简介本资源是一套面向本科毕业设计与人工智能课程实践的水果叶片病害图像分割完整实现方案聚焦YOLOv8在农业视觉检测中的落地应用解决传统人工诊断效率低、边界定位粗略等实际问题。压缩包共25个文件3.02MB含19张标注清晰的病害叶片PNG样本图像、4个核心Python脚本train.py、val.py、predict.py、ui.py、1份README.md说明文档及1份含设计思路与实验记录的Word文档覆盖数据准备、模型训练、推理预测与简易GUI部署全流程。目前已有24人学习下载适合具备基础PyTorch和OpenCV知识的学习者开展复现与二次开发。读者可直接运行代码完成端到端分割任务获取带病害掩膜的可视化结果并参考文档理解YOLOv8适配语义分割的技术要点、标签规范及界面交互逻辑为农业AI项目提供可扩展的工程化范例。 拿到这个项目标题基于YOLOv8的水果叶片病害图像分割设计我第一反应就是——这不就是现在计算机视觉方向毕设和课设最典型的组合拳嘛。目标检测、实例分割、农业应用、YOLOv8几个关键词全占了。实际上这类项目这几年在各大论文库和代码平台里出现的频率非常高原因很简单它既有成熟的算法底座又有足够明确的落地场景还具备完整的数据标注、训练、评估、部署闭环特别适合作为练手项目。我去年帮人调试过几个类似的病害检测项目踩了不少坑也总结了一些经验。这篇就把整个项目的技术链路掰开揉碎讲清楚从数据标注到模型训练、从损失曲线分析到推理部署全程按实操来保证你照着做能跑通。1. 项目定位YOLOv8做病害分割到底解决什么问题1.1 场景需求拆解为什么农业方向偏爱分割模型先说场景。水果叶片病害检测这件事传统做法是农业技术员肉眼判断或者送实验室做病理分析效率低、周期长、依赖经验。如果做成自动化检测系统让农户或者植保站的工作人员拿手机拍一张照片系统自动圈出叶片上的病斑区域并给出类别判断这就是典型的计算机视觉落地场景。这里有个关键点为什么是图像分割而不是普通的目标检测因为病害在叶片上的表现往往是不规则区域不是标准的矩形框。比如炭疽病在叶片上表现为圆形或不规则形的褐色斑点霜霉病表现为多角形水渍状斑块如果只给一个矩形框框里面既有病斑又有健康的叶片组织后续做病害严重程度评估时误差会很大。分割模型输出的病斑掩膜可以精确到像素级这样就能计算病斑面积占叶片总面积的比例进一步判断病害等级。YOLOv8在这里扮演的角色是实例分割模型。也就是说它不只是把每个病斑区域用掩膜标出来还能区分哪些像素属于同一个病斑个体。比如一片叶子上有5个独立的病斑模型输出就是5个独立的掩膜对象。这对后期统计病斑数量和密度分布很有价值。另外还有个实际原因YOLOv8这个系列的代码库做得很成熟训练、验证、导出、部署一条龙社区生态大遇到问题搜一下就能找到解决方案不像一些纯学术框架那样用起来费劲。这就决定了它特别适合作为工程落地和毕设项目的主干模型。1.2 技术选型对比YOLOv8-Seg与其他分割方案的取舍如果是纯做分割主流的方案还有U-Net、DeepLabV3、Mask R-CNN。为什么选YOLOv8-Seg而不是这几个我逐一对比一下。U-Net是医学图像分割领域的常青树结构简单编码器-解码器对称设计小数据集也能训练得不错。但U-Net本质是语义分割它区分的是像素类别不能区分实例。如果你只需要把病斑区域和正常区域分开U-Net够用但如果你需要区分每一个独立的病斑U-Net做不到至少原生版本做不到。另外U-Net推理速度相对慢部署到边缘设备时帧率上不去。Mask R-CNN是两阶段检测器的代表精度高但速度是硬伤。Faster R-CNN系列在实时性要求不高的场景还能接受但放到嵌入式设备或者手机端基本跑不动。YOLOv8-Seg的定位是实时实例分割在精度和速度之间取了平衡点。实测下来YOLOv8s-seg在GTX 1660 Ti这类显卡上推理一张640×640的图片大概在15到25毫秒之间这个速度是Mask R-CNN很难达到的。DeepLabV3在语义分割领域很有名空洞卷积的设计让它拥有比较大的感受野分割边界的精细度也不错。但它同样有实例分割能力缺失的问题而且MobileNet版本的效率优势在桌面级GPU上并不明显。所以综合来看YOLOv8-Seg是这个场景下想省事、又想效果好、还希望以后能部署到手机或嵌入式设备上的最优选。如果你的需求只是纯语义分割U-Net确实值得考虑但要做实例级病斑分析YOLOv8-Seg是更现实的方案。2. 数据准备从零到YOLO格式的训练集2.1 数据来源与数量规划不花钱也能搞到好数据数据是这类项目的命门。很多同学在这个环节就卡住了不知道去哪里找病害叶片数据或者找到的数据集格式不统一还要花大量的时间清洗。先说数据集来源有三个途径可以走第一个途径是公开数据集。植物病害方向有几个比较经典的公开数据集比如PlantVillage数据集包含多种作物的叶片病害图像数量很充足。但PlantVillage有个问题它主要是叶子放在纯色背景下的拍摄图片背景干净、光照均匀和真实田间场景差距较大。如果想做演示和毕设用PlantVillage起步完全没问题模型训练出来的效果也好看但如果你追求实际落地就要考虑第二个途径。第二个途径是自建数据集。用手机或者数码相机去果园、大棚里拍真实的叶片照片背景复杂、光照变化、叶片重叠这些都是训练数据增强泛化能力的关键。自建数据的成本高但价值也最大。我见过一个做得不错的项目作者自己拍了大概2000张柑橘叶片照片涵盖了溃疡病、黄龙病、炭疽病三类标注之后训练出来的模型在真实场景下的表现比纯用公开数据集训练的模型高了不止一个档次。第三个途径是公开数据集自建数据混合。这也是我个人最推荐的组合方式。先用公开数据集把模型跑通验证整个流程没有问题再逐步加入自建数据微调提升模型在目标场景下的表现。关于数据量YOLOv8做实例分割和小目标检测不一样不需要海量数据。我的经验是单类别500张以上、多类别每类300张以上模型就能学到比较稳定的特征。如果每类只有100张左右模型容易过拟合训练集上表现极好验证集上一塌糊涂。当然数据质量比数量更重要标注准确的1000张要远胜标注混乱的5000张。2.2 标注工具实操LabelMe的完整标注流程图像分割任务的标注最常用的工具有两个LabelMe和X-AnyLabeling。LabelMe是老牌工具纯Python写的跨平台标注结果保存为JSON文件然后可以转换为YOLO需要的txt格式。X-AnyLabeling是后来出现的工具集成了SAM模型可以半自动标注效率确实高不少但依赖比较大对环境要求更高。新手的话建议先用LabelMe把流程走通再去尝试半自动工具。LabelMe的标注流程是这样的安装pip install labelme命令行输入labelme就能启动图形界面。打开图片目录选择Edit菜单下的Create Polygons开始标注。沿着病斑边缘依次点击围成封闭多边形。注意点要密集一些尤其是病斑边缘不规则的地方点太少会导致标注边界和真实病斑边界偏差较大直接影响模型学习质量。关闭多边形后弹窗提示输入标签名称。这里要特别注意标签名称不要用中文建议用英文或拼音比如anthracnose炭疽病、downy_mildew霜霉病或者简化为disease_1、disease_2。原因后面会讲YOLO格式的标签文件对中文支持不友好。单张图标注完点击Next Image进入下一张最后每张图对应生成一个同名的JSON文件。关于标注的注意事项这里多说几句标注要贴合病斑边缘但不需要把肉眼可见的每一个微小斑点都标出来。太小的斑点比如小于叶片面积2%的可以忽略否则会引入大量噪声模型学到的边界特征会被带偏。一片叶子上有多个病斑就分别标注多个多边形每个独立的多边形在最终输出的标签文件中对应一行记录。标签名要统一。同一个类别的病斑在所有图片中的标注名称必须完全一致不能这张图叫anthracnose那张图手误打成anthracnose_01。2.3 格式转换与数据集划分这一步最容易出错LabelMe保存的是JSON格式的多边形坐标YOLOv8-Seg训练需要的是txt格式的归一化坐标文件格式如下class_id x1 y1 x2 y2 x3 y3 ...每一行对应一个分割实例第一个数字是类别ID后面的坐标是归一化的多边形顶点坐标每个顶点由x和y两个值组成取值0到1之间用图片宽高做归一化。这一步的转换逻辑不复杂但有三个容易出错的地方第一是坐标归一化除法报错。如果标注的某个坐标值超出了图片宽高范围归一化后会出现大于1或者小于0的情况训练时模型可能崩溃。转换脚本里应该加一个边界截断逻辑把坐标值限制在0到1之间。第二是类别ID和类别名的对应关系要保持一致。建议在项目根目录创建data.yaml文件显式声明类别列表格式如下path: ./datasets/leaf_disease train: images/train val: images/val names: 0: anthracnose 1: downy_mildew训练时YOLOv8会读取这个文件如果你标注数据中的class_id和data.yaml中的names顺序对不上模型学出来的类别标签就会错乱。我在实际项目中遇到过这个问题模型训练完预测的掩膜区域是对的但类别名称完全对不上排查了半天发现是data.yaml顺序写错了。第三是非矩形边界带来的坐标点数量不一致问题。每个病斑的顶点数量不同有的10个点有的30个点这没关系YOLO格式的txt完全可以容纳不同数量的顶点。但在解析JSON转换坐标时要保持顶点顺序和JSON中的顺序一致不能打乱否则标注的多边形会被折叠。数据集划分方面我习惯按7:2:1或者8:2的比例划分训练集和验证集。不做独立的测试集问题不大验证集的效果已经能说明问题。但要注意划分时一定按图片维度划分同一张图的标注文件必须跟着图片走。LabelMe生成的JSON文件通常和图片同名把它一起移动到对应的split目录即可。如果你不小心把某张图片的json文件弄混了训练时会报no labels found的错误排查起来比较费时间。3. 环境配置与训练全流程3.1 环境准备显卡、CUDA、PyTorch版本怎么搭配聊到环境配置这是很多人的噩梦尤其是第一次接触深度学习环境搭建的用户。GTX 1660 Ti这个显卡在热词里出现频率很高说明不少人就拿着这块卡在跑YOLOv8。这块卡6GB显存跑YOLOv8s-segs是small版本是够用的batch size设到8到16没什么压力跑YOLOv8m-segm是medium版本就得把batch size降到4到6否则显存直接爆。PyTorch 2.x系列目前对YOLOv8支持得很好Ultralytics官方文档也明确推荐使用PyTorch 2.0以上的版本。安装CUDA时注意版本匹配PyTorch 2.1对应的CUDA一般是11.8或12.1PyTorch 2.4以上则支持到CUDA 12.4。如果不确定直接用Ultralytics提供的安装命令pip install ultralytics pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121安装完成后用下面这段代码验证环境是否正常import torch import ultralytics print(PyTorch版本:, torch.__version__) print(CUDA是否可用:, torch.cuda.is_available()) print(GPU名称:, torch.cuda.get_device_name(0) if torch.cuda.is_available() else 未检测到GPU) print(Ultralytics版本:, ultralytics.__version__)如果CUDA is available显示False大概率是PyTorch装了CPU版本重新装GPU版本就行。3.2 核心训练参数解读每个参数为什么这么设YOLOv8的训练参数很多但实际需要调整的核心参数就那几个。新手刚开始用默认参数训练完全没问题但想要效果更好需要理解每个关键参数背后的逻辑。参数默认值我的建议说明modelyolov8s-seg.ptyolov8s-seg.pt预训练权重s版本是精度和速度的平衡点data无data.yaml数据集配置文件路径epochs100150-200病害分割迭代次数要够多否则边界学不细imgsz640640或800输入图片尺寸病斑越小越需要大尺寸batch16根据显存调整batch越小梯度更新越频繁训练越不稳定device00指定GPU设备号CPU训练速度极慢不建议patience5030早停耐心值连续N个epoch验证集指标无提升就停止epochs这个参数值得展开讲。病害分割任务和COCO这类通用物体分割不一样病斑和健康叶片区域在很多情况下颜色对比并不强烈模型需要更多轮次才能学到区分度高的特征。我训练过的一个梨黑斑病分割模型前50个epoch验证集mAP一直徘徊在0.7左右到第120个epoch才快速上升到0.85以上如果不给足训练轮次很容易误以为模型能力就到这了。imgsz参数同样关键。如果在原始图片上病斑面积比较小建议训练和推理时都把输入尺寸设到800虽然会慢一点但对小病斑的检测效果提升明显。YOLOv8的Mosaic-4数据增强会让模型看到更多小目标样本对小病斑的鲁棒性有一定帮助但如果病斑实在太小提升输入尺寸是最直接的办法。3.3 训练实操命令、流程与显存管理环境准备好、数据配置好之后训练命令非常简单yolo segment train modelyolov8s-seg.pt datadata.yaml epochs200 imgsz640 batch8 device0如果你想在Python脚本里训练代码也很简单from ultralytics import YOLO model YOLO(yolov8s-seg.pt) results model.train( datadata.yaml, epochs200, imgsz640, batch8, device0, patience30, projectruns/segment, nameleaf_disease, )训练启动后你会看到类似这样的日志输出Epoch GPU_mem box_loss seg_loss cls_loss dfl_loss Instances Size 1/200 2.1G 1.352 1.278 1.452 1.231 12 640GPU显存占用和损失值是判断训练状态的第一手信息。如果GPU_mem接近显存上限需要马上减小batch size否则训练会中断。如果损失值在前几个epoch内不降反升大概率是学习率设置有问题或者数据标注存在严重的错误。训练过程中有几点经验分享第一训练日志要保存下来。YOLOv8默认会在runs/segment/leaf_disease目录下生成很多文件包括每轮的损失值、精度、召回率、mAP这些指标以及训练过程中的权重文件best.pt和last.pt。best.pt是验证集上表现最好的权重last.pt是最后一轮的权重。后续评估和推理统一用best.pt。第二要盯住训练过程中的异常告警。如果日志中出现WARNING: NaN detected in tensor之类的提示说明训练过程出现了数值不稳定通常是学习率太大导致的需要调低lr0参数。如果出现WARNING: no labels found in train set说明数据集的图片和标签文件没有正确配对优先检查目录结构和文件名。第三GTX 1660 Ti这类6GB显存的显卡建议开启梯度累积。YOLOv8没有原生梯度累积参数但可以通过调小batch来模拟。比如batch4显存够用但梯度噪声较大训练不稳定batch2加多次累积也可以效果介于两者之间。实测下来batch8是这类显卡的甜点值。4. 结果评估损失曲线与分割指标怎么看4.1 损失曲线解读哪些下降趋势是健康的训练完成后很多人第一件事就是找损失函数曲线图。YOLOv8在训练目录下会自动生成results.png这张图包含训练集和验证集的box_loss、seg_loss、cls_loss、dfl_loss四条曲线的走向以及precision、recall、mAP50、mAP50-95的变化趋势。怎么判断模型训练是否健康我总结了几个要点训练集损失和验证集损失同步下降说明模型在正常学习没有严重过拟合。验证集损失先降后升出现U型曲线说明模型开始过拟合了。这时候best.pt已经在曲线最低点附近保存了直接用best.pt做推理问题不大但如果想提升模型泛化能力需要增加数据增强或者调高dropout。验证集损失前50个epoch基本不动后面突然下降这种情况不一定是异常。病害分割任务的特征学习前期梯度信号弱后期特征逐渐凸显出现跳跃式下降是正常现象。损失值持续震荡不下降大概率是学习率太高或者数据集标注质量问题。先把学习率从0.01降到0.001试试。seg_loss是本次任务最关键的一个指标它代表模型输出掩膜和真实掩膜之间的差异。如果box_loss已经收敛但seg_loss还在高位波动说明模型能看到病斑区域但边界刻画的精度不够这时候提升imgsz或者增加标注精细度是最直接的优化方向。4.2 深入解读mAP分割模型的优劣怎么看mAP50和mAP50-95是评估分割模型效果的核心指标。简单解释一下这两个概念mAP50预测掩膜和真实掩膜之间的IoUIntersection over Union交并比超过0.5就认为是正确预测。这个指标相对宽容适合快速判断模型是否学到了基本特征。mAP50-95从0.5到0.95每隔0.05取一个阈值计算所有阈值下的平均精度。这个指标更严格追求的是预测掩膜和真实掩膜的高度重合。对于病害分割项目我的目标建议是模型场景mAP50目标mAP50-95目标YOLOv8n-seg快速原型0.800.55YOLOv8s-seg标准训练0.850.65YOLOv8m-seg精度优先0.880.70如果你的mAP50达不到0.8先不要着急换大模型回到数据处理环节去检查。我遇到过一个情况训练集和验证集中不同病害类别的样本数量差距过大比如炭疽病500张、霜霉病仅80张模型对小样本类别的分割效果极差导致整体mAP拉低。解决方法是数据扩充对霜霉病类别做旋转、翻转、亮度调整等增强操作把样本数量拉到和炭疽病相近的水平。还有一个容易忽略的坑验证集图片的病害严重程度如果和训练集差异过大mAP会虚高或虚低。比如训练集里都是病斑明显的重度感染叶片验证集里有很多只有一个小斑点的轻度感染叶片模型mAP就会偏低。这个不一定代表模型能力差而是数据分布不均衡。实际评估时建议把验证集按病害严重程度分层分析单独看模型对轻度、中度、重度感染叶片的表现这样才能真正了解模型的弱项在哪里。5. 推理部署从本地测试到嵌入式设备5.1 单图与批量推理模型训练完怎么用训练完拿到best.pt文件第一件事是测试单张图片的推理效果直观感受模型的分割能力from ultralytics import YOLO model YOLO(runs/segment/leaf_disease/weights/best.pt) results model.predict( sourcetest_images/leaf_001.jpg, conf0.35, saveTrue, projectruns/inference, nametest_leaf, )conf参数是置信度阈值默认0.25实际使用中建议设到0.3~0.4之间。阈值太低会输出很多低置信度的假阳性病斑阈值太高又会漏掉真实病斑。对于病害检测场景我倾向于把阈值设置在0.25~0.35之间宁可多一些假阳性也不要漏检真实病斑因为漏检意味着农户会忽略真实的病害发生后果可能很严重。批量推理的操作也很简单把source替换为包含多张图片的文件夹路径即可results model.predict( sourcetest_images/, conf0.35, saveTrue, )YOLOv8会自动遍历文件夹下的所有图片逐张推理并保存带掩膜标注的结果图。在写论文或报告时可以挑几张病害特征明显、分割边界清晰的图片放到实验结果部分。挑选时要包含不同病害类别的样本以及不同严重程度的样本这样审稿人或者答辩老师会觉得你的模型泛化能力强不是只对某一类图片有效。5.2 导出ONNX与嵌入式部署思路训练好的模型如果在PC上跑直接用PyTorch权重即可但如果要部署到手机、树莓派、RK3588这类嵌入式设备就需要做模型导出和格式转换。YOLOv8官方支持导出ONNX、TensorRT、CoreML、TFLite等格式。以导出ONNX为例yolo export modelbest.pt formatonnx imgsz640导出完成后会生成best.onnx文件。ONNX是一种开放的模型表示格式它把PyTorch模型的计算图转换为标准格式之后可以进一步转换为各种端侧推理引擎需要的格式。RK3588部署是热词里出现频率很高的场景。瑞芯微的RK3588平台用RKNN-Toolkit2工具链把ONNX转换为RKNN格式后可以在NPU上加速推理。整个流程大致是在PC端用RKNN-Toolkit2加载ONNX模型。设置量化配置RK3588上的YOLOv8-Seg一般用INT8量化可以显著提速。转换生成RKNN格式模型。交叉编译后在板端运行推理程序。我实测过RK3588上部署YOLOv8s-seg的效果INT8量化后推理速度可以到30到50毫秒每帧基本满足实时检测的需求。如果要做FP16精度保留速度会慢一些大概在60毫秒左右。对病害检测这种不需要毫秒级响应的场景两种精度方案都可选优先考虑INT8量化速度和精度平衡得比较好。嵌入式部署的坑主要在量化校准环节。如果你用纯FP16模型转INT8后效果下降明显大概率是量化校准数据集选的不好。校准数据要尽可能覆盖模型在真实场景下会遇到的图像类型包含不同光照、不同背景、不同病害严重程度并且数量通常建议200到500张。6. 常见问题与排查技巧实录6.1 训练阶段高频问题速查表把我在实际项目中遇到的、以及帮别人排查过的高频问题整理成一张表方便你遇到问题时快速定位。问题现象可能原因排查与解决方案训练时报No labels found in train set图片和标签txt文件目录不对应或标签文件为空检查data.yaml中的train路径确认每张图片的同名txt文件存在且非空训练时GPU显存溢出batch size太大或输入尺寸太大减小batch或降imgsz到480/512或换轻量模型yolov8n-seg训练损失值出现NaN学习率过大或数据集含有无穷大/边界坐标异常值降低lr0到0.0005以下检查标签txt坐标是否在0~1范围内验证集mAP极高但实际预测效果差过拟合或数据泄露同一张图同时出现在训练和验证集检查数据集划分是否按图片维度隔开增大数据增强增加训练集样本量某些类别mAP特别低样本不均衡或标注质量差扩充该类别的数据量检查该类别的标注掩膜是否贴合实际边界推理时一张图输出几百个掩膜框conf阈值过低或模型对背景区域过度敏感调高conf到0.4以上检查验证集上该类别是否有大量假阳性样本掩膜边缘锯齿感明显模型输出分辨率偏低推理时imgsz提到800或更高或换更大的模型版本6.2 数据标注环节的隐蔽坑标注环节的坑最隐蔽因为它不会直接报错而是让模型在训练后学歪了。我梳理了几个比较典型的案例案例一叶片背景纳入标注范围。如果不小心把病斑周围的叶片背景也标进了多边形模型学到的特征就包含这片区域周围有一圈绿色这种噪声。推理时叶片边缘的阴影区域可能会被误判为病斑。案例二标注边界跨叶片。两片叶子重叠在一起病斑正好在两片叶子的交界处标注时如果把两个不同叶子的区域标成一个多边形模型学到的是跨叶片条状区域是病斑这明显偏离真实情况。建议遇到这种重叠叶片时标注时只保留目标叶片上的病斑区域或者放弃标注这张图。案例三类别混淆。不同病害在早期阶段的症状非常相似比如炭疽病初期和褐斑病都是小的褐色斑点如果标注时把这两类混在一起模型学到的是一个杂交特征在区分这两类时永远做不对。遇到这种情况建议重新审视数据集把实在无法区分的样本人为归到同一个类别或者删除。6.3 性能优化与模型改进方向当你跑通了基础版本之后如果想进一步提升指标有几个方向值得尝试方向一注意力机制改进。热词里提到的EMA注意力机制、ECA机制都是YOLOv8改进的常见方向。核心思路是在C2f模块中嵌入注意力模块让模型更关注叶片上的病斑区域减少被背景干扰的概率。这类改进在论文里属于创新点在毕设中加一个小型注意力模块效果通常能提升2到5个百分点。方向二数据增强策略优化。YOLOv8默认开启了Mosaic-4增强但在病害分割场景下我建议同时开启HSV颜色空间增强和随机旋转增强。病斑颜色在不同光照下的表现差异很大HSV增强可以让模型学到颜色特征的鲁棒性。随机旋转增强则能让模型适应叶片不同朝向的情况。方向三多尺度训练。在train参数中加入multi_scaleTrue让模型每轮随机从指定的尺度范围内选择输入尺寸增强对不同大小病斑的适应能力。这个改进对小目标病斑的检测效果提升明显但训练时间会增加30%左右。方向四迁移学习策略调整。如果你在自己的数据集上从头训练不使用预训练权重效果通常不如使用COCO预训练权重做微调。YOLOv8官方提供的yolov8s-seg.pt是在COCO数据集上预训练的虽然COCO里没有病害叶片这个类别但预训练模型已经学到了丰富的低级视觉特征边缘、纹理、颜色过渡等这些特征对病害分割有很强的迁移价值。因此训练时尽量用预训练权重初始化而不是随机初始化。7. 个人实操体会与后续扩展整个项目做下来我最大的体会是病害分割模型的效果上限很大程度上取决于数据质量的下限。同样是YOLOv8s-seg这个模型用标注粗糙、类别混淆的数据训练mAP50可能只有0.6用标注精细、类别清晰、样本均衡的数据训练mAP50轻松能上0.9。算法部分的提升空间远不如数据部分来得明显。所以如果你想把指标做得好先把精力花在数据上这是性价比最高的路径。最后分享一个我常用的扩展思路把你的病害分割模型和病害严重程度评估结合。模型输出每个病斑的掩膜后可以计算掩膜面积占叶片总面积的比例按比例自动划分轻度、中度、重度三个等级。这个功能如果实现了整个系统的实际应用价值会提升一个量级——从检测病害升级为评估病害严重程度并给出防治建议在农业场景下这才是有决策价值的产出。设计一个完整的接口逻辑比如病斑面积占比小于10%为轻度建议预防性用药10%到30%为中度建议针对性用药超过30%为重度建议及时清除病叶并全园用药。这些规则逻辑写起来不难但能显著提升项目的完整度和应用价值。动手做的时候别着急把数据整理清楚、把第一个模型跑起来后面的路会越走越顺。本文还有配套的精品资源点击获取