简介这份玉米好坏检测数据集面向从事农产品品质分级的算法工程师、计算机视觉学习者及农业智能化项目开发者用于训练和验证玉米粒好坏二分类或目标检测模型解决实际场景中人工分拣效率低、标准不统一的问题。资源包共约2000个文件以1995张jpg图像为主体另含3个json标注文件和2个txt说明文件压缩包整体约122.84MB图像按COCO格式完成人工标注可直接接入主流检测框架进行训练与评估标注平均准确率在89.5%以上覆盖不同光照与拍摄角度下的玉米样本。目前已有393人学习下载适合作为课程设计、毕业设计或农业质检算法原型的训练数据。读者可据此快速构建数据加载流程、复现基线模型并对比精度省去从零采集与标注的成本同时借助标注文件理解COCO格式的字段组织方式为后续迁移到其他农作物检测任务提供参考。1. 2357 张玉米粒图像、COCO 标注、89.5% 准确率这份数据集到底能干什么收玉米的季节粮库和加工厂最头疼的一件事就是分拣。霉变粒、虫蛀粒、破损粒混在好粮里靠人眼在传送带上盯一天下来眼睛发花标准还不统一。我前阵子接了个玉米品质分级的活儿第一反应不是选模型而是先找数据——没有一批标得干净、类别定义清楚的玉米粒图像后面调什么网络都是玄学。这份「玉米好坏检测数据集」就是在这个场景下翻到的2357 张玉米图片全部按 COCO 格式做了人工标注官方给的检测平均准确率在 89.5% 以上。它解决的不是「玉米长什么样」这种分类问题而是检测问题——在一堆玉米粒里把坏粒框出来。适合谁用做农产品分拣设备视觉模块的、搞粮食仓储质检算法的、带学生做目标检测课程设计的以及想拿一个真实小数据集练 YOLO 或 COCO 系模型的人。2357 张不算大但胜在标注格式规范、类别聚焦拿来跑通全流程、验证一个分拣思路比动辄几万张但标注混乱的数据集省心得多。下面我按「先搞懂它是什么 → 怎么喂进模型 → 坑在哪」的顺序拆一遍。2. COCO 标注结构拆解先看懂 json再谈训练拿到一个 COCO 数据集很多人第一件事是直接丢给训练脚本结果报一堆 key 错误。血泪经验是先花十分钟把标注文件的结构读明白后面能省两小时排错。这一章讲清楚这份数据集的标注长什么样、类别怎么定义、以及为什么 COCO 格式对检测任务友好。2.1 COCO 的三个核心字段images、annotations、categoriesCOCO 格式本质是一个大 JSON检测任务里你只需要盯住三个顶层字段。images记录每张图的文件名、宽高和唯一 idannotations是每个标注框含bbox左上角 x、y 加宽高、category_id、image_id、iscrowdcategories是类别表把category_id映射到类别名。这份数据集做的是玉米好坏二分类检测所以categories里通常就是「好粒 / 坏粒」两类具体类别名以你拿到的 json 为准别照抄我的假设。先跑一段脚本把结构摸清楚这是我最推荐的第一步import json from collections import Counter # 换成你解压后的标注文件路径 ann_path annotations/instances_train.json with open(ann_path, r, encodingutf-8) as f: data json.load(f) print(顶层字段:, list(data.keys())) print(图片数量:, len(data[images])) print(标注框数量:, len(data[annotations])) print(类别表:, [(c[id], c[name]) for c in data[categories]]) # 统计每个类别的框数判断类别是否均衡 cat_counter Counter(a[category_id] for a in data[annotations]) print(各类别框数:, dict(cat_counter)) # 看一张图的尺寸和它的标注 sample data[images][0] print(样例图:, sample[file_name], sample[width], x, sample[height])逻辑说明images和annotations的长度比能反映平均每张图几个目标——玉米粒密集堆叠时一张图几十个框很正常。cat_counter是关键如果好粒和坏粒的框数差出好几倍训练时就得考虑类别权重或者重采样否则模型会偏向多数类坏粒漏检率飙升。参数上bbox是[x, y, w, h]绝对像素值不是归一化坐标转 YOLO 格式时要除以图宽高。2.2 为什么检测任务优先选 COCO 而不是纯分类目录有人会问不就是分好坏吗按文件夹分好、坏两类做图像分类不就行了这里有个容易翻车的认知差。分类模型告诉你「这张图里有坏粒」但分拣设备需要知道坏粒在哪、有几个才能驱动气吹或机械臂剔除。COCO 给的是实例级框天然支持检测和实例分割的扩展。另外 COCO 是事实标准主流框架的 dataloader 都直接吃Detectron2、MMDetection、YOLO 系列需转换、PaddleDetection 都有现成解析。选它意味着你少写一堆自定义解析代码。常见做法是保留原始 COCO json 不动另写一个转换脚本生成训练框架要的格式这样原始标注永远可回溯——这就是你的后悔药。2.3 标注质量自检三行代码查越界框和空图人工标注难免有手滑框超出图像边界、或者某张图一个框都没有直接训练会引入噪声。上线前我一般强制过一遍自检bad_boxes, empty_imgs [], [] img_map {img[id]: img for img in data[images]} for a in data[annotations]: img img_map[a[image_id]] x, y, w, h a[bbox] if x 0 or y 0 or x w img[width] or y h img[height]: bad_boxes.append((a[image_id], a[bbox])) ann_img_ids {a[image_id] for a in data[annotations]} empty_imgs [i[id] for i in data[images] if i[id] not in ann_img_ids] print(越界框:, len(bad_boxes), 空标注图:, len(empty_imgs))逻辑说明越界框通常是标注时拖拽超出画布训练时坐标裁剪会引入形变最好回原图重标或直接裁掉。空标注图要么是纯背景负样本有用可保留少量要么是漏标有害得补。参数上iscrowd1的框在 COCO 评估里走的是另一套 IoU 规则玉米粒这种密集小目标一般不会有 crowd 标注但转换时别把它当普通框处理。3. 从 COCO 到 YOLO转换脚本、划分比例与训练参数数据集能看懂之后下一步是喂进模型。这份数据官方准确率 89.5% 以上大概率是在某个检测框架上跑出来的基线。你要复现或超过它绕不开格式转换和训练配置。这一章给一套能直接抄的流程以 YOLO 系为例——它上手快、对小数据集友好是这类农产品检测最常见的起点。3.1 COCO 转 YOLO txt坐标归一化与类别映射YOLO 要的是每张图一个.txt每行类别索引 cx cy w h全部归一化到 0~1。转换时最容易错的是坐标原点和归一化基准写清楚再动手import json, os ann_path annotations/instances_train.json out_dir labels/train os.makedirs(out_dir, exist_okTrue) with open(ann_path, r, encodingutf-8) as f: data json.load(f) # category_id 可能不是从 0 连续必须重映射成 0,1,2... cats sorted(data[categories], keylambda c: c[id]) cat_id2idx {c[id]: i for i, c in enumerate(cats)} img_map {img[id]: img for img in data[images]} # 按 image_id 聚合标注 from collections import defaultdict per_img defaultdict(list) for a in data[annotations]: per_img[a[image_id]].append(a) for img_id, anns in per_img.items(): img img_map[img_id] W, H img[width], img[height] lines [] for a in anns: x, y, w, h a[bbox] cx (x w / 2) / W cy (y h / 2) / H lines.append(f{cat_id2idx[a[category_id]]} {cx:.6f} {cy:.6f} {w/W:.6f} {h/H:.6f}) name os.path.splitext(os.path.basename(img[file_name]))[0] with open(os.path.join(out_dir, name .txt), w) as f: f.write(\n.join(lines))逻辑说明cat_id2idx这步不能省。COCO 的category_id经常是 1、3、5 这种不连续值直接当 YOLO 类别索引会越界或错位。归一化用cx/W、w/W注意是中心点坐标不是左上角。参数上保留 6 位小数足够YOLO 内部会再处理。转换完务必抽查一张图用可视化脚本把框画回去确认没整体偏移——坐标原点搞反左上 vs 左下是经典翻车点。3.2 训练集/验证集划分别用随机划分坑自己2357 张图常见做法是 8:2 或 7:3 划分。但玉米粒图像如果是连续拍摄的相邻帧高度相似纯随机划分会导致验证集里混进和训练集几乎一样的图准确率虚高。更稳的做法是按拍摄批次或原始文件夹划分让验证集真正「没见过」。# 假设图片已按 train/val 分好目录生成 YOLO 的 data.yaml cat data.yaml EOF path: ./corn_dataset train: images/train val: images/val nc: 2 names: [good, bad] EOF逻辑说明nc是类别数names顺序必须和转换时的cat_id2idx一致否则标签全错。path是数据集根目录train/val是相对路径。如果类别名你拿到的是中文建议在 yaml 里改成英文或拼音部分框架对中文类别名支持不稳。3.3 训练参数怎么设小数据集的关键几个值小数据集训练参数比网络结构更影响结果。下面这套是我在类似规模数据上常用的起点yolo detect train \ datadata.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ augmentTrue \ cacheTrue逻辑说明model选 nano 版是因为 2357 张图撑不起大模型容易过拟合先用小模型跑通基线。epochs150配patience30意思是 30 轮没提升就早停避免无效训练。imgsz640是通用值但玉米粒是小目标如果原图分辨率高、单粒像素少可以试 960 甚至 1280代价是显存和速度。lr00.01是 SGD 的常见初始学习率用 Adam 的话降到 0.001 量级。augmentTrue开启内置增强小数据集靠它扩样本。cacheTrue把图缓存进内存2357 张完全放得下能明显提速。跑完看结果重点不是看 mAP 一个数而是分开看好粒和坏粒的 precision/recall。坏粒漏检recall 低在分拣场景里比误检更致命因为漏掉的坏粒会进成品。如果坏粒 recall 明显低优先加坏粒样本或调类别权重而不是盲目加轮数。4. 避坑与排查这份数据集上手时最容易栽的五个地方数据集本身不复杂但真实项目里翻车往往出在细节。下面五条是我和身边人踩过的按「现象 → 原因 → 解决」写你对号入座。现象训练 loss 正常下降但验证 mAP 一直上不去甚至 0.1 都不到。原因九成是类别索引错位。COCO 的category_id没重映射或者data.yaml里names顺序和转换脚本不一致模型学的是错的标签。 解决抽一张训练图把它的 YOLO txt 和原图叠在一起可视化确认框的位置和类别都对。再打印cat_id2idx和 yaml 的names逐项比对。现象模型在验证集上准确率 95%一上真实产线就崩。原因验证集和训练集同源拍摄光照、背景、玉米品种高度相似属于数据泄漏式的虚高。 解决按拍摄批次划分验证集或者留出一批完全不同条件下拍的图做测试集。真实场景还要考虑光照变化、传送带背景训练时加亮度、对比度增强。现象坏粒检测框大量重叠一个坏粒出好几个框。原因玉米粒密集堆叠NMS 阈值设太高或者标注时相邻粒的框本身就重叠严重。 解决推理时调低 NMS 的 IoU 阈值如从 0.7 降到 0.5训练时检查标注是否有重复框。密集小目标还可以试 Soft-NMS。现象小粒、破损粒几乎检测不到。原因小目标在 640 分辨率下特征太弱下采样几次就没了。 解决提高输入分辨率到 960/1280或在模型里加 P2 小目标检测层。数据层面统计小目标框的尺寸分布如果大量框小于 32×32 像素必须针对性处理。现象换台机器或换个框架准确率对不上官方给的 89.5%。原因评估协议不同——IoU 阈值、是否算 crowd、mAP 是 0.5 还是 0.5:0.95都会让数字差好几个点。 解决明确你的评估口径和基线对齐后再比较。别拿自己 0.5:0.95 的 mAP 去对标别人 0.5 的数那是自找难受。5. 把 89.5% 再往上推难例挖掘与推理端的一个实用技巧基线跑通只是开始。这份数据集规模有限想在实际分拣里稳住得在难例和推理端下功夫。这一章讲两个我反复用、见效快的做法再给一个验证思路。5.1 难例挖掘用验证集漏检反哺训练89.5% 的准确率意味着还有约一成的样本没搞定这些恰恰是提升空间。做法很简单拿训练好的模型跑一遍验证集把漏检和误检的图挑出来人工复核后补进训练集再训一轮。这个闭环比盲目加数据有效得多。# 用 ultralytics 推理并保存漏检样本清单 from ultralytics import YOLO import os model YOLO(runs/detect/train/weights/best.pt) results model.predict(images/val, saveTrue, conf0.25, iou0.5) # 统计每张图的检测框数框数为 0 但实际有标注的即为漏检候选 for r in results: n len(r.boxes) if n 0: print(疑似漏检:, os.path.basename(r.path))逻辑说明conf0.25是置信度阈值调低能召回更多框但误检增加调高反之。漏检候选图人工看一遍确认是真漏检就补标进训练集。参数上iou0.5控制 NMS密集场景可再降。这个循环跑两三遍坏粒 recall 通常能提几个点。5.2 推理端TTA 与置信度阈值的取舍测试时增强TTA对玉米粒这种小目标有稳定收益代价是推理变慢。如果产线速度要求不高值得开yolo detect predict \ modelbest.pt \ sourceimages/test \ augmentTrue \ conf0.3 \ iou0.5逻辑说明augmentTrue开启 TTA对同一张图做多尺度/翻转推理再融合小目标召回更稳。conf0.3是分拣场景的折中——太低误检多气吹会误剔好粒太高漏检多坏粒进成品。这个值必须结合你的业务成本调没有万能数。我一般会画一条 precision-recall 曲线找业务能接受的那个平衡点。5.3 验证方法别只看 mAP看混淆矩阵和单类指标最后给个验证习惯。训练完先看混淆矩阵确认好粒坏粒有没有互相混淆再看每一类的 P/R别被总体 mAP 掩盖了坏粒的短板。如果坏粒 recall 低于 0.85这份模型在分拣线上就是不合格的回去补难例。指标关注点合格参考坏粒 recall漏检率最致命≥ 0.90坏粒 precision误剔好粒的成本≥ 0.85好粒 recall好粮通过率≥ 0.95mAP0.5整体基线对标 89.5%从那以后我每次拿到新数据集都强制先跑一遍结构自检和可视化抽查再谈训练——省下的排错时间远比那十分钟值。这份玉米好坏检测数据集结构清晰、类别聚焦拿来练手或做分拣原型都够用希望帮到你。本文还有配套的精品资源点击获取