3. 农业数据集构建与标注

目标检测模型的性能上限，很大程度上在数据集阶段就已经被决定了。农业场景的数据集构建并不是“拍一堆照片、框一堆框”这么简单，它需要围绕检测任务本身，先明确要检测什么、如何界定边界、由谁来标、按什么规则标，最后才是选择工具和公开数据。本节围绕类别定义、标注工具、标注规范和公开数据集对比四个环节展开，并给出可直接参考的实践做法。

一、类别定义：先想清楚“检测什么”

类别体系是数据集的骨架。农业检测任务常见的类别定义方式有三种：按物种（如苹果、番茄、柑橘）、按器官（如花、幼果、成熟果、病叶）、按状态（如健康、早期病斑、严重病斑）。同一张图里，如果既想检测“番茄”又想检测“病斑”，就必须明确这是两个层级的目标，不能混在一个扁平类别表里，否则标注员会在“框整颗果实”还是“框病斑区域”之间反复摇摆。

实践中建议遵循三条原则。第一，互斥性：任意一个目标实例只能属于一个类别，例如“成熟番茄”和“未成熟番茄”按颜色区分后，就不再保留一个笼统的“番茄”类。第二，可辨识性：类别差异必须在图像分辨率下肉眼可辨，若两个病害阶段在 1080p 图像上几乎无法区分，就应合并或提升采集分辨率。第三，任务相关性：只保留对下游决策有用的类别，例如采摘机器人只需要“可采摘果实”，不必细分十个品种。

一个可参考的示例类别表如下（示例，非实测数据）：

最小框尺寸的设定非常关键。它直接决定了标注时“多小的目标才标”，也影响后续模型输入分辨率的选择。若最小框为 16 像素，而训练时把图像缩放到 640×640，则原图中 16 像素的目标在缩放后可能只剩几个像素，模型难以学习，这时就需要提高采集分辨率或采用切图训练策略。

二、标注工具：按任务形态选工具

目标检测最常用的是矩形框标注，工具选择主要看三点：是否支持团队协作与任务分配、是否支持导出 COCO/YOLO/VOC 等主流格式、是否支持预标注与审核流程。常见选择包括 LabelImg（轻量、单机、适合小规模）、CVAT（支持视频、多人协作、审核流）、Label Studio（可配置多种标注类型）、Roboflow（在线协作与增强一体化）。

以 YOLO 格式为例，每张图对应一个同名 txt 文件，每行一个目标，格式为：

类别ID 中心x 中心y 宽 高
0 0.512 0.437 0.086 0.094
1 0.301 0.622 0.071 0.083

其中坐标均为归一化值，即除以图像宽高后的比例，取值范围 0～1。这一点必须在标注规范中写清楚，因为不同工具默认导出格式不同，COCO 使用绝对像素坐标的 [x_min, y_min, w, h]，VOC 使用 [x_min, y_min, x_max, y_max]，混用会导致训练时框全部错位。建议在项目开始时固定一种中间格式，转换脚本单独维护并做抽样校验。

三、标注规范：把“凭感觉”变成“可判定”

标注规范的本质是把模糊判断转成可执行的判定条件。一份可用的规范至少应覆盖：框的贴合程度（紧贴目标外轮廓，不留明显空白，也不切掉目标边缘）、遮挡处理（遮挡超过约 50% 不标，遮挡 20%～50% 按可见部分紧贴标注并在备注中记录）、截断处理（目标在图像边缘被截断且可见面积足够时标注，框到图像边界为止）、密集目标处理（相邻果实框允许少量重叠，但不得把两个目标框成一个）、以及难例标记（模糊、过曝、严重遮挡的目标标记为 difficult，训练时可选择忽略）。

规范落地还需要一致性校验。推荐做法是：先由一名标注员标 50 张作为“黄金集”，再由第二人独立复标，计算两者的框 IoU 与类别一致率。若平均 IoU 低于 0.75 或类别一致率低于 90%，说明规范存在歧义，应先修订规范再批量标注，而不是直接扩大标注量。批量标注过程中按 10% 比例抽检，发现系统性偏差（例如某标注员习惯把框画大一圈）时及时返工。

四、公开数据集对比：能用但要看清边界

农业公开数据集可以显著降低冷启动成本，但必须看清其采集条件与自身任务的匹配度。PlantVillage 是经典的叶片病害分类数据集，以受控背景下的单叶图像为主，适合做病害分类与预训练特征学习，但它不是目标检测数据集，图像中通常只有一片叶子居中，缺少真实田间场景的多目标、遮挡与复杂背景，直接用于田间检测会存在明显的域差异。AgriNet 一类农业图像数据集覆盖面更广，包含多种作物与场景，可用于预训练或类别扩展，但使用前仍需核对类别定义、标注格式与许可协议。

更实际的做法是“公开数据预训练 + 自有数据微调”：先用公开数据训练骨干网络或做初始化，再用符合本地作物、本地光照与本地相机条件的自有标注数据微调。下表给出对比维度（示例性归纳，具体以各数据集官方说明为准）：

下面的图示把本节的关键关系串起来：从类别定义出发，经采集与标注规范约束，进入工具标注与一致性校验，最终形成可训练数据集，并标明公开数据在其中的位置——它主要作用于预训练环节，而最终评估必须依赖与部署场景一致的自建数据。

五、构建闭环中的几个易错点

第一，采集与类别脱节。先定类别再采集，能避免“拍完才发现某类样本极少”。建议按类别设定最低样本量，例如每类不少于 300 个实例，稀有类通过定向补采或合理的数据增强补足，但增强不能替代真实样本的多样性。

第二，训练集与测试集同源泄漏。同一植株、同一时间段连拍的多张图若被随机分到训练集和测试集，测试指标会虚高。应按“地块/植株/采集批次”为单位划分，而不是按单张图像随机划分。

第三，忽略负样本。田间图像中大量背景（土壤、支架、天空、杂草）不含目标，适当加入纯背景图作为负样本，可以降低误检率。负样本同样需要经过同一套采集与筛选流程。

第四，标注版本管理。规范修订后，旧标注需要按新规范回溯检查。建议为数据集打版本号（如 v1.0、v1.1），记录每次修订的类别变更、返工范围与样本量变化，使训练结果可追溯。

把以上环节串起来看，数据集构建的产出不只是一堆图片和标签文件，而是一套可复现的资产：明确的类别表、成文的标注规范、经过一致性校验的标注结果、固定格式的导出文件，以及划分清晰的训练/验证/测试集。这套资产的质量，直接决定了后续模型训练与评估结果是否可信。