YOLO11实战 第009期-基于yolo11的咖啡叶病害目标检测实战文档(yolo格式数据免费获取)
目录
基于yolo11的咖啡叶病害目标检测
1.数据阶段
1.1数据集准备
1.2数据集结构组织
1.3数据集下载
1.4环境安装
2.训练阶段
2.1配置文件修改
2.2执行训练命令
2.3结果图展示分析
3.推理阶段
3.1开始推理
3.2输出展示
结束语
基于yolo11的咖啡叶病害目标检测
1.数据阶段
1.1数据集准备
咖啡叶病害数据集是一个用于目标检测任务的数据集。该数据集的可能应用领域为农业。如下图显示：
数据集介绍：专为咖啡叶病害检测设计，支持YOLO等目标检测模型训练，聚焦农业病害智能化识别领域。针对咖啡种植业痛点，可直接用于病害监测无人机或田间智能检测系统开发。适用场景：农业病害识别算法开发、小目标检测研究（如潜叶蛾幼虫路径）、多尺度特征学习（锈病病斑大小差异显著）。
该数据集通过专家级标注修正，成为咖啡病害检测领域的标杆资源，尤其适合需要高精度农业场景建模的研究。
数据集标注含有4个类别：潜叶蛾（Miner）、锈病（Rust）、茎枯病（Phoma）、褐斑病（Cercospora）。修正后的标注为模型提供更可靠的训练基础，尤其在复杂背景或病害重叠场景中。
1.2数据集结构组织
YOLO格式数据集结构如下：
coffe_leafs_disease_data
- train
-- images
-- labels
- test
-- images
-- labels
- valid
-- images
-- labels
训练集图像有1213张图像，验证集图像有351张图象，测试集图像有180张图象。
1.3数据集下载
【注意：准备好的coffe_leafs_disease_data文件夹，应该与下面的工程项目yolov11_det位于同级目录，不要将coffe_leafs_disease_data文件夹放置在工程项目里面】
☆可直接获取转换完成的yolo格式数据集(如下图)，获取方式见文末
1.4环境安装
执行下面指令：
pip install ultralytics==8.3.59 -i https://pypi.tuna.tsinghua.edu.cn/simple
2.训练阶段
2.1配置文件修改
【前提条件：cuda、torch、ultralytics版本匹配且可用，使用yolo11 m型号预训练模型】
【需要进入工程项目yolov11_det里面】
修改数据配置文件./custom.yaml，训练集/验证集路径设定，类别数和类别名称需一致
2.2执行训练命令
【按需修改train.py文件里的训练参数，例如：windows系统，workers应该设置为0；linux系统，可设置为8；其他参数按照硬件配置需求做修改】
执行训练指令：
python train.py
训练200 epoch后(含有早停机制，149epochs)，模型保存在runs/detect/train/weights文件夹
2.3结果图展示分析
1）F1_curve.png（F1分数）
由图可知，当confidence为0.208时，all classes的F1分数为0.54；表示该模型在0.208的置信度预测类时整体表现良好，具有一定的准确性和召回率。
什么是F1分数？F1分数是精确率（Precision）和召回率（Recall）的调和平均值，它同时考虑了模型预测的准确性和覆盖面。
2）P_curve.png（精确率曲线）
图中的深蓝色折线代表整体的精度，随着置信度的增加，精确度也增加，在置信度为0.940时，精确度达到了1.00。其余4条线分别表示4个类别在不同的置信度下的精度。
精确率曲线，帮助分析模型在检测任务中的表现，特别是在不同置信度设置下的精确性表现。通过这条曲线，可以选择合适的置信度阈值，以优化模型的检测结果，平衡精确率和召回率。
3）PR_curve.png（精确率-召回率曲线）
图中的曲线为Precision-Recall Curve（精确度-召回率曲线），展示了不同阈值下分类器的精确度和召回率。具体来说，横轴表示Recall（召回率），范围从0.0到1.0；纵轴表示Precision（精确度），范围从0.0到1.0。图中主要有5条曲线：
（1）彩色线代表4个类别的精确度-召回率曲线，每个类别的精确度各有差异；
（2）深蓝色线代表所有类别的平均精确度-召回率曲线，其精确度也在0.536左右保持稳定。
这4条曲线都显示了随着召回率的增加，精确度略有下降的趋势，但整体上精确度保持在很高的水平。
通过这条曲线，可以评估模型在目标检测任务中的整体性能，并找到合适的置信度阈值，以在精确率和召回率之间做出最佳平衡。PR 曲线越接近右上角，模型性能越好，曲线下方的面积越大，说明模型在不同置信度下的表现越稳定。
4）R_curve.png（召回率曲线）
图中的R曲线为Recall-Confidence Curve（召回率-置信度曲线），它展示了不同置信度下的召回率。具体来说，横轴表示置信度，从0.0到1.0；纵轴表示召回率，从0.0到1.0。图中主要有5条曲线：
（1）4条彩色线：代表4个类别的召回率随置信度的变化情况。这条曲线显示了随着置信度的增加，每个类别的召回率先变化较小，然后在某个点之后迅速下降。
（2）深蓝色线：代表所有类别的平均召回率随置信度的变化情况。
展示模型在不同的置信度阈值（confidence thresholds）下的召回率表现。召回率曲线帮助评估模型在目标检测任务中，检测到真正目标的能力。通过这条曲线，用户可以评估模型的检测能力，分析模型在不同阈值下对真实目标的检测是否全面。如果召回率曲线在较低的置信度下表现较好，说明模型可以有效检测大多数目标；如果曲线下降较快，可能需要调整模型或数据集，避免漏检问题。
5）results.png（结果指标曲线）
这个图像文件，显示了训练过程中关键指标（如损失、mAP）的变化趋势。
box_loss：定位损失曲线
含义：边界框损失，衡量预测的边界框与真实边界框之间的误差。包括边界框的中心位置、宽度、高度等。
图表：通常显示为训练轮次或步数上的损失值曲线，较低的损失值表明模型对边界框的预测更加准确。
dfl_loss：目标检测损失曲线
含义：分布式定位损失（Distribution Focal Loss），处理定位任务中的类别不平衡问题。帮助模型更加关注难以预测的目标。
图表：显示为训练轮次或步数上的损失值曲线，较低的损失值表示分布式定位任务的效果较好。
cls_loss：分类损失曲线
含义：类别损失，衡量预测的类别标签与真实类别标签之间的差距。反映了分类器的准确性。
图表：显示为训练轮次或步数上的损失值曲线，较低的损失值表示分类器性能较好。
Precision (B)：精度曲线
含义：精确度（B类），表示模型预测的正样本中有多少比例是真正的正样本。B类通常是指背景类。
图表：显示为训练轮次或步数上的精确度曲线，较高的精确度表示模型在背景类检测中的准确性较高。
Recall (B)：召回率曲线
含义：召回率（B类），表示模型检测到的实际正样本中的比例。B类通常是指背景类。
图表：显示为训练轮次或步数上的召回率曲线，较高的召回率表示模型对背景类的检测能力较强。
mAP50 (B)：IoU阈值为0.5时的平均精度
含义：在IoU（Intersection over Union）阈值为0.5时的平均精度（B类），反映了模型在此IoU阈值下的精度。
图表：显示为训练轮次或步数上的mAP50值曲线，较高的mAP50值表示模型在背景类的检测精度较高。
mAP50-95 (B)：IoU阈值在0.5到0.95之间的平均精度
含义：在IoU阈值从0.5到0.95范围内的平均精度（B类），评估模型在不同IoU阈值下的检测性能。
图表：显示为训练轮次或步数上的mAP50-95值曲线，较高的mAP50-95值表示模型在背景类的整体性能较强。
3.推理阶段
3.1开始推理
使用训练好的模型进行预测(输入测试图片文件夹input_test_images)：
执行下面指令：
python predict.py
检测完成后，结果保存在output_results文件夹。
3.2输出展示
样例输出如下：
结束语
感谢您的耐心阅读！若文中存在错误，恳请指出，我会努力改进。若您有更优方法，也请不吝分享，让我们共同进步！
【⭐⭐⭐免费获取yolo格式的咖啡叶病害检测数据集，请阅读：基于yolo11的咖啡叶病害目标检测】