10 个 epoch 的短训里，把精力花在分辨率上不如多跑几个 epoch。

训练产物在runs/train-cls/wheat_leaf_exp1/，weights 目录里存 best.pt 和 last.pt，results.csv 是逐 epoch 的指标。默认学习率 0.01，配合 OneCycle 调度，前几个 epoch 实际上还在预热阶段，所以 top1 到第 8～10 个 epoch 还在涨是正常现象，不代表代码有问题。

3.2 超参数表：这次真正值得动的几项

classify/train.py 默认读data/hyps/hyp.scratch-low.yaml，里面很多字段是检测头用的，分类任务真正敏感的项不多，整理成表：

最容易踩的是 warmup_epochs。官方默认 3.0 是给 100～300 轮长训练设计的，10 轮短训里它占掉近三分之一，真正高速学习只剩后面几轮。改成 1.0 后，同样的 10 个 epoch，top1 通常能再涨 1～2 个点。改超参的常规做法是复制一个自己的 hyp 文件，只动这几项，再通过--hyp传进去：

python classify/train.py \ --model yolov5s-cls.pt \ --data datasets/wheat_leaf \ --epochs 10 --batch-size 32 \ --hyp hyp.wheat_leaf.yaml \ --label-smoothing 0.1 \ --name wheat_leaf_exp2

分类损失函数默认走带 label_smoothing 的交叉熵，0.1 的平滑系数在 7 类小数据集上建议保留，它把 one-hot 目标换成软标签，能明显抑制对训练集的过度自信。注意 YOLOV5 的 classify 入口和检测入口参数不完全一样，与其在命令行反复试覆盖项，不如直接改 hyp 文件，保证每次实验命令一致。

提示：10 轮短训性价比最高的一步是把 warmup_epochs 从 3.0 降到 1.0，其余超参先保持默认。

3.3 显存边界和收敛边界

224 分辨率下 batch-size 32 大约占 6～8 GB 显存。显存小于 6 GB 就把 batch-size 降到 16，同时把数据读取线程--workers调到 4 以内，否则 CPU 读图会成为瓶颈。另一个边界是类别数：classify 要求至少两个类别文件夹，如果--data指向了 datasets 根目录而不是 wheat_leaf 子目录，报错信息里会出现 train 目录不存在，顺着路径检查就能定位。

4. Top-1 0.93 背后的评估逻辑：先看混淆矩阵再看收敛

4.1 训练产物里先看哪几个文件

训练结束后第一件事不是打开权重，而是看runs/train-cls/wheat_leaf_exp1/results.csv。每一行是一个 epoch，包含 train_loss、test_loss、metrics/accuracy_top1、metrics/accuracy_top5 几列。注意这里的 test_loss 实际是 valid 集合上的结果。如果出现 train 的 top1 很高、valid 明显跟不上的情况，说明预训练先验还撑着，但模型已经开始记忆训练集，此时加数据增强比改结构更有效。

用官方评估脚本跑一遍 valid：

python classify/val.py \ --weights runs/train-cls/wheat_leaf_exp1/weights/best.pt \ --data datasets/wheat_leaf \ --img-size 224 \ --name val_exp1

输出会打印每个类别的 top1 和总体 top1，并把混淆矩阵图写到runs/val-cls/val_exp1/confusion_matrix.png。只看总体 top1 容易被多数类掩盖问题，比如某个冷门类只有十几张图，per-class top1 掉到 0.6，但对总体 0.93 几乎没影响。

4.2 混淆矩阵怎么看：先找对角线的缺口

打开 confusion_matrix.png 先看对角线：哪个类别的值明显低于其他类别，哪个就是当前模型的短板。再看这个类别的行方向，概率落到了谁头上，两类大概率视觉上很像。叶部病害里最常见的是同一叶片上早期和晚期病斑并存，模型倾向于把晚期样本归到早期类，这种混淆靠调学习率解决不了，要么补数据，要么考虑合并类别。可以按下面的顺序检查：

如果觉得内置矩阵图不够细，classify/val.py 还会把标签和预测的 tensor 写到输出目录，直接用 sklearn 出逐类 report：

import torch from sklearn.metrics import classification_report labels = torch.load('runs/val-cls/val_exp1/labels.pt') preds = torch.load('runs/val-cls/val_exp1/preds.pt') class_names = [...] # 与 train 目录类名字母序一致 print(classification_report(labels.numpy(), preds.numpy(), target_names=class_names))

这里唯一的坑是类别编号：ImageFolder 按类名字母序编号，跟数据目录里的展示顺序不一定一致，class_names 要以训练日志或数据集的 classes 属性为准。report 里单个类别的 precision、recall、f1 比 top1 更能说明问题：recall 低是漏检，precision 低是误报，业务上两个的代价完全不同。

4.3 top1 0.93 够不够用取决于错误长在哪

素材里说「10 个 epoch 网络还没收敛」，对应的现象就是 results.csv 最后几行 top1 还在往上走，test_loss 也没有进入平台期。这时候继续加 epoch 就好，不用调结构。但 0.93 的 top1 意味着大约每 15 张错 1 张，拿去做施药决策显然不够，做图片归档和初筛则可以接受。关键是把那 7% 的错误集中在哪几个类别上搞清楚，而不是盯着平均值自我安抚。

5. 批量推理与导出的排错顺序

5.1 官方 predict 与类别映射

分类权重跑批量预测，一条命令：

python classify/predict.py \ --weights runs/train-cls/wheat_leaf_exp1/weights/best.pt \ --source data/leaf_images \ --img-size 224 \ --name batch_infer

结果写到runs/predict-cls/batch_infer，每张图带预测标签输出。source 传目录会递归子目录，传单图只处理一张。批量跑之前先挑 20 张肉眼核对，同时把类别 id 和名称映射存成 JSON 放在权重旁边：

{"0": "hisa", "1": "shape", "2": "flower"}

业务系统直接读这份映射，id 顺序与训练时类名字母序一致，导出前后都不要改目录结构。

5.2 导出 ONNX 并用 onnxruntime 推理

分类权重脱离 PyTorch 部署时先导出：

python export.py \ --weights runs/train-cls/wheat_leaf_exp1/weights/best.pt \ --include onnx \ --img-size 224

onnx 输入是 1×3×224×224、归一化到 [0,1] 的 RGB 张量，输出 1×7 logits：

import cv2, numpy as np, onnxruntime as ort names = ["hisa", "shape", "flower"] # 从 json 读，别手写 img = cv2.imread("leaf.jpg") img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = cv2.resize(img, (224, 224)).astype(np.float32) / 255.0 img = np.transpose(img, (2, 0, 1))[None] sess = ort.InferenceSession("best.onnx") out = sess.run(None, {sess.get_inputs()[0].name: img})[0] idx = int(out[0].argmax()) print(names[idx], float(out[0][idx]))

出问题按三个顺序查：先查 RGB/BGR 顺序，反了会导致结果集中到少数类别；再查归一化，YOLOV5 分类导出默认 0-1，不是 ImageNet 的 mean/std；最后查类别顺序，onnx 输出下标与训练时类名字母序对齐。上线后可以把这套权重当检测前置：先筛掉健康叶片，疑似病叶再送检测模型，在 Jetson 这类边缘设备上能省掉大量无效推理。

本文还有配套的精品资源，点击获取