企业官网建设流程全解析

鱼病检测这件事，我在水产养殖一线看了太多"发现即晚期"的案例：工人拎着抄网站在池边，一条条捞鱼翻看体表，等真看到白点、出血斑的时候，往往整个池子已经大面积感染，治疗的代价也从几百块变成了几万块。当时我就在想，能不能拿一套视觉方案，让摄像头替人盯住水面，用深度学习模型实时圈出病鱼和病灶位置，再配一个不考验电脑水平的UI界面，让养殖户鼠标一点就知道哪条鱼不对劲。

最后我做出来的这套东西，就是标题里说的：基于YOLOv8深度学习的鱼病害检测系统，包含完整数据集、Python源码、训练好的模型权重，以及带界面的可视化程序。模型负责"看"，UI负责"说人话"，训练好的权重可以直接加载跑通，不需要从头训。这篇文章把我从选型、攒数据、训练调参、写界面到部署踩坑的完整过程拆开写，重点是那些文档里不会告诉你、只有真跑过才知道的细节。如果你正准备做一个目标检测方向的小项目，或者想在农业场景里落地深度学习模型，这篇应该对你有用。

1. 为什么是"检测"而不是"分类"：YOLOv8选型的实际理由

很多人一上来就问：鱼病识别，那不就是个图像分类任务吗？拿一堆健康鱼和病鱼图片，训一个ResNet或者ViT，判断"有病/没病"不就行了？

真做的时候就发现问题了。分类网络的输出是整个图片的标签，它告诉你是"这张图里有一条烂鳃的鱼"，但不会告诉你病鱼在画面的哪个位置、病灶面积有多大、现在到底有几条鱼中招。而水产养殖里最关键的信息恰恰是定位：你要知道是哪条鱼、哪个位置有问题，才能精准捞出来隔离，而不是整池下药。目标检测天然就能干这个活，边界框一画，坐标、置信度、类别全部齐了。

1.1 YOLOv8相对之前版本的实际收益

YOLOv8是Ultralytics团队在2023年推出的迭代版本，项目里选它主要因为它解决了我几个实际痛点。

第一，anchor-free机制。之前的YOLOv5还得预先设定anchor尺寸，如果数据里目标特别大（整条鱼）或者特别小（鱼身上的白点），调anchor是个很磨人的活。v8直接引入了anchor-free解耦头，不需要手动预设anchor，小目标和大小差异大的目标友好得多。

第二，模型部署链路完整。ultralytics这个Python包把训练、验证、导出、推理封装得很顺手。训练完一句model.export(format='onnx')就把模型导出去了，UI界面里加载模型推理只需要几行代码。对单人做的小项目来说，不用东拼西凑各种转换脚本，省了大量时间。

第三，训练资源要求比更重的同级别模型低。我用的是YOLOv8s，参数量大概在1100万左右，一块普通的深度学习显卡就能训，批量大小放16左右，显存占用不到8G。在项目落地阶段，这套模型也够在边缘设备上跑，不太吃硬件。

1.2 检测和分类的根本差别

做一个好项目之前要把思路理清楚：分类是"整个画面正常还是异常"，检测是"画面里有哪些对象、每个对象在什么位置、它属于哪个类别"。养殖场景里异常和正常鱼往往同时出现在一个画面里，分类网络会把整张图盖上一个"有病"的章，但画面里八成鱼都是健康的，这种粗粒度信息没法指导后续操作。检测模型则能一次性输出"哪条鱼是白点病、哪条是赤皮病、正常的可以不管"，这种输出粒度才匹配现场决策需求。

顺带说一句，如果你只想验证算法可行性、不在乎落地，分类方案确实更简单。但既然项目标题里写了"系统+UI+源码"，那就肯定是奔着给用户交付一个能判断、能定位、能操作的工具去的，检测是绕不开的选择。

2. 数据集搭建：整场项目里最值得花时间的部分

做数据集这件事，占了我整个项目周期的60%以上。模型再先进，数据质量的提升空间也比调神经网络的参数量大得多。标题里特意写了"YOLO数据集"，说明这套项目提供了整理好的数据，不过我还是建议你搞清楚这些数据是怎么来的、标注规范是什么，因为你将来用在别的养殖场景时，一定要自己补充数据做增量训练。

2.1 病害类别怎么定

鱼病有很多种，但我建议第一版不要贪多，类别设计太碎会带来两个问题：一是标注工作量大到做不完，二是相似病征之间会让模型非常困惑。我最后锁定了4个类别：

• healthy：体表正常、没有明显病灶的鱼
• white_spot：体表有明显白点，对应小瓜虫等白点类病害
• gill_rot：鳃部有糜烂、发白或缺损，这一类别拍摄难度比较大
• hemorrhage：体表有出血斑、发红区域，常见于细菌性出血病

如果你拿到的公开YOLO数据集类别不是这套，映射关系需要你来对齐。常见的情况是别人数据集里用的英文标签，界面里显示成中文，需要做一层标签映射。

2.2 采集设备和拍摄要点

最开始我想直接拿广角摄像头朝水池一拍，画面里全是鱼，看起来很美好。实际测试发现，自由游动的鱼运动模糊严重，鱼在快速转身的瞬间身体形态夸张扭曲，这些样本标了也白标，模型学不到稳定的特征。

我的经验是两条路并行：

一是水下固定机位拍摄，用防水摄像头对着一个定点（比如投饵区）连续录屏，再按帧抽图。鱼在觅食时游动速度相对慢，姿态也比较舒展，抽出来的帧可用率高。二是隔离小容器拍摄，把疑似病鱼单独捞进透明小缸里，用手机或相机从侧面拍摄。这个方式非常推荐，因为侧面平视角度能清晰拍到鳃盖、体表、腹鳍这些关键区域，画面干净无遮挡。

抽帧方面，我一般按每秒抽1到2帧，避开水面波动造成的剧烈反光。一小段10分钟的视频大概能抽到600到1200张可用图片，再去重、去模糊、去重复场景，最终留下有效样本。

样本采集要注意体色多样性，同一种鱼在不同光照、不同水深、不同水质环境下，体色差异很大，只在一个环境拍，模型的泛化很快会露馅。

2.3 标注工具与标注规范

我用的标注工具是LabelImg和X-AnyLabeling，前者的格式是Pascal VOC XML，后者可以直接导出YOLO txt格式。如果你拿到的是VOC格式的标注，记得转成YOLO格式再训练，转换规则不复杂，就是读XML里的<object>字段，把bbox左上角坐标和宽高转成归一化的x_center y_center width height。

标注规范有几个注意点：

• 病斑很小，比如白点病单颗白点只有几个像素，这时候不要逐颗点白点，否则标注数量巨大且容易漏标。建议按"鱼体"为粒度标注，只要这条鱼身上有明显白点簇，就把整条鱼框出来标成white_spot。
• 一条鱼同时有白点和出血斑时，我建议只标注最典型的那个病变类别，混合标签会让模型学到的特征不公允。
• 鱼体被遮挡超过一半的样本，要么删掉，要么标能看到的部分。
• 背景里的气泡、漂浮物、池壁划痕都可能被框进去当作目标，标注时尽量选画面干净的鱼体样本。

类别样本量方面，我的目标是最少类别也要有800到1200个目标框。如果你的数据里healthy占压倒性多数，白点病样本很少，模型很容易学成"看到鱼就标healthy"。类别不平衡对检测任务的影响很大。

2.4 数据增强和类别平衡

YOLOv8自带的增强策略已经很强，我在训练配置里开启的马赛克增强、翻转、HSV扰动、随机平移就能把训练样本量扩得很大。尤其是马赛克（Mosaic）增强，把4张图拼接成一张，等于让模型在同一个背景下看到多个目标，对小目标训练帮助很明显。

但要注意，马赛克增强在最后几十个epoch会关闭，避免模型长期看不真实的完整图像导致泛化下降。

类别平衡方面，我除了对健康鱼样本做下采样之外，还做了一件事：把病鱼小目标通过随机缩放、镜像粘贴到健康鱼背景图里，生成一批"混合训练样本"。这个操作能显著改善病鱼类别的召回率，因为模型在训练时能看到更多小尺寸、遮挡少的病灶目标。

3. 训练过程复盘：从环境配置到mAP曲线的完整记录

数据准备好后就是训练。我先说环境：我用的是PyTorch + CUDA 11.8的组合，Python版本3.9。ultralytics这个包对CUDA版本比较挑剔，装的时候建议先在命令行跑一下python -c "import torch; print(torch.cuda.is_available())"，确认显卡能正常调用再往下走，否则后边训练半天才知道CPU在跑，心态容易崩。

3.1 数据集目录结构与配置文件

YOLOv8要求的数据集目录一般长这样，以我的工程为例：

fish_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── fish_disease.yaml

fish_disease.yaml里面内容如下：

path: ./fish_dataset train: images/train val: images/val nc: 4 names: 0: healthy 1: white_spot 2: gill_rot 3: hemorrhage

每张图片对应的txt标注文件，文件名和图片名保持一致，放在labels目录的同名文件夹里，标注内容一行一个目标：

class_id x_center y_center width height

这里要求的是归一化后的坐标，注意转一下除法，别直接填像素值。

3.2 训练脚本和超参数

我的训练脚本不长，核心大概就是这样：

from ultralytics import YOLO model = YOLO("yolov8s.pt") # 从预训练权重开始 model.train( data="fish_dataset/fish_disease.yaml", epochs=150, imgsz=640, batch=16, lr0=0.01, lrf=0.01, patience=30, augment=True, device=0, project="fish_disease_runs", name="yolov8s_exp1" )

从预训练权重开始而不是从零训练，对鱼病检测这种小数据集项目是必须的。预训练模型已经在海量数据上学过边缘、纹理、颜色等基础特征，微调阶段只需要把注意力重新分配到鱼身和病灶上，收敛速度快得多。

训练轮数我设了150轮，配合patience早停。我这里patience设为30，意思是连续30轮mAP没有明显提升就提前保存最优权重并停止，避免过拟合。

3.3 训练曲线的读法

训练完先不要急着看测试集，先把训练曲线读明白。ultralytics训练结束后会在runs/detect/yolov8s_exp1/下生成results.csv和一堆曲线图。

我那一版训练损失曲线表现比较典型：box_loss从初始的1.8左右快速下降到0.6，然后在0.05到0.03区间震荡；cls_loss从3.1逐渐降到0.8附近。主要看着验证集的性能有没有跟着涨。

如果你看到的训练损失一直在降、但验证损失在20轮后明显反弹，不用怀疑，就是过拟合了。鱼病数据的背景变化相对单一，模型学会了硬背背景，泛化就会差。这个时候优先减小模型规模，从yolov8s降到yolov8n，或者适当增大数据增强强度，而不是加正则化。

3.4 测试集评估指标怎么看

我习惯把20%的数据留出来做测试集，不用ultralytics默认的val数据集评估，因为验证集本身参与了调参，结果还是会偏乐观。单独跑一套测试脚本，统计每个类别的精确率、召回率和mAP@50、mAP@50-95。

以我最终那版模型为例（这一版作为项目默认权重保存在源码里），测试集大概600张图，统计下来的结果大致是：

这个精度做初步落地是够用的，但white_spot里还有不少漏检，主要原因是户外阳光直射下白点被高光反射洗白，这个后边UI里讲怎么处理。

我跑过第二个训练轮次，把epochs提到300，类别白点那个recall反而掉了一点，原因是模型开始过拟合到部分高光纹理上。这一点很值得记下来：不是训练越久越好，数据规模不大的时候，模型参数在150轮左右往往已经达到局部最优，再练下去可能就是背噪声。

4. UI界面设计：让模型从命令行变成普通人能用的工具

算法能跑通只是第一步，整个项目最难啃的反而是UI。水产养殖的用户很多不是学编程的，你给他一个命令行，他抬头看你一眼，你就知道这事儿要黄。所以这个项目的UI界面设计核心原则是：减少认知负担，所有操作必须一看就懂。

4.1 界面技术选型

我最终用了PySide6来做桌面GUI。选它的原因有几个：

• Python生态无缝衔接，模型加载和推理逻辑直接写在窗体类里，不用额外搭前后端接口。
• Qt的QGraphicsView组件非常适合画检测框，缩放和绘制性能比直接在label上画好很多。
• 打包成exe相对方便，用PyInstaller就能出一个免Python环境的独立程序。

如果你更倾向做Web版，Flask或者Gradio也能快速做出一个预览界面，但考虑到养殖场环境通常没有稳定的服务器，桌面版更可靠。

4.2 功能板块拆解

界面布局我分成四大块：

顶部是图片和视频的载入按钮，支持两种输入方式：选本地单张图片测试，或者选视频文件逐帧检测。左侧是模型信息面板，显示当前加载的权重文件、类别列表和检测参数（置信度阈值、IoU阈值、检测间隔）。中间是主画面区，检测结果实时渲染到画面里，每个目标框旁边标注类别和置信度。底部是结果统计面板，用表格列出当前帧/当前图里识别出的病鱼数量、类别分布，并提供当前结果截图和导出报告按钮。

检测置信度阈值我默认设0.4。阈值设太低，误报增多；阈值设太高，漏检变多。拿到新场景的模型，我一般会先用默认0.4跑几张典型图，在界面上反复调阈值，观察哪个值在错报和漏检之间最舒服。

4.3 摄像头实时检测

项目标题里提到了检测系统，摄像头实时检测是必须支持的。PySide6里我用QTimer周期性从cv2.VideoCapture读取画面帧，检测完把带框的画面推回界面刷新。这里有个非常关键的体验点：如果每帧都推理一次，显卡扛得住但普通电脑CPU会卡成幻灯片。我加了一个"检测间隔"滑杆，默认每3帧推理一次，同时用上一次的帧间隔作为缓冲，界面流畅度会好很多。

代码结构大致是这样：

import cv2 from PySide6 import QtGui, QtCore from ultralytics import YOLO class FishDetectionThread(QtCore.QThread): update_frame = QtCore.Signal(QtGui.QImage) def __init__(self, model_path): super().__init__() self.model = YOLO(model_path) self.is_running = True def run(self): cap = cv2.VideoCapture(0) while self.is_running: ret, frame = cap.read() if not ret: break results = self.model.predict(frame, conf=0.4, iou=0.5) for r in results: annotated = r.plot() qt_img = QtGui.QImage( annotated.data, annotated.shape[1], annotated.shape[0], annotated.strides[0], QtGui.QImage.Format_BGR888 ) self.update_frame.emit(qt_img) cap.release()

视频流检测线程必须单独放在QThread里，否则UI会卡死，这是新手最容易踩的坑。

4.4 结果导出与报告

养殖从业人员往往需要留证，比如记录哪一天开始出现白点趋势。我在UI里加了"导出报告"按钮，点一下把当前图片和检测结果拼到一张含时间戳的截图里，再把统计数据输出成CSV。这个功能在实际使用中是被人用最多的，反而是一般开发者最容易忽略的地方——检测只是一瞬间的事，追踪一个病害发展趋势才是养殖户真正关心的。

5. 部署和优化阶段踩过的坑：反光、虚焦、误报与推理性能

训练出来模型漂亮没用，部署到真实现场问题一个接一个。我把这一阶段踩到的高频坑写下来，每一件都是真实测试中碰到的。

5.1 水面反光和运动模糊

户外池子最常见的干扰是阳光照在水面上形成大片高光反射，鱼游过高光区域时，模型的白色病灶检测框会疯狂输出误报。我后来加了三个处理手段：

• 数据层面：在训练集里刻意纳入带反光、带气泡的样本，让模型见过这些干扰。
• 图像预处理层面：用OpenCV滤波降低高光区域的局部对比度，让白点病灶和反光的区分度变大。
• 部署层面：UI界面上支持选择"户外模式"，该模式会自动剔除画面顶部高频闪烁区域，减少瞬时误判。

运动模糊的问题靠数据增强和帧间检测一致性一起来改善。帧间一致性指的是连续几帧里同一位置都检测出white_spot才记为一次有效报警，单帧的偶发检测直接忽略。这在视频检测中非常管用，很多误报都是单帧闪烁状出现的。

5.2 误报率与阈值调节

误报是鱼病检测系统最难处理的坑之一。水产从业者对误报的容忍度比想象中低很多——误报一次两次，他可能还看看；误报复旦形成"狼来了"效应，系统再准确他都不信了。

我在UI上做了一件事：把"置信度阈值"和"检测结果保留策略"分离开。阈值用来控制单帧输出，结果保留策略则决定连续帧是否累积报警。默认策略是：连续三帧中至少两帧检测到同一类别的同一区域，才在界面上标红并触发声音提醒。这比单纯调高置信度阈值更符合现场逻辑，代价是会牺牲一些早期微弱病灶的检出，但胜在误报率压得很低。

5.3 模型导出和速度优化

项目源码里保留了三种模型格式：pt、ONNX、和TensorRT的engine文件（如果你有对应显卡的话）。

导出成ONNX后推理速度比原生pt快不少，CPU上提高尤其明显。我之前在普通电脑上测过，pt格式跑单张640x640大概需要160毫秒，导出成fp16 ONNX后降到110毫秒左右，TensorRT如果在NVIDIA显卡上跑，能到30到40毫秒级别。

导出一个ONNX模型的代码：

from ultralytics import YOLO model = YOLO("best.pt") model.export(format="onnx", opset=12, half=True, simplify=True)

如果你是部署到Jetson这类嵌入式设备，那TensorRT几乎是必选项。如果没有NVIDIA设备，在UI里可以通过"检测间隔"滑杆来控制负载，效果也还算可以。

6. 实测效果和一点落地心得

最后说说这套系统在真实环境里的表现和我自己的一些感受。

整套系统在几个测试场景中都跑过完整的流程：一是仿真养殖环境水箱，二是户外小池塘的岸边机位，三是给某位做循环水养殖的朋友安装的试点版本。综合看下来，模型在清晰、光照正常的画面上表现最好，准确率体感很高，能够稳定标出体表白点、鳃部发白的病鱼；光照复杂的户外场景需要打开"户外模式"过滤高光干扰，同时把报警阈值适当调高，误报率基本可控。

要说这套系统还有什么明显的短板，一是鳃部病害检测的可视化效果还很有限，因为鳃盖翻开才能看到糜烂面，常规机位拍不到，目前的gill_rot主要是靠鳃盖区域的色差和开合异常来推断，属于弱特征；二是数据集中病鱼的头部、鱼鳍边缘样本偏少，导致这一类小目标的边界框贴合度一般；三是个体养殖户的硬件条件参差不齐，老旧电脑上帧率只能到个位数，这需要靠更轻量的模型和更合理的抽帧策略来弥补。

实际操作中我最深的体会，是这套系统的调试重心真的不在模型训练上，而在数据采集和用户预期管理上。花一周时间在池边拍各种光线条件下的视频、补标注，模型的泛化能力能涨一截；而再好的模型，如果UI上不给使用者提供结果可解释、报警原因可见的反馈，用户也不会信这个东西。

最后分享一个小经验：不管模型在测试集上看着多好看，现场测试一定要带着用户一起跑。让养殖户自己操作一遍、看他觉得哪里别扭、指着哪些误报骂过，回来改一遍UI和阈值，这个迭代过程才是项目能不能真正被用起来的关键。模型调得再花哨，没人用，一切都是白搭。