简介一份面向智慧农业与计算机视觉的番茄实例分割数据集采用YOLO格式的多边形标注覆盖坏番茄、好番茄、绿番茄与茎四个类别适用于农业AI监控、自动化采摘、作物质量评估及教学研究等场景。压缩包共2000个文件核心为1286个TXT标注文件与712张JPG原图另有1个YAML配置文件和1个DOCX说明文档整包约961.94MB。目前已有83人学习下载。数据集中每个番茄实例均经过精细多边形标注边界准确类别反映果实成熟度与茎部结构可直接用于YOLO系列模型的实例分割训练图片采集自实际生产环境能帮助模型更好地应对田间光照、遮挡等复杂情况。配套的YAML和文档也便于快速配置环境与加载数据适合算法工程师、农业科研人员及高校学生用于实验验证或项目落地。1. 番茄实例分割数据集先看清这一包 zip 里装的到底是什么温室里数番茄看起来是个笨活真做起来比想象中麻烦叶子挡、果实叠、青果和枝干同色。我接过不少这类项目最后都落到同一个东西上——一份番茄实例分割数据集。这份带20251122-173819时间戳的 zip 包就是某个批次导出的带掩码标注数据每一颗番茄都被多边形圈出来用于训练模型做像素级识别。它适用的场景很具体温室产量预估、采摘机械臂视觉、以及成熟度分级的前置检测。适合谁用刚买了标注工具想跑通实例分割全流程的工程师或者想让现有检测模型升级成像素级 mask 的团队。接下来的内容我会按实际动手顺序讲先拆包验数据再转换格式喂给 YOLOv8-seg最后把常见坑一次性说清。2. 拆开数据集先做“体检”目录结构、标注格式与合法性校验拿到任何实例分割数据集第一件事不是急着训练而是把这包数据从头到尾验一遍。番茄这种目标形态不规则、遮挡严重的对象标注文件里藏着的小毛病特别多坐标越界、多边形自交、类别 ID 错位任何一个都会在训练时变成幽灵报错。我一般会花半小时做一次完整性体检后面能省出好几天调参时间。2.1 先看 zip 里装了什么目录结构与两种主流标注格式解压前先用unzip -l看一眼包内结构不要直接双击解压。命令行能让你在没有图形界面的服务器上也能完成检查而且输出更紧凑unzip -l tomato_seg_dataset_20251122-173819.zip | head -50这条命令只列目录清单不解压全部内容。head -50是防止文件太多时刷屏。常见做法是里面同时带images/和annotations/两个顶层目录图像按train/val分好标注则可能是 COCO JSON也可能是 YOLO-seg 的 txt。两种格式对应完全不同的后续处理路径。COCO 格式在实例分割数据集里最通用。它把整个数据集的标注塞进一个annotations.json里面有三个核心数组images记录每张图的宽高和文件名annotations存每个实例的多边形坐标、bbox 和类别categories定义类别名和 ID。它的好处是自描述能力强坏处是文件大、随机读取慢。YOLO-seg 格式则是一张图对应一个 txt 文件每行是一个实例格式为class_id x1 y1 x2 y2 ...坐标全部归一化到 0~1。它读取快、和 YOLO 系列训练器无缝衔接但可读性差用文本编辑器打开基本看不出对错。判断数据集属于哪种格式一条命令就够了unzip -l tomato_seg_dataset_20251122-173819.zip | grep -E (json|txt)$ | head -20如果输出里出现annotations.json优先按 COCO 走如果看到一堆和图片同名的 txt就是 YOLO-seg。两种格式我都遇到过建议先确定再动手别凭文件名猜。2.2 用脚本把数据集“体检”一遍图像解码、标注合法性、类别分布解压后我会跑一个检查脚本逐张验证图像能否正常解码、多边形坐标是否越界、类别分布是否合理。图像文件损坏在数据集中不少见可能是采集设备写入中断或压缩传输丢包这类坏图会在训练时直接中断进程。import json import cv2 import glob import os # 路径按实际解压位置改 img_dir tomato_seg_dataset/images/train json_path tomato_seg_dataset/annotations/instances_train.json # 1. 检查图像完整性 imgs glob.glob(os.path.join(img_dir, *.jpg)) glob.glob(os.path.join(img_dir, *.png)) bad_imgs [] for p in imgs: img cv2.imread(p) if img is None: bad_imgs.append(p) print(f图像总数: {len(imgs)}, 坏图数: {len(bad_imgs)}) # 2. 检查标注合法性 with open(json_path, r) as f: coco json.load(f) img_info {item[id]: item for item in coco[images]} cat_info {item[id]: item[name] for item in coco[categories]} invalid 0 for ann in coco[annotations]: seg ann[segmentation] if isinstance(seg, dict): # RLE 格式跳过具体检查在下一节说明 continue for poly in seg: xs poly[0::2] ys poly[1::2] img img_info[ann[image_id]] w, h img[width], img[height] if max(xs) w or max(ys) h or min(xs) 0 or min(ys) 0: invalid 1 print(f非法标注: image_id{ann[image_id]}, ann_id{ann[id]}) print(f越界多边形数量: {invalid}) # 3. 类别分布 from collections import Counter cat_counter Counter() for ann in coco[annotations]: cat_counter[cat_info[ann[category_id]]] 1 print(类别分布:, dict(cat_counter))这段脚本三个用途。第一段用cv2.imread读图返回None就是坏图直接删掉或重下。第二段把多边形的 x 坐标和 y 坐标拆开分别和图像宽高比较找出越界标注这类标注在训练时轻则 loss 异常重则直接 NaN。第三段统计类别分布番茄项目常见的是unripe_tomato和ripe_tomato两类如果其中一类数量只有另一类的十分之一说明采样偏了需要补数据。提示边界情况要留意坐标等于图像宽高是合法的像素从 0 开始只有大于宽高才越界。脚本里我用的是严格大于判断。3. 把番茄数据集跑进 YOLOv8-seg标注读取、yaml 配置与训练命令体检完数据下一步就是把标注喂给模型。这里我选择 YOLOv8-seg 作为主力训练框架不是因为它是最新的而是因为它的实例分割链路最稳支持 COCO 和 YOLO-seg 两种标注读取、训练命令短、验证指标全、部署导出也方便。番茄这种边缘模糊、目标密集的场景YOLOv8-seg 的精度和速度平衡在实测里是够用的。3.1 为什么要选 YOLOv8-seg番茄实例分割的任务特点与模型选型番茄实例分割和通用分割任务最大的差别在于目标形态——果实近似椭圆但又不对称绿色果实的边缘和叶片颜色接近遮挡导致轮廓不完整。这种场景下Mask R-CNN 那种两阶段方法精度上限高但速度慢YOLOv8-seg 把检测框和 mask 分支放在同一个单阶段网络里从训练到部署的压力都小一截。我做过的温室项目里YOLOv8-seg 在 640 分辨率下能达到 30~45 FPSmask 边缘虽然不如 Mask R-CNN 精细但对产量统计来说完全够用。选型还要看数据集本身给的是什么标注。如果数据是 COCO 格式YOLOv8-seg 原生支持segment训练模式直接读取如果数据是 YOLO-seg txt则不需要任何转换。番茄这类小目标偏多的数据处理原则上优先保证召回率模型规模从中杯开始不要一上来就上最大模型显存和时间成本都会翻倍。3.2 COCO 转 YOLO-seg多边形归一化脚本与参数说明如果数据集是 COCO 格式需要先转成 YOLO-seg 的 txt。转换的核心是按图片 ID 聚合该图的所有实例把多边形坐标按图像宽高归一化并写入同名 txt 文件import json import os def coco_to_yolo_seg(json_path, output_dir): with open(json_path, r) as f: coco json.load(f) img_info {item[id]: item for item in coco[images]} ann_by_img {} for ann in coco[annotations]: img_id ann[image_id] if img_id not in ann_by_img: ann_by_img[img_id] [] ann_by_img[img_id].append(ann) os.makedirs(output_dir, exist_okTrue) for img_id, anns in ann_by_img.items(): img img_info[img_id] w, h img[width], img[height] filename os.path.splitext(img[file_name])[0] .txt lines [] for ann in anns: # 只处理多边形跳过 RLE if isinstance(ann[segmentation], dict): continue # 取多边形外环多个环只取第一个常见做法 poly ann[segmentation][0] norm_coords [] # 坐标归一化并强制截断到 [0, 1] for i in range(0, len(poly), 2): x min(max(poly[i] / w, 0.0), 1.0) y min(max(poly[i 1] / h, 0.0), 1.0) norm_coords.append(f{x:.6f}) norm_coords.append(f{y:.6f}) # 注意COCO 的 category_id 从 1 开始YOLO 从 0 开始 cls_id ann[category_id] - 1 lines.append(f{cls_id} .join(norm_coords)) with open(os.path.join(output_dir, filename), w) as f: f.write(\n.join(lines) \n) coco_to_yolo_seg(annotations/instances_train.json, labels/train)这段脚本有几个关键参数点。segmentation可能是多边形列表也可能是 RLE 编码字典脚本对 RLE 直接跳过——如果你的数据集标注用了 RLE需要额外用pycocotools解码成边界点否则这部分实例会丢失。category_id - 1是个高频错误源COCO 类别从 1 编号YOLO 从 0 编号直接复制代码忘记减一训练时所有类别错位验证 mAP 直接崩到 0。归一化后强制截断到 0~1 是防御性写法避免浮点误差导致坐标越界。3.3 数据划分与 yaml 配置train/val 比例、类别名、路径写法转换完标注接下来是目录整理和 yaml 配置。我的习惯是把数据组织成 YOLO 标准目录结构这样后续换模型、换框架都不用重新整理。images/和labels/保持同级train和val子目录一一对应。tomato_seg_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── tomato.yaml划分比例方面番茄数据集通常几百到几千张图按 8:2 划分是基线设置。关键是划分前要确认没有同一株番茄的连续帧照片被随机分到两个集合里。我在后面避坑章节会详细说这个泄漏问题这里先提示按时间或按植株分组划分比按随机划分更可靠。yaml 配置是训练器读取数据和类别的入口写错路径或类别名会导致训练直接失败# tomato.yaml path: /home/user/datasets/tomato_seg_dataset # 绝对路径相对路径容易踩坑 train: images/train val: images/val names: 0: unripe_tomato 1: ripe_tomatopath字段建议用绝对路径。YOLO 训练时工作目录可能切换相对路径会导致找不到图片。names的顺序必须和转换脚本里的cls_id对应否则类别标签就换位了。这里还容易犯一个错类别名里用中文或带空格YOLO 解析 yaml 时对特殊字符处理不友好统一用英文小写加下划线最稳妥。3.4 跑通训练命令关键超参数与显存预算配置写好后训练命令本身很简单yolo segment train \ datatomato.yaml \ modelyolov8s-seg.pt \ epochs200 \ imgsz640 \ batch8 \ workers4 \ projecttomato_runs \ nameseg_baselinemodelyolov8s-seg.pt会从官方权重加载预训练参数做迁移学习这对番茄这种自定义数据集至关重要——从头训练 200 个 epoch 的收敛效果远不如预训练微调。imgsz640是速度和精度的折中番茄小目标多的话我建议直接试imgsz960显存充足时精度提升明显。batch8在 8GB 显存的 GPU 上接近上限如果你用 24GB 显存可以提到 16 或 32收敛更稳。训练中的关键观察点是 loss 曲线的下降形态。正常情况box_loss和seg_loss在头 20 个 epoch 内快速下降后面缓慢收敛如果seg_loss震荡不降大概率是标注质量问题不是超参数问题。训练完成后val 目录下的mask AP指标会输出到终端这个指标的解读放在第五章节细讲。4. 番茄实例分割常见问题五条能省一周的避坑记录这部分是我最想写的。实例分割数据集项目里数据本身的坑远多于模型结构的坑。下面五条全是真实踩过的每一条都按“现象 → 原因 → 解决”写清楚对照排查能省下一周调参时间。4.1 训练 loss 直接变 NaN多边形自交或坐标越界训练跑到第 20 个 epochseg_loss突然变成nan然后整个 loss 曲线炸掉。重启训一次在同样的位置又炸。这种情况基本上不是学习率问题而是标注数据里有毒实例——多边形坐标越界、出现自交、或者顶点数少于 4 个。YOLO 在计算 mask 损失时对这类非法多边形没有足够防御直接产生非法梯度。解决方法是回到体检脚本加一段几何校验计算多边形的外接矩形和面积面积小于 1 像素的实例直接剔除坐标越界的做截断而不是跳过因为跳过会让一张图少一个实例训练信号缺失。自交多边形的判断用shapely一行搞定from shapely.geometry import Polygon def check_polygon(coords): poly Polygon(coords) return poly.is_valid and poly.area 1.04.2 指标很漂亮但看 mask 全是错的数据泄漏训练完 mAP50 高达 0.95可视化验证时发现模型对训练集里出现过的植株识别得极好对没见过的温室区域几乎瞎猜。这是典型的数据泄漏——同一个番茄植株的多次拍摄被随机分到了 train 和 val验证集和训练集的图像内容高度重叠指标虚高。解决方法是按采集批次或植株个体分组划分数据。比如每次采集 50 张连拍就按组切分而不是按单张切分或者按日期切分前 70% 日期做训练后 30% 日期做验证。这个划分策略应该在数据集处理的最开始就定好等训练完再改划分等于全部重训一遍。4.3 小番茄全漏检Mosaic 增广与小目标丢失可视化验证时发现图片里占面积不到 1% 的小番茄刚坐果的幼果几乎全部漏检。YOLO 的默认mosaic1.0增广会把四张图缩在一起训练番茄果实本来就不大缩完之后变得只有十几个像素。另外下采样 32 倍后小目标的特征图响应非常弱。解决思路是双管齐下。第一把imgsz从 640 提到 960小目标的像素数接近翻倍第二把mosaic从 1.0 下调到 0.3给小目标更多原始尺度曝光。还可以用 YOLOv8 自带的copy_paste增广把小番茄实例复制粘贴到其他位置增加正样本数。这三个调整搭配起来小目标召回率能提升好几个点。4.4 绿色番茄召回率低标注一致性问题训练结果里红色番茄的 mAP 在 0.92绿色番茄只有 0.71。看可视化结果模型把所有绿色物体都倾向于预测为叶子或者掩码边缘大片糊到叶子上。原因出在标注环节——绿色番茄和叶子的颜色太接近标注员在勾勒轮廓时光靠肉眼很难分清边界导致不同标注员甚至同一个人不同时间画出的掩码差异很大。解决方法是制定标注规范不给标注员自由发挥空间。我一般要求的规范是果实可见轮廓必须完整闭合边缘落在颜色突变处不通过推理补齐被叶子遮挡的部分。另外可以做一次标注一致性审查随机抽 5% 的图片让两位标注员分别标计算 mask IoU低于 0.8 的重新标。这个步骤虽然费时间但对绿色目标的训练效果影响是决定性的。4.5 转换脚本把背景也写进掩码类别 ID 从 0 还是从 1COCO 转 YOLO-seg 训练出来的模型验证时发现预测掩码全部偏移到背景区域或者出现整张图都被预测为目标的情况。检查转换脚本发现category_id没有减 1——COCO 的类别号从 1 开始0 往往是背景YOLO 从 0 开始。如果数据集里只有番茄这一类COCO 里番茄的category_id1转换后cls_id0才是正确的不减 1 就会变成cls_id1而 yaml 里names只有 0 号类别有定义训练器就把 1 号当成不存在或映射错乱。这个坑的隐蔽之处在于如果 yaml 里定义了两个类别比如 green 和 red减 1 错误不会立刻让训练崩溃只会让两个类别的标签互换或错位最终的 mask AP 掉一半。排查方法是在转换后随机挑几个 txt 文件用脚本读回并画在原图上人工确认每个实例的类别标签是否和图像内容一致这一步 5 分钟就能避免一个周末的无效训练。5. 结果怎么看用 mask 可视化、mask AP 与业务指标确认番茄分割真实水平训练跑完终端输出一长串指标但“指标好”和“模型能用”是两回事。番茄实例分割的落地评价有两层模型层面的 mask AP 和业务层面的计数误差率、漏检率。这一章讲清楚怎么看、怎么算、怎么用。5.1 视觉验证优先把预测掩码画回原图任何量化指标都没法替代“亲眼看图”。我每次训练完的第一件事是随机抽 20 张验证集图片把预测的掩码画回原图重点看三个地方绿色小果实的召回、遮挡果实的掩码连续性、以及背景区域有没有被误分割。from ultralytics import YOLO import cv2 model YOLO(tomato_runs/seg_baseline/weights/best.pt) img cv2.imread(tomato_seg_dataset/images/val/IMG_0042.jpg) results model.predict(img, conf0.25, iou0.5) for r in results: if r.masks is not None: for mask, box in zip(r.masks.data, r.boxes): # mask 是 640x640 的浮点张量需要缩放到原图尺寸 mask_np mask.cpu().numpy() mask_resized cv2.resize(mask_np, (img.shape[1], img.shape[0])) # 将掩码区域着色叠加到原图上 color (0, 255, 0) # 绿色 img[mask_resized 0.5] img[mask_resized 0.5] * 0.5 \ np.array(color) * 0.5 cv2.imwrite(visual_check/IMG_0042_pred.jpg, img)conf0.25是可视化时的低阈值设置目的是看模型“有没有能力检测到”而不是在最优阈值下表现如何。iou0.5用于 NMS 去重。mask_resized 0.5是关键的判断阈值模型输出的 mask 是 0~1 的概率图0.5 是常用的二值化分界对番茄这种目标我建议在验证时分别试 0.3 和 0.7看掩码轮廓是否后缩或外扩找到最适合业务的概率阈值。5.2 量化指标mask AP、mAP50、mAP50-95 怎么算怎么读YOLOv8-seg 验证时输出的核心指标是mAP50和mAP50-95。mAP50是预测掩码和真实掩码的 IoU 超过 0.5 即算正确对番茄分割来说这个指标合格线在 0.85 以上mAP50-95是把阈值从 0.5 到 0.95 每隔 0.05 算一次再取平均更严格番茄分割这种边缘模糊的目标在 0.7 以上就算不错。业务侧还要算两个指标用验证集即可。第一个是计数误差率——用预测 mask 的连通域数量除以真实实例数量这个指标直接反映“数番茄”这个核心诉求的准确度第二个是召回率在低置信度下的表现——把conf从 0.5 降到 0.1如果召回率提升超过 10%说明模型有能力检测只是阈值设高了业务系统可以通过调阈值来平衡漏检和误检。提示mask AP 和检测框 AP 的差别在于 mask IoU 对边缘质量更敏感。番茄边缘模糊、遮挡多不要强求 mask AP 和检测 AP 完全一致差 2~3 个点是正常的。6. 把这份番茄实例分割数据集变成自己的伪标签、增广与跨场景扩展数据集的价值不在于训练完一次就结束而在于它能不能变成后续工作的起点。一个完整的数据集标注成本从几天到几周不等用好了能省下大量重复劳动。伪标签半自动扩充是最容易见效的进阶操作。用训练好的模型对未标注的温室新照片跑预测置信度高于 0.9 的预测直接写入 YOLO-seg 格式的 txt当成伪标注数据加入训练集。这样可以把训练数据从几百张扩到几千张成本趋近于零。注意伪标签只用来扩大训练集不要混进验证集否则指标会虚高到失真。数据增强策略要按实际场景调整。温室光照相对均匀色彩增强hsv_h保持默认就行如果是露天种植建议hsv_s和hsv_v加码到 1.2 以上模拟不同时段的光照变化。对于果实重叠严重的场景fliplr0.5的左右翻转是安全增强但不要开上下翻转——番茄不会倒着长在藤上这个细节反映了对任务语义的理解。跨场景扩展是数据集的最终考验。从这份数据集训练出的模型迁移到另一个品种比如串收小番茄或者不同光照条件的大棚一般会掉 10~20 个点的 mAP。常见做法是把新场景的少量数据30~50 张做人工标注和原数据集混合做二次微调比完全重训的成本低得多。我在类似项目里试过30 张新标注能把掉点拉回一半以上而且迁移后的模型对边缘、遮挡的表现往往比原模型更稳因为新样本引入了原数据集缺失的形态变化。这个方向值不值得投入如果业务需要做产量预估或采摘规划像素级掩码提供的果实大小、重叠度信息是检测框给不了的。建议从这份数据集的基线模型起步跑通全流程后把精力优先放在标注质量审查和数据划分上这两个环节的回报率永远比调模型结构高。以上是我自己的习惯每次拿到新数据集都是这套流程希望对你有帮助。本文还有配套的精品资源点击获取