简介专为YOLO系列目标检测任务打造的昆虫检测数据集覆盖蝴蝶、蚂蚱、蟑螂等5类昆虫图像均来自真实自然环境场景包含草丛、墙体、叶片等不同背景适合计算机视觉学习者、算法工程师以及高校相关专业学生用于模型训练、算法验证和毕业设计。资源共3325个文件其中jpg原图1108张txt标签1109个YOLO格式xml标签1108个VOC格式压缩包总大小159.48MB图片与标注一一对应目录结构清晰可直接接入YOLOv5、YOLOv8等主流框架训练。数据集已吸引2152人浏览学习整体标注规范、类别均衡能有效减少数据预处理工作量。借助这份数据使用者既可快速搭建昆虫检测模型评估不同网络结构在复杂背景下的表现也可作为迁移学习、数据增强等研究方向的测试基准有助于提升目标检测项目的实战能力。1. 昆虫检测数据集的第一个现实公共资源撑不起一次认真训练做过植保监测或昆虫行为分析的人多半有过这样的经历论文里附带的昆虫数据集要么只有几千张、类别只有四五种要么目标又小又密标注框恨不得比米粒还小。真拿去训练 YOLO前几个 epoch 的 loss 掉得还行一到验证集上 mAP50 卡在 0.6 左右密集小目标直接过拟合到背景纹理。这不是模型不行而是数据集规模、标注粒度、场景单一性共同决定的。所谓“YOLO昆虫检测数据集”落到实操层面其实是三件事知道去哪找已有数据、用合理的流程自建补充数据、把两份来源不同的标注统一成 YOLO 格式。如果只把“下载一个数据集→开训”当完整路径九成项目会卡在类别不平衡和标注噪声上。这篇顺着从数据获取、标注转换、训练调参到部署验证的整条链路讲重点放在参数设多少、踩坑看哪里这类拿过来就能用的内容适合做农业害虫监测、仓库虫害告警、实验室昆虫计数的工程师。2. 数据来源与采集策略公开集、自采抽帧、物理增强怎么配比2.1 公开数据集的常用去处与筛选边界昆虫检测可用的公开数据集分散在几个方向常见做法是去 Roboflow Universe、Open Images、iNaturalist 导出的裁剪集里筛。Roboflow 上能直接按“insect”检索到一批细分项目比如田间害虫、储粮害虫、授粉昆虫监测很多已经带 YOLO 格式标注下载即用。Open Images 的优势是规模大、背景真实但昆虫多数是小目标需要自己二次裁剪和过滤空标注。将这些数据集下载后不要直接合并训练先按类别和场景做一次“清点”。我一般会统计每类的实例数、每张图的平均目标数、目标尺寸分布。螟虫类蛾子、蚜虫、飞虱、瓢虫这几种农业高频类别在现有公开集里往往数量悬殊合并后如果不做处理蚜虫的几千个实例会直接把瓢虫那几百个实例“淹没”。2.2 自采视频抽帧的实用流程公开集不够用最常见的补充办法是拿手机或监控视频抽帧成本低且场景可控。视频抽帧不是均匀抽要结合运动变化和光照变化。田间视频里叶片晃动会导致大量失焦帧风停时的片段信息量更大所以优先抽画面静止段再加一些运动模糊帧做困难样本。ffmpeg -i field_pest_01.mp4 -vf fps2,selectnot(mod(n,5)),scale1280:720 -q:v 2 frames/field01_%04d.jpg这条命令把视频按 2 帧每秒输出同时每隔 5 帧再做一次筛选避免连续帧高度重复最后统一缩放到 1280x720。若原视频本身就是 4K保留 1920x1080 即可后续增强时再用随机裁剪缩小。抽出来的帧要跑一遍清晰度过滤可以用 OpenCV 的拉普拉斯方差判断模糊度低于阈值的直接删除。import cv2, glob for path in glob.glob(frames/*.jpg): img cv2.imread(path) lap cv2.Laplacian(cv2.cvtColor(img, cv2.COLOR_BGR2GRAY), cv2.CV_64F).var() if lap 80: print(f{path} 模糊方差 {lap:.1f}) # 这里只输出不要自动删除先人工扫一眼再删阈值 80 是针对 1280x720 图像的经验值手持设备拍出的运动模糊帧方差通常在 20 以下静止的叶片纹理帧能到 200 以上。如果做的是实验室白背景拍摄阈值可以降到 50因为本身纹理少。这个环节要在抽帧之后就做不能等标注完再筛否则白白花费大量标注工时。2.3 增强策略要贴近“田间真实”训练时的数据增强不要只套默认配置要先分析场景中哪些变化是真实存在的。昆虫检测的常见现场变量包括逆光造成的暗部细节丢失、露水反光、叶片遮挡、同类昆虫的重叠。Ultralytics 的默认增强配置里hsv_h、hsv_s、hsv_v 都是随机扰动但田间拍摄的昆虫照片色偏往往固定比如清晨偏蓝、正午偏黄这种规律性色偏用随机 HSV 增强覆盖不到。常见的做法是准备一个“物理扰动清单”旋转角度设到正负 30 度因为昆虫在叶片上的朝向是任意的上下翻转关掉因为昆虫正着拍和倒着拍不是同一类判别信息过度翻转反而误导模型学习重力方向无关的特征mosaic 和 mixup 都要开但 mosaic 概率保持默认 1.0mixup 调低到 0.2昆虫目标太小mixup 叠加太狠会让边界框中心点不稳定。3. 标注与格式转换从源标注到 YOLO txt 的一条保守通路3.1 标注工具怎么选标注工具的选择取决于团队规模和数据量。单人标注几百张图用 LabelImg 就够安装轻、操作直接需要半自动辅助标注时X-AnyLabeling 这类带模型预标注的工具能省一半时间先让 YOLO 跑一遍预测再把预测结果加载成预标注框人工只负责删错框、补漏框。如果项目有协作标注需求再用 Roboflow 或 CVAT 之类带服务端管理的方案。工具换来换去标注格式总归要落到 YOLO 的 txt。YOLO 格式每个 txt 文件名与图片文件名一一对应每行是“类别ID 中心点x 中心点y 框宽 框高”坐标是相对图像的归一化值。用一个最小脚本就能把最常见的 COCO JSON 转成 YOLO 格式。3.2 从 COCO JSON 转 YOLO 格式的代码与校验import json, os from PIL import Image def coco_to_yolo(json_path, img_dir, out_dir, class_names): with open(json_path) as f: coco json.load(f) cat_id_to_label {cat[id]: i for i, cat in enumerate(coco[categories])} os.makedirs(out_dir, exist_okTrue) for img_info in coco[images]: img_file img_info[file_name] w, h Image.open(os.path.join(img_dir, img_file)).size lines [] for ann in coco[annotations]: if ann[image_id] ! img_info[id]: continue bbox ann[bbox] # [x, y, width, height] cx (bbox[0] bbox[2] / 2) / w cy (bbox[1] bbox[3] / 2) / h bw bbox[2] / w bh bbox[3] / h cx, cy, bw, bh max(0, min(cx, 1)), max(0, min(cy, 1)), max(bw, 0), max(bh, 0) label cat_id_to_label[ann[category_id]] lines.append(f{label} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}) out_name os.path.splitext(img_file)[0] .txt with open(os.path.join(out_dir, out_name), w) as f: f.write(\n.join(lines))这段代码的关键在cx (bbox[0] bbox[2] / 2) / wCOCO 的 bbox 记录的是左上角坐标加宽高YOLO 需要的是中心点坐标必须先加一半宽高再归一化。对min/max截断不要省略有些公开数据集的标注框会略微越界不截断训练时会触发警告甚至影响 loss 计算。转换完成后抽 20 张图把标注画回去人工检查重点看两个地方小目标的框是否偏移、类别 ID 是否错位。3.3 类别不平衡怎么在标注阶段提前规避标注完成后的第一件事是统计类别分布。下表是一个典型场景的标注数量分布能直观说明问题类别实例数平均框面积(像素)建议处理策略蚜虫842048x36数量足够优先保证标注质量飞虱52152x40数量偏少需要补充采集瓢虫34295x78数量极少做离线增强复制蛾类1720210x160目标较大模型容易学无需特殊处理遇到类别实例数相差一个数量级时常见的处理不是直接删大类或重复小类而是分层采样epoch 内每个 batch 强制保证小类别的出现比例。实现上可以给每个类别设定采样权重用小类别的过采样补齐比手动复制图片文件更稳。YOLO 训练脚本中通过class_weights或自定义 Dataset 的 sampler 实现多数时候比改 loss 权重简单。更重要的动作是做类别合并评估如果飞虱和蚜虫在应用场景中不需要区分合并成一个“小型害虫”类训练难度和误检率都会显著下降。3.4 标注质量的二维校验法标注质量直接影响 YOLO 模型上限不检查就训练的代价是排错成本被推迟到模型上线后。高效做法是“模型预检加人工抽检”并联先用一个公开的预训练 YOLO 模型跑一遍标注集的预测结果把置信度高于 0.9 且与标注框 IoU 低于 0.3 的目标列出来这些大概率是漏标框。再看 IoU 在 0.5 到 0.7 之间的框这一类通常是对边界标粗或标细模型预测的框可能比人工标得更贴近目标边缘。人工抽检按 10% 比例抽抽检对象不是随机图片而是按“小目标占比高、目标数量大于 20 个”的条件筛出的图片这类图的标注压力最大、漏标率最高。如果抽检发现超过 5% 的目标漏标返回去全员重查否则只修被点名的图。标注工作要在训练开始前一次性收敛训练后再补标会产生数据分布漂移得不偿失。4. 用 YOLO 训练昆虫检测模型命令、参数和 loss 曲线怎么看4.1 最小可复现的训练命令以 ultralytics 生态的 YOLOv8 或 YOLO11 为例训练命令只需要一个 data.yaml、一个 pretrained 权重、一条命令行。data.yaml 里最关键的是路径和类别名路径建议写绝对路径训练脚本的工作目录一旦切换相对路径很容易把图片读空。# insect_data.yaml path: /data/insect_det # 数据集根目录 train: images/train val: images/val test: images/test nc: 4 names: [aphid, planthopper, ladybug, moth]yolo detect train \ modelyolo11s.pt \ datainsect_data.yaml \ imgsz640 \ epochs100 \ batch16 \ device0 \ lr00.005 \ cos_lrTrue \ patience20 \ projectinsect_pests \ nameexp01工程上真正影响昆虫检测效果的是imgsz和batch这两个参数。图像原始分辨率如果接近 1280x1080把imgsz调到 768 或 896 能明显改善小目标召回代价是训练时间和显存占用线性增加。batch的值设在显存允许的最大值再往回缩一点比如 24GB 显存跑 yolo11s 时batch16是一个稳妥起点强行上 24 会导致 CUDA OOM 然后白白浪费一次重启时间。4.2 训练参数表中的关键旋钮参数名默认值昆虫场景建议理由imgsz640768~1024提高小目标的分辨率让模型看见更多细节mosaic1.01.0拼接图能模拟密集目标场景不要关mixup0.00.2适度叠加增强避免小目标中心点漂移fliplr0.50.5左右翻转对昆虫姿态不敏感可以保留fliplr 上下翻转0.00.0昆虫形态有方向性上下翻转会误导模型close_mosaic1015最后 N 个 epoch 关掉 mosaic让模型适应真实分布scale0.50.3缩小幅度太大会破坏小目标的长宽比判别box7.57.5默认值适用小目标数据不用刻意调大cls0.50.8类别不平衡明显时适当提高分类损失权重上下翻转flipud关掉是昆虫检测里最容易忽略的一项。蝴蝶停在叶片上时头朝向随机但蛾子和螟虫有明显的趋光性拍摄角度人工作业的图片里绝大多数是背光或侧光姿态上下翻转会让模型把光影分布当成特征之一。白天的时间段变化也一样与其依赖翻转增强不如在数据采集阶段覆盖 9 点到 15 点的光照段。4.3 从 loss 曲线读问题而不是只看 mAP训练过程中的实时反馈有两个维度train loss 和 val loss。如果 val loss 在 epoch 30 后持续上升而 train loss 还在下降这是过拟合信号直接把epochs从 100 减到 60或者把dropout打开、把weight_decay从默认值提高到 0.0005。如果 train loss 和 val loss 都在高位横盘多数时候是学习率太大导致 loss 震盪把lr0从 0.01 降到 0.002 重新跑。box_loss 在小目标数据上不会降到特别低因为归一化到 640x640 之后一只 30 像素的小飞虫的框宽只有 0.02 左右横纵坐标的微小像素抖动在归一化后会被放大。这不是 bug是正常现象。判断标准不是 box_loss 的绝对值而是 val 集上小目标类别的召回率是否逐步上升。用yolo detect val跑一轮验证后查看每一类的 confusion matrix 和 per-class 的 recall比盯着总 mAP 更有信息量。yolo detect val \ modelinsect_pests/exp01/weights/best.pt \ datainsect_data.yaml \ imgsz768 \ conf0.25 \ iou0.6验证命令里的conf要跟推理时保持一致否则 mAP 的参考价值会打折扣。iou是 NMS 的 IoU 阈值对密集昆虫目标不要用默认的 0.7改成 0.5 可以减少重叠目标被合并的情况。此处的关键启发是训练时的数据增强和推理时的预处理之间的一致性比单点调参更重要。4.4 类别严重不平衡时先做采样而不是先改损失函数训练数据里蚜虫 8000 个实例、瓢虫 300 个实例时很多人第一反应是改cls权重。但实例数是绝对值模型关心的是每个 batch 中类别出现的频次。在 batch 层面把瓢虫的采样概率调高比在 loss 上乘以一个大权重更能稳定训练。改动采样逻辑只需在自定义 Dataset 的__getitem__里返回同一图片或同一类别图片的索引fewer 的类别在一个 epoch 里被重复读到是一种保守方案。如果做了类别的重加权采样验证集的评价指标就不要只看 mAP重新定义“业务召回率”更有参考价值。业务召回率定义为在置信度阈值 0.25 下模型检测出瓢虫的次数除以人工标注瓢虫的总实例数。这个指标不需要额外代码在 val 结果的 confusion matrix 里就能换算出来但它比 mAP50 更容易向非技术角色解释项目进展。5. 从指标到现场部署召回优先还是精度优先以及数据回溯验证集上的 mAP50 达到 0.85 之后距离真实部署还有一段路。田间摄像头拍到的画面和训练集的差距通常来自负样本蜘蛛网、水滴反光、落叶的虫咬痕迹这些都会被模型误检成昆虫。正式上线前要单独准备一批“负样本验证集”只包含场景里出现的非目标物体。跑完推理后统计每张图的误检框数量如果每帧多于 0.5 个误检就要考虑调高置信度阈值。密集小目标场景建议做“先切图再推理”的策略。以 1080p 输入为例切成 4 个 640x640 的块分别推理再按坐标合并结果。切图会让小目标尺寸在模型输入中占比变大等效于放大图像但代价是同一只飞虫如果在切图边界被裁开可能出现重复检测。处理办法是把切图块设置 10% 的重叠区域在合并时用 NMS 按 IoU 去重建框。from ultralytics import YOLO import numpy as np model YOLO(insect_pests/exp01/weights/best.pt) def predict_tiled(img, tile_size640, stride576, conf0.3): h, w img.shape[:2] dets [] for y in range(0, h, stride): for x in range(0, w, stride): tile img[y:ytile_size, x:xtile_size] res model.predict(tile, confconf, imgsz640, verboseFalse)[0] for box in res.boxes: x1, y1, x2, y2 box.xyxy[0].tolist() cls_id int(box.cls[0]) score float(box.conf[0]) dets.append([x x1, y y1, x x2, y y2, score, cls_id]) return dets # 后续按坐标叠回原图再跑一次 NMS 合并这段切图推理代码里stride576允许 tile 之间有 64 像素重叠能降低目标被切断的损失。推理出来的框在合并阶段用 IoU 0.45 再做一次全局 NMS既不会丢密集目标也能把重复框压制下来。部署环境如果只有 CPU把 imgsz 降到 480 再配合视频流抽帧检测处理速度更现实。最后一步是数据回溯机制。现场部署后收集到误检样本不要直接把它丢进训练集重训。先按“误检类别”聚类找到误检的共性光照逆光、特定植物部位、某类叶片纹理。每两周人工筛选一批高价值样本补进训练集并重新标注迭代训练时把epochs设为原训练量的一半即可。这个流程把“部署后精度下滑”从被动救火转成常态化迭代也自然让昆虫检测数据集随现场反馈持续长出新样本。本文还有配套的精品资源点击获取