简介面向农林业害虫监测与深度学习目标检测场景提供一套基于YOLOv8的美国白蛾识别与计数项目资源包含可直接运行的Python源码、带标注的图片数据集、模型配置和详细说明文档。系统能对诱捕器实时画面中的白蛾进行位置标注区分幼虫与成虫并自动统计数量适合农业信息化开发者、算法研究者和相关专业学生参考。压缩包内共2000个文件以1226个XML标注文件和752个TXT标签文件为主体另有YAML模型配置、Python脚本、Markdown技术文档和PPTX汇报材料整体大小约123.14MB目录按数据、训练、文档等模块划分清晰。当前已有56人学习下载资源覆盖从数据集整理、YOLOv8配置训练到结果推理输出的完整流程可帮助读者快速掌握密集场景下白蛾目标检测、虫态分类与数量统计的具体实现思路可作为可复现的害虫智能监测方案。1. 用YOLOv8做美图白蛾识别先想清楚这四件事美图白蛾通常也叫美国白蛾是林业和农业上的重点监测对象幼虫啃食叶片成虫扩散能力强。光靠肉眼巡视效率太低用目标检测模型自动找位置、区分阶段、数数量是植保智能监测里最直接的一条落地路径。YOLOv8是Ultralytics开源的检测框架训练代码、预训练权重和推理接口都封装得很干净改一改数据配置就能跑通“基于YOLOv8深度学习的美图白蛾识别项目”。这里不打算复述官方文档而是把从数据集整理、标注格式转换、YOLOv8训练参数到推理时统计白蛾数量的完整流程拆开讲。你会看到一张图片怎么从原始样本变成模型输出也会看到幼虫/成虫分类和数量统计里的那些隐性坑。适合正在做害虫识别、目标计数或农业视觉项目的工程师也适合想用YOLOv8训练自己数据集并部署的开发者。2. 白蛾数据集怎么准备标注格式与类别划分YOLOv8训练自己的数据集最难的不是模型而是把样本整理成Ultralytics能直接读取的格式。我见过不少新手把图片放进文件夹就跑yolo命令结果loss不降、类别全是错的。数据集的标注质量、类别定义、目录结构三层缺一不可。2.1 白蛾数据集的来源与整理数据集首先要有足够的正样本。这里说的“足够”不是图片数量而是目标实例数量。幼虫期和成虫期外观差异大建议按阶段分别收集。幼虫通常是黑色或黄褐色毛虫成虫是白色翅蛾背景要覆盖叶片、树干、诱虫灯、白板和不同光照。如果图片里全部是特写模型到野外就容易漏检。收集后做一次清洗删除三类图一是目标区域小于32×32像素的YOLOv8在640分辨率下很难学到小目标特征二是严重过曝或失焦的三是完全重复的帧。剩下图片按7:2:1划分为train/val/test并保证同一场景的连续帧不要同时出现在训练和验证集中否则验证集指标会虚高。清理完成后统计每个类别实例数。如果两类严重不平衡比如幼虫3000张、成虫300张优先做数据增强而不是直接去掉幼虫图。后续训练时建议开启mosaic和fliplr增强但要注意翻转会影响带文字或方向性的样本白蛾类目标没有这个问题可以放心用。2.2 用LabelImg标注并转成YOLO格式标注工具常见的有LabelImg、labelme和CVAT。我一般用LabelImg因为它能直接导出Pascal VOC XML再通过脚本转换成YOLO格式。标注时每个白蛾只画一个外接矩形要求框贴合目标不要把叶片卷曲的大片区域都框进去。幼虫聚集时如果个体边界不清宁可不标也不要标成一个大框否则数量统计和分类都会受影响。LabelImg默认保存为XML包含xmin、ymin、xmax、ymax和name。YOLO训练读取的是TXT文件每行格式为“类别id 中心点x 中心点y 宽度 高度”所有坐标均归一化到0~1。下面这个脚本可以把XML批量转换成YOLO格式import xml.etree.ElementTree as ET import os classes [larva, adult] # 顺序很重要与模型输出ID一一对应 def convert_xml_to_yolo(xml_path, txt_path, img_width, img_height): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text if name not in classes: continue cls_id classes.index(name) box obj.find(bndbox) xmin int(box.find(xmin).text) ymin int(box.find(ymin).text) xmax int(box.find(xmax).text) ymax int(box.find(ymax).text) x_center (xmin xmax) / 2 / img_width y_center (ymin ymax) / 2 / img_height w (xmax - xmin) / img_width h (ymax - ymin) / img_height lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(txt_path, w) as f: f.write(\n.join(lines))这段代码先把类名映射成数字ID。因为YOLO不认字符串类别ID从0开始。中心点坐标和宽高全部除以图片宽高让数据分布落在0~1之间这样不同分辨率图片在统一尺寸下训练时不会产生坐标系偏移。注意归一化如果写错训练时会报“Label shape mismatch”或损失变成nan。转换完成后检查生成的TXT是否有空文件。空TXT意味着图片里没有任何有效目标这种图片最好直接删除否则训练时会产生无意义的损失计算。另外所有TXT文件名必须和对应图片名完全一致包括路径层级。2.3 类别与模型输出的对应关系YOLOv8数据配置文件中的names列表必须和标注时的类别顺序完全一致。网上很多“白蛾识别”项目代码里把类别写成0、1但names却反了导致推理时幼虫和成虫互换。我把本项目里的类别对应关系整理成表类别ID标注名称含义0larva美图白蛾幼虫1adult美图白蛾成虫实际项目里如果还想区分蛹可以追加类别例如增加“pupa”作为ID 2。但类别越多每类需要的样本量越大训练难度也越高。对于标题里的幼虫/成虫二分类任务保持两类即可。有人会问为什么不先检测“白蛾”再用分类模型分阶段那样链路长且位置误差会累积直接用YOLOv8做端到端多分类检测更稳部署时也只需要一个模型文件。3. 基于YOLOv8的白蛾检测模型训练模型训练是整个项目的核心。数据集准备好之后用Ultralytics官方源码可以直接开始训练。这里先讲怎么选模型再给最小训练命令最后讲如何从损失曲线判断训练是否正常以及C2f结构带来的改进空间。3.1 选哪个YOLOv8模型n/s/m/l/x与算力匹配YOLOv8同一套结构提供n、s、m、l、x五个尺度结构相同但深度和宽度不同。选型主要看你的机器和部署目标。模型参数量训练显存batch16, imgsz640适用场景yolov8n约3.2M4GB左右边缘设备、实时摄像头yolov8s约11.2M6GB左右一般PC、中等精度yolov8m约25.9M10GB左右服务器、追求高精度yolov8l/x更大16GB以上复杂多类别场景如果你手里是GTX1660Ti6GB显存用yolov8n或yolov8s都能跑。需要用到GPU吗我的建议是能开GPU就开GPUCPU也能训练但速度慢几十倍。比如100个epoch、500张图片CPU可能要跑一晚上GPU一小时就完事。如果没有GPU可以调小batch和imgsz但不能把batch降到1以下否则BatchNorm层统计不稳定。3.2 用命令行跑通YOLOv8训练的最小命令Ultralytics把训练封装成了yolo命令行工具不需要自己写训练循环。最小命令如下yolo detect train \ datawhite_moth.yaml \ modelyolov8n.pt \ epochs100 \ batch16 \ imgsz640 \ patience20 \ projectwhite_moth_runs \ nameexp1这个命令把yolov8n.pt作为预训练权重加载而不是从零开始。COCO预训练权重里的浅层特征边缘、纹理、色彩可以直接迁移到白蛾检测上收敛速度和最终精度都比随机初始化好得多。epochs设为100配合patience20表示验证集mAP连续20轮不提升就早停。batch16在6GB显存下刚好如果显存不足就降到8并用workers4控制数据加载进程数。3.3 数据配置文件怎么写数据集路径在YAML里定义。训练前一定要确认path的写法train/val/test是相对path的目录。path: /home/user/white_moth_dataset train: images/train val: images/val test: images/test nc: 2 names: 0: larva 1: adultUltralytics会自动去对应目录找图片并在同级的labels目录下找标签。也就是说images/train对应的标签目录是labels/train结构不能错。很多人报“found 0 images”就是目录结构错位。nc可以不写Ultralytics会根据names长度自动推断。注意YAML里的路径不要用Windows反斜杠统一用正斜杠否则在Linux服务器上会报路径不存在。3.4 训练中必看的损失曲线与troubleshooting训练开始后project/name目录下会生成results.csv和results.png。里面的关键指标有train/box_loss、val/box_loss、metrics/precision、metrics/recall和mAP50。损失曲线用脚本画出来更直观import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(white_moth_runs/exp1/results.csv) fig, ax plt.subplots(1, 2, figsize(12, 4)) ax[0].plot(df[epoch], df[train/box_loss], labeltrain/box_loss) ax[0].plot(df[epoch], df[val/box_loss], labelval/box_loss) ax[0].set_xlabel(epoch) ax[0].set_ylabel(box_loss) ax[0].legend() ax[1].plot(df[epoch], df[metrics/mAP50(B)], labelmAP50) ax[1].set_xlabel(epoch) ax[1].set_ylabel(mAP50) ax[1].legend() plt.tight_layout() plt.savefig(loss_curve.png)正常训练下train/box_loss持续下降val/box_loss先降后平两者差距不大。如果val_loss早早反弹而train_loss还在降那就是过拟合把epochs调低或增加数据增强。如果两个loss从头到尾都降不下去第一检查标签坐标有没有越界第二检查类别ID是否从0开始第三降低lr0到0.001看看。训练中断时给命令加resumeTrue可以恢复到上次epoch继续训练。3.5 YOLOv8模型结构中的C2f和常见改进方向YOLOv8的基本模块是C2f它把输入特征图拆成两条路径再融合梯度回传更丰富也让模型在不大幅增加参数的前提下保持信息流。很多人问yolov8模型结构中c2f到底改了啥简单说就是比YOLOv5的C3多了更多shortcut分支特征复用更彻底。对于美图白蛾这种类内差异大的任务C2f已经够用。如果发现验证集mAP卡在80%以下除了换更大的yolov8m还可以做两件事一是把backbone换成更轻量的efficientViT或用C2f-EMA替代颈部C2f二是给检测头加入全局注意力。这些属于yolov8改进的热门方向。但我建议先处理数据质量清理100张误标图往往比改进一个模块更有效。4. 白蛾识别推理与幼虫/成虫分类、数量统计训练完的模型需要回到业务目标标注白蛾位置、识别幼虫或成虫、统计白蛾数量。这三个任务在单张图片里用同一个检测模型就能完成不需要额外训练分类器。接下来按推理、分类、计数三个阶段讲。4.1 用训练好的权重做单张图片推理Ultralytics的Python接口非常简洁三行代码就能加载模型并输出结果from ultralytics import YOLO model YOLO(white_moth_runs/exp1/weights/best.pt) results model.predict(field_photo.jpg, conf0.25, iou0.45)conf参数控制置信度阈值低于0.25的检测会被过滤。iou0.45控制NMS的IoU阈值同一只白蛾被重复框出时NMS会把重叠框去掉。推理后的results[0]是个结果对象results[0].boxes里保存了所有检测框、类别和置信度。逐框取出坐标的写法如下boxes results[0].boxes for i in range(len(boxes)): x1, y1, x2, y2 boxes.xyxy[i].tolist() conf float(boxes.conf[i]) cls_id int(boxes.cls[i]) label model.names[cls_id] print(f{label}: conf{conf:.2f}, box({x1:.0f},{y1:.0f},{x2:.0f},{y2:.0f}))这样每只白蛾的位置就拿到了。xyxy是左上角与右下角坐标适合画框。如果做部署替换成boxes.xywhn获得归一化中心点坐标更接近标签格式。4.2 幼虫与成虫的判定逻辑最直接的判定逻辑就是读取模型输出的类别。YOLOv8已经学习了两类的视觉差异幼虫体色深、多毛且体型细长成虫翅白色、有光泽背面可见斑纹。当一张图片里有虫态过渡期的个体时模型可能会在两类间摇摆这时需要业务规则兜底。常见做法是结合置信度和面积如果adult的置信度低于阈值且框的宽高比大于2:1就倾向判为幼虫。因为幼虫身体更细长成虫翅展开接近方形。不过这种规则只适合作为后置过滤不能替代模型分类。真正要提高分类准确率是在训练集里增加过渡态样本并标注为“幼虫”或“成虫”二选一模型才有明确边界。4.3 统计白蛾数量的两种方式总框数和按类别计数统计白蛾数量有两种口径区域总数和分类数量。区域总数直接统计检测框个数分类数量则用类别ID分组。用Python实现from collections import Counter boxes results[0].boxes total_count len(boxes) labels [model.names[int(cls)] for cls in boxes.cls] class_count Counter(labels) print(f总数量: {total_count}) print(f幼虫数: {class_count.get(larva, 0)}成虫数: {class_count.get(adult, 0)})当图片里白蛾密集时计数结果受conf和iou影响很大。conf调低容易误检调高会漏掉远处的小目标。实际项目中我通常对同一张图跑两次一次conf0.3用于“肯定识别”一次conf0.15用于“疑似识别”然后人工核对疑似区域。这个策略在植保计数场景下比单纯调阈值更实用。4.4 野外相机和摄像头场景下的重复计数问题如果只是单张图片统计不会有重复问题。但做成实时监测时同一只白蛾会出现在连续帧中每帧都计数就会严重高估。网上有人讨论“运动的物体经过摄像头只识别一次yolov8 seg”这正说明单帧检测和时序跟踪是两码事。计数方式适用场景是否去重单图计数离线分析一批照片否逐帧计数视频流粗略估计否跟踪计数实时监测穿越画面是要在视频流中只统计一次必须引入目标跟踪器。YOLOv8官方扩展里集成了ByteTrack原理是给每个检测框分配Track ID同一条轨迹的ID不重复计数。实现上可以用model.track()传入视频帧拿到稳定ID后再对ID集合去重。更进一步可以用BoT-SORT处理遮挡代价是推理速度略降。如果你只需要离线分析一批图片用4.3节的方式单图计数后求和即可。5. 白蛾识别模型的验证与部署技巧这一章讲两个方法验证幼虫/成虫分类是否可靠以及如何把模型导出成ONNX部署到边缘设备。这两件事属于项目交付前必须补上的环节。5.1 用混淆矩阵和PR曲线验证幼虫/成虫分类训练结束后不要只看mAP。用命令单独跑一次验证集yolo detect val modelwhite_moth_runs/exp1/weights/best.pt datawhite_moth.yaml运行完成后查看验证目录下的confusion_matrix.png它直接告诉你幼虫被错判成成虫的比例、成虫漏检的比例。如果混淆矩阵上幼虫→成虫的错误率高于10%说明两类特征区分不足优先补数据。再看PR_curve.png横轴Recall纵轴Precision曲线越靠近右上角越好。实际业务中更关心Precision因为误报会让植保人员白跑一趟所以推理时要适当提高conf。5.2 白蛾数量统计的误差修正统计误差有两个来源小目标漏检和背景误检。小目标指的是白蛾在图像中占用面积太小比如远距离监控画面。可以在推理前对图像做切片推理把大图切成512x512重叠块再合并结果这样能显著提升小目标召回但推理时间变长。背景误检则可以通过过滤预测框的宽高比来修正。白蛾成虫展翅后框接近正方形幼虫框偏长如果野外有昆虫陷阱或小石块被误检为幼虫可以加一个像素面积阈值boxes results[0].boxes area (boxes.xyxy[:, 2] - boxes.xyxy[:, 0]) * (boxes.xyxy[:, 3] - boxes.xyxy[:, 1]) mask area 200 valid_boxes boxes[mask] print(len(valid_boxes))这里的阈值200像素是在640分辨率下调试出来的不同相机的视场距离下要重新标定。批量标定时可以先统计一批误检框的面积分布再取分位数作为阈值。5.3 导出为ONNX并在边缘设备部署模型不能总依赖Python环境部署到Jetson或RK3588这类边缘设备时ONNX是通用性最好的中间格式。用官方导出命令即可yolo export modelwhite_moth_runs/exp1/weights/best.pt formatonnx imgsz640 opset12导出后会生成best.onnx。后续用onnxruntime加载时注意ONNX输出格式和PyTorch不同是[1, 84, 8400]这样的矩阵需要自己解析坐标和类别。Ultralytics官方也提供了YOLO(best.onnx)接口可以继续用高层次的predict方法只是推理引擎换成了ONNXRuntime。对要求更低延迟的场景可以进一步转TensorRT但量化时容易掉精度要在验证集上重新评估mAP。这一步适合做边缘盒子实时计数配合面积过滤和跟踪逻辑白蛾识别、阶段分类和数量统计就都能稳定工作了。本文还有配套的精品资源点击获取 基于YOLOv8的美目白蛾识别与计数：从数据标注到部署实战
简介面向农林业害虫监测与深度学习目标检测场景提供一套基于YOLOv8的美国白蛾识别与计数项目资源包含可直接运行的Python源码、带标注的图片数据集、模型配置和详细说明文档。系统能对诱捕器实时画面中的白蛾进行位置标注区分幼虫与成虫并自动统计数量适合农业信息化开发者、算法研究者和相关专业学生参考。压缩包内共2000个文件以1226个XML标注文件和752个TXT标签文件为主体另有YAML模型配置、Python脚本、Markdown技术文档和PPTX汇报材料整体大小约123.14MB目录按数据、训练、文档等模块划分清晰。当前已有56人学习下载资源覆盖从数据集整理、YOLOv8配置训练到结果推理输出的完整流程可帮助读者快速掌握密集场景下白蛾目标检测、虫态分类与数量统计的具体实现思路可作为可复现的害虫智能监测方案。1. 用YOLOv8做美图白蛾识别先想清楚这四件事美图白蛾通常也叫美国白蛾是林业和农业上的重点监测对象幼虫啃食叶片成虫扩散能力强。光靠肉眼巡视效率太低用目标检测模型自动找位置、区分阶段、数数量是植保智能监测里最直接的一条落地路径。YOLOv8是Ultralytics开源的检测框架训练代码、预训练权重和推理接口都封装得很干净改一改数据配置就能跑通“基于YOLOv8深度学习的美图白蛾识别项目”。这里不打算复述官方文档而是把从数据集整理、标注格式转换、YOLOv8训练参数到推理时统计白蛾数量的完整流程拆开讲。你会看到一张图片怎么从原始样本变成模型输出也会看到幼虫/成虫分类和数量统计里的那些隐性坑。适合正在做害虫识别、目标计数或农业视觉项目的工程师也适合想用YOLOv8训练自己数据集并部署的开发者。2. 白蛾数据集怎么准备标注格式与类别划分YOLOv8训练自己的数据集最难的不是模型而是把样本整理成Ultralytics能直接读取的格式。我见过不少新手把图片放进文件夹就跑yolo命令结果loss不降、类别全是错的。数据集的标注质量、类别定义、目录结构三层缺一不可。2.1 白蛾数据集的来源与整理数据集首先要有足够的正样本。这里说的“足够”不是图片数量而是目标实例数量。幼虫期和成虫期外观差异大建议按阶段分别收集。幼虫通常是黑色或黄褐色毛虫成虫是白色翅蛾背景要覆盖叶片、树干、诱虫灯、白板和不同光照。如果图片里全部是特写模型到野外就容易漏检。收集后做一次清洗删除三类图一是目标区域小于32×32像素的YOLOv8在640分辨率下很难学到小目标特征二是严重过曝或失焦的三是完全重复的帧。剩下图片按7:2:1划分为train/val/test并保证同一场景的连续帧不要同时出现在训练和验证集中否则验证集指标会虚高。清理完成后统计每个类别实例数。如果两类严重不平衡比如幼虫3000张、成虫300张优先做数据增强而不是直接去掉幼虫图。后续训练时建议开启mosaic和fliplr增强但要注意翻转会影响带文字或方向性的样本白蛾类目标没有这个问题可以放心用。2.2 用LabelImg标注并转成YOLO格式标注工具常见的有LabelImg、labelme和CVAT。我一般用LabelImg因为它能直接导出Pascal VOC XML再通过脚本转换成YOLO格式。标注时每个白蛾只画一个外接矩形要求框贴合目标不要把叶片卷曲的大片区域都框进去。幼虫聚集时如果个体边界不清宁可不标也不要标成一个大框否则数量统计和分类都会受影响。LabelImg默认保存为XML包含xmin、ymin、xmax、ymax和name。YOLO训练读取的是TXT文件每行格式为“类别id 中心点x 中心点y 宽度 高度”所有坐标均归一化到0~1。下面这个脚本可以把XML批量转换成YOLO格式import xml.etree.ElementTree as ET import os classes [larva, adult] # 顺序很重要与模型输出ID一一对应 def convert_xml_to_yolo(xml_path, txt_path, img_width, img_height): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text if name not in classes: continue cls_id classes.index(name) box obj.find(bndbox) xmin int(box.find(xmin).text) ymin int(box.find(ymin).text) xmax int(box.find(xmax).text) ymax int(box.find(ymax).text) x_center (xmin xmax) / 2 / img_width y_center (ymin ymax) / 2 / img_height w (xmax - xmin) / img_width h (ymax - ymin) / img_height lines.append(f{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(txt_path, w) as f: f.write(\n.join(lines))这段代码先把类名映射成数字ID。因为YOLO不认字符串类别ID从0开始。中心点坐标和宽高全部除以图片宽高让数据分布落在0~1之间这样不同分辨率图片在统一尺寸下训练时不会产生坐标系偏移。注意归一化如果写错训练时会报“Label shape mismatch”或损失变成nan。转换完成后检查生成的TXT是否有空文件。空TXT意味着图片里没有任何有效目标这种图片最好直接删除否则训练时会产生无意义的损失计算。另外所有TXT文件名必须和对应图片名完全一致包括路径层级。2.3 类别与模型输出的对应关系YOLOv8数据配置文件中的names列表必须和标注时的类别顺序完全一致。网上很多“白蛾识别”项目代码里把类别写成0、1但names却反了导致推理时幼虫和成虫互换。我把本项目里的类别对应关系整理成表类别ID标注名称含义0larva美图白蛾幼虫1adult美图白蛾成虫实际项目里如果还想区分蛹可以追加类别例如增加“pupa”作为ID 2。但类别越多每类需要的样本量越大训练难度也越高。对于标题里的幼虫/成虫二分类任务保持两类即可。有人会问为什么不先检测“白蛾”再用分类模型分阶段那样链路长且位置误差会累积直接用YOLOv8做端到端多分类检测更稳部署时也只需要一个模型文件。3. 基于YOLOv8的白蛾检测模型训练模型训练是整个项目的核心。数据集准备好之后用Ultralytics官方源码可以直接开始训练。这里先讲怎么选模型再给最小训练命令最后讲如何从损失曲线判断训练是否正常以及C2f结构带来的改进空间。3.1 选哪个YOLOv8模型n/s/m/l/x与算力匹配YOLOv8同一套结构提供n、s、m、l、x五个尺度结构相同但深度和宽度不同。选型主要看你的机器和部署目标。模型参数量训练显存batch16, imgsz640适用场景yolov8n约3.2M4GB左右边缘设备、实时摄像头yolov8s约11.2M6GB左右一般PC、中等精度yolov8m约25.9M10GB左右服务器、追求高精度yolov8l/x更大16GB以上复杂多类别场景如果你手里是GTX1660Ti6GB显存用yolov8n或yolov8s都能跑。需要用到GPU吗我的建议是能开GPU就开GPUCPU也能训练但速度慢几十倍。比如100个epoch、500张图片CPU可能要跑一晚上GPU一小时就完事。如果没有GPU可以调小batch和imgsz但不能把batch降到1以下否则BatchNorm层统计不稳定。3.2 用命令行跑通YOLOv8训练的最小命令Ultralytics把训练封装成了yolo命令行工具不需要自己写训练循环。最小命令如下yolo detect train \ datawhite_moth.yaml \ modelyolov8n.pt \ epochs100 \ batch16 \ imgsz640 \ patience20 \ projectwhite_moth_runs \ nameexp1这个命令把yolov8n.pt作为预训练权重加载而不是从零开始。COCO预训练权重里的浅层特征边缘、纹理、色彩可以直接迁移到白蛾检测上收敛速度和最终精度都比随机初始化好得多。epochs设为100配合patience20表示验证集mAP连续20轮不提升就早停。batch16在6GB显存下刚好如果显存不足就降到8并用workers4控制数据加载进程数。3.3 数据配置文件怎么写数据集路径在YAML里定义。训练前一定要确认path的写法train/val/test是相对path的目录。path: /home/user/white_moth_dataset train: images/train val: images/val test: images/test nc: 2 names: 0: larva 1: adultUltralytics会自动去对应目录找图片并在同级的labels目录下找标签。也就是说images/train对应的标签目录是labels/train结构不能错。很多人报“found 0 images”就是目录结构错位。nc可以不写Ultralytics会根据names长度自动推断。注意YAML里的路径不要用Windows反斜杠统一用正斜杠否则在Linux服务器上会报路径不存在。3.4 训练中必看的损失曲线与troubleshooting训练开始后project/name目录下会生成results.csv和results.png。里面的关键指标有train/box_loss、val/box_loss、metrics/precision、metrics/recall和mAP50。损失曲线用脚本画出来更直观import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(white_moth_runs/exp1/results.csv) fig, ax plt.subplots(1, 2, figsize(12, 4)) ax[0].plot(df[epoch], df[train/box_loss], labeltrain/box_loss) ax[0].plot(df[epoch], df[val/box_loss], labelval/box_loss) ax[0].set_xlabel(epoch) ax[0].set_ylabel(box_loss) ax[0].legend() ax[1].plot(df[epoch], df[metrics/mAP50(B)], labelmAP50) ax[1].set_xlabel(epoch) ax[1].set_ylabel(mAP50) ax[1].legend() plt.tight_layout() plt.savefig(loss_curve.png)正常训练下train/box_loss持续下降val/box_loss先降后平两者差距不大。如果val_loss早早反弹而train_loss还在降那就是过拟合把epochs调低或增加数据增强。如果两个loss从头到尾都降不下去第一检查标签坐标有没有越界第二检查类别ID是否从0开始第三降低lr0到0.001看看。训练中断时给命令加resumeTrue可以恢复到上次epoch继续训练。3.5 YOLOv8模型结构中的C2f和常见改进方向YOLOv8的基本模块是C2f它把输入特征图拆成两条路径再融合梯度回传更丰富也让模型在不大幅增加参数的前提下保持信息流。很多人问yolov8模型结构中c2f到底改了啥简单说就是比YOLOv5的C3多了更多shortcut分支特征复用更彻底。对于美图白蛾这种类内差异大的任务C2f已经够用。如果发现验证集mAP卡在80%以下除了换更大的yolov8m还可以做两件事一是把backbone换成更轻量的efficientViT或用C2f-EMA替代颈部C2f二是给检测头加入全局注意力。这些属于yolov8改进的热门方向。但我建议先处理数据质量清理100张误标图往往比改进一个模块更有效。4. 白蛾识别推理与幼虫/成虫分类、数量统计训练完的模型需要回到业务目标标注白蛾位置、识别幼虫或成虫、统计白蛾数量。这三个任务在单张图片里用同一个检测模型就能完成不需要额外训练分类器。接下来按推理、分类、计数三个阶段讲。4.1 用训练好的权重做单张图片推理Ultralytics的Python接口非常简洁三行代码就能加载模型并输出结果from ultralytics import YOLO model YOLO(white_moth_runs/exp1/weights/best.pt) results model.predict(field_photo.jpg, conf0.25, iou0.45)conf参数控制置信度阈值低于0.25的检测会被过滤。iou0.45控制NMS的IoU阈值同一只白蛾被重复框出时NMS会把重叠框去掉。推理后的results[0]是个结果对象results[0].boxes里保存了所有检测框、类别和置信度。逐框取出坐标的写法如下boxes results[0].boxes for i in range(len(boxes)): x1, y1, x2, y2 boxes.xyxy[i].tolist() conf float(boxes.conf[i]) cls_id int(boxes.cls[i]) label model.names[cls_id] print(f{label}: conf{conf:.2f}, box({x1:.0f},{y1:.0f},{x2:.0f},{y2:.0f}))这样每只白蛾的位置就拿到了。xyxy是左上角与右下角坐标适合画框。如果做部署替换成boxes.xywhn获得归一化中心点坐标更接近标签格式。4.2 幼虫与成虫的判定逻辑最直接的判定逻辑就是读取模型输出的类别。YOLOv8已经学习了两类的视觉差异幼虫体色深、多毛且体型细长成虫翅白色、有光泽背面可见斑纹。当一张图片里有虫态过渡期的个体时模型可能会在两类间摇摆这时需要业务规则兜底。常见做法是结合置信度和面积如果adult的置信度低于阈值且框的宽高比大于2:1就倾向判为幼虫。因为幼虫身体更细长成虫翅展开接近方形。不过这种规则只适合作为后置过滤不能替代模型分类。真正要提高分类准确率是在训练集里增加过渡态样本并标注为“幼虫”或“成虫”二选一模型才有明确边界。4.3 统计白蛾数量的两种方式总框数和按类别计数统计白蛾数量有两种口径区域总数和分类数量。区域总数直接统计检测框个数分类数量则用类别ID分组。用Python实现from collections import Counter boxes results[0].boxes total_count len(boxes) labels [model.names[int(cls)] for cls in boxes.cls] class_count Counter(labels) print(f总数量: {total_count}) print(f幼虫数: {class_count.get(larva, 0)}成虫数: {class_count.get(adult, 0)})当图片里白蛾密集时计数结果受conf和iou影响很大。conf调低容易误检调高会漏掉远处的小目标。实际项目中我通常对同一张图跑两次一次conf0.3用于“肯定识别”一次conf0.15用于“疑似识别”然后人工核对疑似区域。这个策略在植保计数场景下比单纯调阈值更实用。4.4 野外相机和摄像头场景下的重复计数问题如果只是单张图片统计不会有重复问题。但做成实时监测时同一只白蛾会出现在连续帧中每帧都计数就会严重高估。网上有人讨论“运动的物体经过摄像头只识别一次yolov8 seg”这正说明单帧检测和时序跟踪是两码事。计数方式适用场景是否去重单图计数离线分析一批照片否逐帧计数视频流粗略估计否跟踪计数实时监测穿越画面是要在视频流中只统计一次必须引入目标跟踪器。YOLOv8官方扩展里集成了ByteTrack原理是给每个检测框分配Track ID同一条轨迹的ID不重复计数。实现上可以用model.track()传入视频帧拿到稳定ID后再对ID集合去重。更进一步可以用BoT-SORT处理遮挡代价是推理速度略降。如果你只需要离线分析一批图片用4.3节的方式单图计数后求和即可。5. 白蛾识别模型的验证与部署技巧这一章讲两个方法验证幼虫/成虫分类是否可靠以及如何把模型导出成ONNX部署到边缘设备。这两件事属于项目交付前必须补上的环节。5.1 用混淆矩阵和PR曲线验证幼虫/成虫分类训练结束后不要只看mAP。用命令单独跑一次验证集yolo detect val modelwhite_moth_runs/exp1/weights/best.pt datawhite_moth.yaml运行完成后查看验证目录下的confusion_matrix.png它直接告诉你幼虫被错判成成虫的比例、成虫漏检的比例。如果混淆矩阵上幼虫→成虫的错误率高于10%说明两类特征区分不足优先补数据。再看PR_curve.png横轴Recall纵轴Precision曲线越靠近右上角越好。实际业务中更关心Precision因为误报会让植保人员白跑一趟所以推理时要适当提高conf。5.2 白蛾数量统计的误差修正统计误差有两个来源小目标漏检和背景误检。小目标指的是白蛾在图像中占用面积太小比如远距离监控画面。可以在推理前对图像做切片推理把大图切成512x512重叠块再合并结果这样能显著提升小目标召回但推理时间变长。背景误检则可以通过过滤预测框的宽高比来修正。白蛾成虫展翅后框接近正方形幼虫框偏长如果野外有昆虫陷阱或小石块被误检为幼虫可以加一个像素面积阈值boxes results[0].boxes area (boxes.xyxy[:, 2] - boxes.xyxy[:, 0]) * (boxes.xyxy[:, 3] - boxes.xyxy[:, 1]) mask area 200 valid_boxes boxes[mask] print(len(valid_boxes))这里的阈值200像素是在640分辨率下调试出来的不同相机的视场距离下要重新标定。批量标定时可以先统计一批误检框的面积分布再取分位数作为阈值。5.3 导出为ONNX并在边缘设备部署模型不能总依赖Python环境部署到Jetson或RK3588这类边缘设备时ONNX是通用性最好的中间格式。用官方导出命令即可yolo export modelwhite_moth_runs/exp1/weights/best.pt formatonnx imgsz640 opset12导出后会生成best.onnx。后续用onnxruntime加载时注意ONNX输出格式和PyTorch不同是[1, 84, 8400]这样的矩阵需要自己解析坐标和类别。Ultralytics官方也提供了YOLO(best.onnx)接口可以继续用高层次的predict方法只是推理引擎换成了ONNXRuntime。对要求更低延迟的场景可以进一步转TensorRT但量化时容易掉精度要在验证集上重新评估mAP。这一步适合做边缘盒子实时计数配合面积过滤和跟踪逻辑白蛾识别、阶段分类和数量统计就都能稳定工作了。本文还有配套的精品资源点击获取