企业官网建设流程全解析

简介：面向目标检测入门与农业视觉应用的YOLO格式草莓成熟度数据集，包含成熟、未成熟两个类别，已按YOLOv5目录规范划分训练集约400张、验证集约100张、测试集约50张，每张图像均配txt标签文件，采用classes、x_centre、y_centre、w、h相对坐标标注，可直接用于yolo系列模型训练与验证。压缩包共1063个文件，以530张jpg图像和531个txt标签为主体，另含1个Python脚本与1张类别示意图，整体约22.96MB，目录清晰、数据量适中，适合快速跑通完整检测流程。资源已吸引259人学习下载，既能帮助初学者理解标签格式与数据集组织方式，也可作为成熟度检测模型的基准数据，用于模型调优、指标对比或教学演示。

1. 草莓成熟度检测为什么值得花一个数据集的钱：先搞清楚这袋子数据能干什么

真正到了采收季节，你才会发现草莓成熟度检测要的不是“能不能检测出来”，而是青果、半红果、深红果三类不能被认错。装在分拣筐里，一两颗过熟果混进去就可能导致整筐货只能在当天低价出掉，更别说采摘机器人需要在藤蔓遮挡、逆光和叶片阴影里把半红果摘准。这套YOLO格式的草莓成熟度检测数据集，把训练集、验证集、对应标签和class文件都配齐了，拿到手只需要确认目录结构、起一个data.yaml，然后就能跑通YOLOv5或YOLOv8的训练脚本。它适合两类人：一类是做农业视觉方案落地的工程师，用来验证分拣或采摘场景的可行性；另一类是刚接触自定义数据集训练的新手，用一套干净的数据跑通“标注-训练-验证”全流程，比在公共数据集上瞎调参数更能建立手感。

2. 读懂这套数据集的结构和YOLO标签约定：class文件、txt标签和目录组织

收到压缩包后先别急着解压就开训。先用两分钟确认目录是否遵循了YOLO约定，这个约定很小但很重要：images和labels两个根目录，train和val分别对应子集，图片和同名txt标签一一对应，txt里每行由类别编号和归一化后的目标框坐标组成。

2.1 目录结构与class文件到底是什么

常见做法是数据集解压后长这样，训练集和验证集各自独立，互不交叉：

strawberry_dataset/ ├── train/ │ ├── images/ # 训练图片，jpg或png │ └── labels/ # 对应的YOLO格式txt标签 ├── val/ │ ├── images/ # 验证图片 │ └── labels/ ├── class.txt # 类别名清单，一行一个类 └── data.yaml # YOLO训练时的数据集配置文件

这里的class.txt就是标题里强调的“class文件”。它本质上是一个纯文本的类别名列表，比如内容可能是：

immature half_ripe ripe

也可以写成中文标注时常见的“生果、半熟、熟果”。要点在于：class.txt第0行对应txt标签里类别编号0，第1行对应编号1，依此类推。数据集标注时用的编号必须和class.txt的次序完全一致，这是最容易踩坑的位置之一——后面避坑章会专门展开。

data.yaml则用来告诉训练脚本数据在哪、类别有几类。如果你解压后没有data.yaml，自己写一个也不难，常见写法是：

# data.yaml train: /path/to/strawberry_dataset/train/images val: /path/to/strawberry_dataset/val/images nc: 3 names: ['immature', 'half_ripe', 'ripe']

这里有个容易混淆的点：train和val指向images目录而不是labels目录。YOLO在训练时会自动把images路径里的“images”替换成“labels”去同目录层级找标签，所以不要写成labels路径，也不要让images和labels的目录名不一致。

2.2 标签txt的坐标格式与归一化细节

草莓成熟度数据集的标签文件是纯文本txt，文件名与图片名一致。比如一张photo_0231.jpg对应一个photo_0231.txt，一图一txt，图片里没有草莓时txt为空文件，这种情况下某些训练脚本会报警告，但不影响整体训练。

每行标签的含义是：

class_id center_x center_y width height

其中类目编号从0开始，中心坐标和宽高全部除以图片实际宽高做归一化。举个例子，一行1 0.4732 0.5621 0.1345 0.0987表示图片中央偏下一颗半红草莓，中心点落在归一化坐标(0.4732, 0.5621)，宽占图片宽度的13.45%，高占图片高度的9.87%。理解这个格式以后，你可以不依赖可视化工具，直接在编辑器和计算器里推演一个标注框是否合理，这对排查标签错位很有用。

在动手训练前，建议先用脚本确认一下数据集的完整性。常见的做法是把下面这个检查脚本放在数据集同级目录下，依次扫描图片、标签、类别编号三类信息：

# check_dataset.py from pathlib import Path root = Path('strawberry_dataset') for split in ['train', 'val']: img_dir = root / split / 'images' lbl_dir = root / split / 'labels' imgs = sorted(img_dir.glob('*.*')) lbls = sorted(lbl_dir.glob('*.txt')) # 1. 图片与标签数量是否一致 print(f'[{split}] 图片数: {len(imgs)} 标签数: {len(lbls)}') img_names = {p.stem for p in imgs} lbl_names = {p.stem for p in lbls} missing = img_names - lbl_names extra = lbl_names - img_names if missing: print(' 缺少标签的图片:', list(missing)[:5]) if extra: print(' 缺少图片的标签:', list(extra)[:5]) # 2. 遍历所有标签，统计类别编号分布 counts = {} empty = 0 for p in lbls: lines = p.read_text(encoding='utf-8').strip().splitlines() if not lines: empty += 1 continue for line in lines: cid = int(line.split()[0]) counts[cid] = counts.get(cid, 0) + 1 print(f' 空标签文件: {empty}') print(f' 类别编号分布: {counts}')

这段脚本的作用很直接：第一步对比图片和标签文件集合，找出哪些图片没有被标注，或者哪些标签没有对应图片；第二步统计每个类别编号的出现次数，如果在验证集里某个类别编号完全没有出现，那训练出的模型对这个类别的验证指标就是虚的。对这种农林场景数据集，空标签文件往往意味着标注时觉得“这张图太模糊就不要了”，但忘记同步删除图片。空txt本身不是致命问题，YOLO会跳过无目标的图片，但数量如果超过几十张，说明标注工作存在遗漏，最好先确认。

输出里如果看到类别编号分布异常，比如出现编号3但class.txt只有3行，说明标签文件和class文件不匹配，要立即停下来排查。

3. 把数据喂给YOLO前的三个准备工作：校验、格式转换、二次划分

不要一拿到数据集就直接敲训练命令，前期的数据准备工作决定了后面的训练曲线是不是正常。我在实际项目里固定做三件事：校验标签坐标是否越界、确认标注格式是YOLO还是VOC、按需切分一个验证子集。做一遍通常耗时十几分钟，但能省下后面好几轮反复调参的时间成本。

3.1 为什么还要做一次标签坐标校验

标注工具导出时偶尔会把归一化后的坐标写成整数，或者个别边界框的x、y超出[0,1]范围，这本是标注过程中手滑产生的。YOLO训练前对这类越界坐标会做clip处理，但clip结果不一定是你想要的语义——比如一个本该在图片右下角的草莓，标成了(1.2, 1.0)之后被clip到(1.0, 1.0)，框就贴到了图片最边缘。

针对这套草莓数据集，建议先跑一遍坐标健康检查：

# validate_normalized_coords.py from pathlib import Path root = Path('strawberry_dataset') for split in ['train', 'val']: for txt in (root / split / 'labels').glob('*.txt'): for lineno, line in enumerate(txt.read_text().strip().splitlines(), 1): parts = line.split() if len(parts) != 5: print(f'格式异常: {txt}:{lineno} -> {line}') continue cid, cx, cy, w, h = parts[0], float(parts[1]), float(parts[2]), float(parts[3]), float(parts[4]) if not (0 <= cx <= 1 and 0 <= cy <= 1 and 0 < w <= 1 and 0 < h <= 1): print(f'坐标越界: {txt}:{lineno} -> {line}')

这段脚本不需要额外依赖，只要Python能运行即可。如果输出里没有任何提示，说明坐标都在合理区间，可以放心进入下一步。如果有坐标越界，优先找出对应图片人工看一眼，判断是真标注错误还是标注工具导出时的小偏差。 这里有一个参数说明：坐标允许范围用的是[0,1]闭区间，因为归一化坐标理论上不可能超过图片宽高。但你日常拿到的数据集里偶尔会有center_x=0.98这种边界值，它本身合法，不能算越界，所以脚本只排查大于1.0或小于0的情况，不要在边界值上过度敏感。

3.2 把VOC风格的XML标签转成YOLO：转换脚本与边界坑

很多公开或渠道来的草莓数据集并不直接给YOLO格式的txt，而是给PASCAL VOC风格的XML标注文件。XML里记录的是分辨率、类别名、边界框的绝对像素坐标，需要按照YOLO的归一化格式重新计算后转存为txt。这类数据集拿到手时训练集和验证集可能还是按VOC方式组织的。

<!-- xml 标注示例 --> <annotation> <filename>farm_0231.jpg</filename> <size> <width>1280</width> <height>720</height> </size> <object> <name>half_ripe</name> <bndbox> <xmin>421</xmin> <ymin>133</ymin> <xmax>588</xmax> <ymax>262</ymax> </bndbox> </object> </annotation>

对应转换脚本如下。我一般会放在和数据集同级目录下执行：

# voc_to_yolo.py import xml.etree.ElementTree as ET from pathlib import Path class_names = ['immature', 'half_ripe', 'ripe'] # 与class.txt顺序必须一致 def convert_xml(xml_path, class_names, output_dir): tree = ET.parse(xml_path) root = tree.getroot() size = root.find('size') width = int(size.find('width').text) height = int(size.find('height').text) lines = [] for obj in root.iter('object'): name = obj.find('name').text if name not in class_names: print(f'未知类别名称: {name} 在 {xml_path} 中') continue cid = class_names.index(name) bndbox = obj.find('bndbox') xmin = float(bndbox.find('xmin').text) ymin = float(bndbox.find('ymin').text) xmax = float(bndbox.find('xmax').text) ymax = float(bndbox.find('ymax').text) # YOLO格式核心：由绝对坐标转为中心点加宽高的归一化值 box_w = (xmax - xmin) / width box_h = (ymax - ymin) / height center_x = ((xmin + xmax) / 2) / width center_y = ((ymin + ymax) / 2) / height lines.append(f'{cid} {center_x:.6f} {center_y:.6f} {box_w:.6f} {box_h:.6f}') # 生成与xml同名、同目录结构的txt out_path = output_dir / (xml_path.stem + '.txt') out_path.write_text('\n'.join(lines), encoding='utf-8') xml_root = Path('VOC_dir/Annotations') out_root = Path('yolo_labels') out_root.mkdir(exist_ok=True) for xml_file in xml_root.glob('*.xml'): convert_xml(xml_file, class_names, out_root)

转换脚本里有几个要点，直接决定转换后的标签能不能用。第一个是类别顺序：class_names列表的顺序必须和class.txt完全一致，标注XML里写的是类别名，脚本里用index()把它映射成编号，一旦顺序错位，所有标签整体错乱。第二个是float(xmin)而不是int(xmin)，有些标注工具有时会导出带小数点的坐标，写成int会直接截断，导致框的宽高偏移。第三个是输出txt的目录结构要按images和labels分层，不能所有转换出来的txt堆在一个文件夹，否则后续数据加载时路径替换逻辑会失效。

3.3 从训练集里再切一个“调参验证集”出来

这套数据集虽然自带验证集，但我个人习惯是再切一个更小的调参验证集，用来做快速迭代验证。因为自带验证集往往是在完整测试环境上评估，跑一轮mAP要花不少时间；切一个约150张的小验证集，训练中途每两三个epoch跑一次，能明显加快调参反馈回路。

# split_debug_val.py import random from pathlib import Path import shutil random.seed(42) root = Path('strawberry_dataset') debug_dir = Path('strawberry_dataset_debug') (debug_dir / 'train' / 'images').mkdir(parents=True, exist_ok=True) (debug_dir / 'train' / 'labels').mkdir(parents=True, exist_ok=True) (debug_dir / 'val' / 'images').mkdir(parents=True, exist_ok=True) (debug_dir / 'val' / 'labels').mkdir(parents=True, exist_ok=True) src_train_img = root / 'train' / 'images' src_val_img = root / 'val' / 'images' src_val_lbl = root / 'val' / 'labels' # 小验证集：从原验证集里抽120张带标注的图 val_pool = list(src_val_img.glob('*.*')) random.shuffle(val_pool) pick = val_pool[:120] for img in pick: shutil.copy(img, debug_dir / 'val' / 'images' / img.name) lbl = list(src_val_lbl.glob(img.stem + '.*')) if lbl: shutil.copy(lbl[0], debug_dir / 'val' / 'labels' / lbl[0].name) # 小训练集：凑够150张即可，覆盖三个类别 train_pool = list(src_train_img.parent.parent.glob('train/images/*.*')) random.shuffle(train_pool) cnt = 0 for img in train_pool: if cnt >= 150: break lbl = list(img.parent.parent.glob('labels/' + img.stem + '.*')) if not lbl: continue shutil.copy(img, debug_dir / 'train' / 'images' / img.name) shutil.copy(lbl[0], debug_dir / 'train' / 'labels' / lbl[0].name) cnt += 1

切分脚本的关键参数是抽样基数和小验证集大小：120张验证图在草莓三分类场景下已经能反映类别精度的大致水平，再少的话mAP波动会比较大；抽样种子固定为42，保证不同人跑出来的切分结果一样，方便对比调参效果。需要说明，这种快捷验证集只用于训练途中快速的loss和mAP观察，最终交付评估仍然要用原始验证集跑完整结果。

4. 用自带数据集跑通YOLOv5和YOLOv8训练：两个框架的最小命令与关键参数

数据集已经校验完毕，接下来就到了真正让它产生价值的训练环节。常见做法有两种选择：YOLOv5或者YOLOv5之后的YOLOv8，两个框架的命令很像，但模型结构上有差异，对成熟度这种小目标、边界模糊的场景，参数不值得照抄，需要结合数据特性去调。

4.1 训练脚本的启动与最低可用参数

无论用v5还是v8，先保证能用最低参数跑通，再谈调优。以YOLOv8为例，假设代码已clone到本地并且Python环境已配置好ultralytics包，训练命令只需要两行：

cd ultralytics python train.py \ --data /path/to/strawberry_dataset/data.yaml \ --weights yolov8n.pt \ --img 640 \ --batch 16 \ --epochs 100

YOLOv5的对应命令在项目根目录下直接跑：

cd yolov5 python train.py \ --data /path/to/strawberry_dataset/data.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100

参数设置的逻辑值得展开一下：--img 640是输入网络的图像尺寸。草莓在整幅画面里通常占比不大，如果采集用的是贴近果实的近景镜头可以保持640；如果数据里是大棚整体俯视图，小草莓会被压缩到十几个像素宽，这时候建议把--img提到1024或者1280，但代价是显存占用和训练时间翻倍。--weights yolov5s.pt表示加载COCO预训练权重，不要小看这个选择，从头训练一个三分类小数据集不仅需要更多epoch，而且收敛更慢。--batch 16在单张常见显卡上稳定跑。如果你的显存是8G以下，按--batch 8起步更稳妥。

训练启动后，每轮epoch结束会打印一行训练指标，包括box_loss、cls_loss、dfl_loss以及验证集的mAP50。在草莓成熟度这种三分类检测场景下，最应该盯住的是cls_loss：如果它在前10个epoch内从最初的2.x下降到0.8以下，说明类别特征是能被网络分辨的；如果它掉得慢或者一直在1.0附近反复，优先检查是不是类别编号错位了，然后才是数据增强过强的问题。

4.2 针对成熟度边界模糊的三个必调参数

草莓成熟度是一个连续过程，半红果和红果之间的边界在标注时本身就带有主观性。这带来的直接表现是，训练出来的模型在验证集上mAP50能到0.9以上，但换一张光照角度不同的现场照片，半红果经常被错认成红果。对付这类类间视觉差异很小的数据集，我一般会调下面三个参数，都在data.yaml里加一个augment配置段。

# 在训练命令里通过 --hyp 指向 hyp.yaml # 关键修改项如下： hsv_h: 0.015 # 色调偏移，草莓红、青果绿的色调差异大但成熟度相近时不宜过大 hsv_s: 0.4 # 饱和度增强，光照不足时提高饱和度模拟更多环境 hsv_v: 0.3 # 明度扰动，模拟晨间逆光和午后强光照 degrees: 5.0 # 小角度旋转，大棚俯拍图像不需要大角度，过大反而破坏长宽比 flipud: 0.0 # 保持0，草莓有生长方向，垂直翻转会引入反物理样本 mosaic: 0.5 # 第10轮后建议关掉，草莓目标小，mosaic过度会切碎目标

这几个参数看起来简单，但对成熟度任务的影响是决定性的。像mosaic这种YOLO默认增强在通用目标检测里很有用，它把四张图拼成一张，相当于变相增加每张图的实例数量；但当目标是草莓这种形状相对完整、成熟度靠颜色分布判断的对象时，mosaic切出来的半颗草莓会把成熟度颜色信息切碎，导致训练出来的模型对“缺一半的草莓”产生错误响应。我惯常的做法是第一个epoch到第10个epoch之间开mosaic帮助模型快速学习温果位置，之后通过--mosaic 0.0或者schedule自动关掉。

hsv_h色调偏移要刻意调小。草莓成熟度的核心特征就是颜色，如果色调偏移设成默认的0.015以上，算法会人为造出大量“黄草莓”“紫草莓”样本，这会让模型对真实的“青转红”过程产生混乱，很多所谓“训练数据增强导致精度下降”的翻车现场就是这么来的。要让它只在饱和度、明度上做扰动，不要动色调，这也是农业视觉里的血泪经验。

4.3 训练过程的观察点与中途停训判断

训练跑起来以后，不用一直盯着终端日志刷屏。我一般看两个衡量训练健康度的指标：训练集box_loss是否在稳定下降、验证集上是否出现连续10个epoch不增长。关于训练loss曲线，有一句话值得记住：验证集loss先降后升的拐点就是模型开始过拟合的时刻，这时候果断用--patience 10让训练自动早停。

# 早停参数示例，10个epoch精度无提升就会自动终止并保留最佳权重 python train.py --data data.yaml --weights yolov5s.pt --patience 10

patience这个参数适合新手使用，它避免了你反复半夜爬起床看训练到第几个epoch。对于草莓成熟度检测这种小目标任务，100个epoch跑完通常耗时两到四个小时（取决于GPU和图片尺寸），如果训练在epoch 60附近提前停了，不要觉得是“没练到位”，验证集指标已经不再增长，继续跑只是纯烧电。

训练结束后，runs/train/exp/weights/目录下会有best.pt和last.pt两个文件，评估和推理都只用best.pt。last.pt是最后一个epoch的完整权重，除非你想测试训练终点附近的状态，否则不要拿last.pt去做部署。

5. 数据训练中的避坑清单：5个导致草莓模型翻车的真实关卡

草莓成熟度检测这个场景，模型翻车很少是因为网络结构不够深，绝大多数是数据路径和标注细节上的问题。这里按“现象 → 原因 → 解决”的方式列出五条最高频的踩坑记录，每一条都来自实际数据集处理中的常见问题。

5.1 训练正常但所有预测框都偏移半格

现象是loss正常下降，但推理出来的结果框位和草莓对不上，偏移方向一致。

原因：图片被重写过尺寸或旋转过，但标签没有同步变换。比如有人用手机拍的草莓图片自带EXIF方向信息，CV2读取时不自动应用旋转，而标注工具读取时是自动摆正的，这就会造成标注坐标与训练图片内容错位，尤其常见于竖拍图。另一类情况是调用某些dataset工具把图片resize后忘了把标签里的坐标同步缩放。

解决：在训练前统一做一次“正规化”。读入图片后检查exif里的orientation字段，非1的话先旋转、重新保存，再让标签坐标跟着图片实际宽高重新归一化。经验做法是直接把所有输入图片先转成RGB、去掉EXIF、统一用cv2.imwrite重写一遍，从根本上消除这类隐性问题。

# fix_exif_and_rewrite.py import cv2 def rewrite_images(img_dir): for img_path in sorted(glob(str(img_dir / '*.*'))): img = cv2.imread(img_path) # 去掉EXIF信息，重新写图以保证坐标基准一致 cv2.imwrite(img_path, img, [cv2.IMWRITE_JPEG_QUALITY, 95]) rewrite_images(Path('strawberry_dataset/train/images')) rewrite_images(Path('strawberry_dataset/val/images'))

5.2 class文件类别顺序和标签编号不一致

现象是训练过程loss正常，但看mAP曲线时发现两个类别严重混淆，比如“半熟”的精度极低，而“熟果”的精度虚高到1.0。

原因：class.txt里的类别顺序和标注软件导出时的类别编号顺序不一致。标注工具内置的类别列表可能是“ripe、half_ripe、immature”，而data.yaml里写的names却是“immature、half_ripe、ripe”。工具导出时把序号写进txt，训练时又按data.yaml的名字解释，两边对不上，模型在整个训练过程中都在学错误的映射关系。

解决：训练前用脚本对标签里的类别编号做“重映射”，以class.txt的顺序为基准。

# remap_class_id.py # 以class.txt中的行号为标准，将标签txt中的类别编号转为标准顺序编号 from pathlib import Path std_names = ['immature', 'half_ripe', 'ripe'] # 这行顺序以class.txt为准 tool_names = ['ripe', 'half_ripe', 'immature'] # 标注工具原来的顺序 for txt in Path('strawberry_dataset').glob('*/labels/*.txt'): lines = txt.read_text(encoding='utf-8').strip().splitlines() new_lines = [] for line in lines: parts = line.split() cid = int(parts[0]) new_cid = std_names.index(tool_names[cid]) parts[0] = str(new_cid) new_lines.append(' '.join(parts)) txt.write_text('\n'.join(new_lines), encoding='utf-8')

这段脚本的核心逻辑是把旧序号通过tool_names映射到类别名，再用std_names.index()转成新序号。跑完后务必再跑一遍第2.2节里的统计脚本，确认三个类别的数量分布和更新前基本一致。

5.3 验证集精确率高但泛化到现场照片就崩

现象是所有离线指标都好：mAP50到0.93，混淆矩阵对角线干净，可一到真实大棚光线环境里，错检漏检明显增多。

原因：数据集的验证集和训练集来自同一次采集、同一批相机和相近的光照分布，典型的信息泄漏状态。验证集的作用只是帮你选模型，而不是保证现场泛化。草莓成熟度在不同品种、不同成熟阶段、不同光照下的视觉差异巨大，离线指标再漂亮也不能代表现场效果。

解决：不要只看验证集mAP。从现场环境额外收集几百张无标注图片，用训练好的模型跑一次推理，人工统计一眼看过去“明显检测错”的比例。如果这个比例偏高，把现场图片里的一部分手动标注后合并进训练集，做一次增量训练。做进项目的流程就一句话：把现场图片当作“验证集的验证集”。

5.4 成熟与过熟边界样本标注不一致

现象是训练曲线不收敛，cls_loss在高位反复波动，验证集mAP始终在0.6上下不去。

原因：草莓的“熟”和“过熟”在颜色上差别很小，标注人员对边界样本的判断不统一。同一个标注员第一天把所有颜色偏深的都标成“熟”，第二天遇到底部有斑点、颜色更深一点的就标“过熟”，模型学到的类别边界是抖动的，这种噪声比参数调错的危害大得多。

解决：正规做法是把三个类别的样本各抽20张打印或拼成一张大图，让标注负责人重新审一遍，重点确认边界样本的归类。如果是单人标注的业余数据集，就自己过一遍标注有争议的样本，比如利用“样本难度”锚定边界：把half_ripe定义成有明显红色区域但果尖仍带青色的那种。在生产环境中，这种“边界规范化”往往比增加数据集数量更有效。

5.5 训练中途NaN或loss直接变负数

现象是训练到第几个epoch后loss突然变成NaN，或者某一步loss变成负数，继续训练模型输出全乱。

原因：大概率是标签出现空标注或者坐标异常，导致损失函数里出现无效计算，比如某些代码版本对空标签做计算时除数为零。另一个原因是学习率过大，但这类问题一般出现得更早。

解决：先跑坐标校验脚本，确认没有越界值，再检查空txt数量。如果都没问题，降低初始学习率到默认值的1/5（比如从0.01降到0.002）再试一轮。经验是，草莓相关自定义数据集上出现NaN，90%是标签问题，所以把第3.1节的脚本当成一个固定的关卡，不要跳过去。

6. 让模型真正可用的最后一公里：混淆矩阵检查、推理脚本和阈值校准

训练完best.pt只是第一步，离真正部署在分拣线或采摘机器人上还有一段很长的路。最后一章给出一套我常用的验证和校准流程，这套流程由三个小工具组成：一个验证集批量推理脚本、一张类别置信度统计表、一个阈值调整思路。

6.1 用验证集做图文一体的推理输出，替代枯燥的mAP数字

mAP是一个数字，但加上检测框的图像才是人眼能快速判断“模型是否真的理解草莓成熟度”的信号。写一个推理脚本，把验证集所有图片跑一遍，把检测框按类别着色画出来保存成一张图像文件，然后人工过一遍高亮框的位置和类名。

# visualize_predictions.py from ultralytics import YOLO import cv2 from pathlib import Path model = YOLO('runs/train/exp/weights/best.pt') img_dir = Path('strawberry_dataset/val/images') save_dir = Path('pred_visual') save_dir.mkdir(exist_ok=True) for img_path in list(img_dir.glob('*.*'))[:30]: img = cv2.imread(str(img_path)) results = model(img, conf=0.25, verbose=False)[0] # 按类别分配不同的框颜色：0->蓝，1->绿，2->红 color_map = {0: (255, 0, 0), 1: (0, 255, 0), 2: (0, 0, 255)} for box in results.boxes: x1, y1, x2, y2 = map(int, box.xyxy[0].tolist()) cid = int(box.cls[0].item()) conf = float(box.conf[0].item()) cv2.rectangle(img, (x1, y1), (x2, y2), color_map[cid], 2) cv2.putText(img, f'{results.names[cid]} {conf:.2f}', (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color_map[cid], 2) cv2.imwrite(str(save_dir / (img_path.stem + '.jpg')), img)

这张脚本里有两个参数是常用的：conf=0.25是推理置信度阈值，低于此阈值的框会被过滤掉，调这个值可以平衡漏检和误检；[:30]先抽30张人工看一眼，确认模型行为，不要一下子把几百张全部打印出来消耗时间。看到图像输出后，重点关注“熟果”和“半熟”的错分是否发生在分界处，这是成熟度任务的常见盲区。

6.2 置信度直方图校准：决定在哪个置信度上部署

模型输出的置信度数值本身带有概率意义，但草莓成熟度场景由于类间相似度高，模型往往对“半熟”给出整体较低的置信度，单纯提高conf阈值会把大部分半熟果漏掉。我常用的做法跑一遍全量验证集，收集所有有效目标的置信度：

# conf_diagnostics.py from ultralytics import YOLO model = YOLO('runs/train/exp/weights/best.pt') scores = {c: [] for c in range(3)} # 迭代验证集跑推理，收集每个类别的conf for result in model.val(split='val'): pass # 用训练好的模型自己做一次批量统计，按类别打印置信度分布 import numpy as np for c in range(3): arr = np.array(scores[c]) if scores[c] else np.array([0]) print(f'类别{c}: min={arr.min():.3f} mean={arr.mean():.3f} max={arr.max():.3f}')

这里不是让读者生搬硬套，而是在提示一个思路：把置信度排名在后20%的预测框挑出来，看是否都是半红果和小目标，如果是，说明网络本身的不确定性高，应该在部署时把这个类别的置信度阈值单独调低，而不是期望用一个统一的0.5阈值解决所有类别。成熟度检测的分拣线往往宁可把半熟果错判成熟果再人工复核，也不愿意漏检，这也是阈值校准的核心目标。

6.3 现场部署前的最后一层保险：20张“刁钻”样本回归测试

模型在验证集上表现再好，也别忘了做一次针对性的回归测试。我的习惯是这样的：挑20张不符合数据集典型分布的草莓照片，比如强逆光、遮挡超过一半的果子、果实密集堆叠在筐里的场景，跑一遍推理并记录每一张框选结果人工核对的准确率。这套“刁钻样本集”会长期保留，每次迭代模型都先跑一遍这个集合，确认没有回退才上线。这些状态坚持成为习惯后，你会慢慢意识到所谓成熟度检测，真正稀缺的不是更复杂的网络结构，而是对数据边界和标注规范的敬畏。希望这篇实战流程能帮到你，在草莓这个细分场景里少走几步弯路。

本文还有配套的精品资源，点击获取