简介本资源为面向计算机视觉初学者与农业AI应用研究者的番茄目标检测专用数据集解决科研与项目开发中高质量标注数据匮乏的痛点适用于YOLOv5、Faster R-CNN等主流检测模型的训练与验证。压缩包共1788个文件含895张PNG格式番茄实拍图像涵盖不同光照、遮挡与成熟度场景、892份PASCAL VOC标准XML标注文件提供精确边界框坐标以及1份数据集划分说明文本整体体积180.4MB结构规范、开箱即用。目前已有2856人学习下载实际使用可直接接入labelImg等工具进行标注校验与补充。特别说明其中3个XML文件tomato0/1/10.xml存在损坏需重新标注但其余889份标注完整可用配套博文提供了Windows下labelImg免配置使用的两种快捷方案便于快速修复与扩展数据集。被曝光、被遮挡、被串在一起自建番茄数据集的完整思考与实操记录做农业视觉项目的朋友多数会经历这样一刻跑到模型选型环节发现效果差强人意最后把锅甩给数据集可是在番茄这个品类上真正愿意公开、带好标注、还能直接拿去训练的高质量数据集实在太少。我去年从零开始整理番茄圣女果/西红柿目标检测数据集踩了不少坑也沉淀了一些方法。这篇文章不绕弯子直接记录我如何采集图像、清洗数据、设计标注规范、转换格式、训练验证以及在这个过程里学到的核心经验。这个数据集的核心用途是训练目标检测模型让模型在温室、大田、打包线甚至超市货架场景中准确识别出番茄果实的位置主要面向做智慧农业、采摘机器人、产量预估和分选设备的朋友。为了让不同基础的读者都能跟上我会把每一步的“为什么”也讲清楚——因为只给结论不给理由的教程换一个场景就废了。1. 为什么番茄非要自己的数据集通用数据的三个断层很多学生和刚入行的工程师习惯先去找公开数据集这很好但我必须泼一盆冷水在番茄这个作物上公开数据坑非常深主要体现在三个断层。第一个断层是成熟度标注的连续性问题。番茄的成熟过程是连续的——青果、白熟期、转色期、半熟、红熟甚至在枝头挂久了还会过熟发软。公开数据集多数只标“tomato”一个类别它不区分成熟度这对采摘机器人是致命的。采摘机器人需要判别哪些果可以摘、哪些不能摘单纯一个“tomato”标签没有任何决策价值。第二个断层是遮挡和被叶片覆盖的复杂性。温室里的番茄是吊蔓栽培果实经常被叶片、茎秆、绑蔓夹子遮挡而且是一串串簇生。公开数据集里那些“干净”的番茄图像和你在真实温室里看到的完全是两个世界。我用过一个公开集在它的测试集上模型表现很好但放到我自己拍的温室视频上mAP直接掉了二十多个点。原因就是公开集的图像质量太“温室大棚摆拍”背景、光照、遮挡模式都太单一。第三个断层是品种差异导致的域偏移。圣女果、串收番茄、普罗旺斯、硬粉、草莓番茄……不同品种的颜色、大小、果形、光泽差异很大。公开数据集往往只覆盖一到两个品种换个品种基本等于换个领域。你要做的是落地应用就必须为自己的目标品种建立数据基础。所以我的结论是番茄这个品类公开数据只能用来预演流程、熟悉工具链真正用来训练的还得是自己采集、清洗、标注的数据集。这也是这篇博文存在的根本原因——我踩过这些坑希望帮你在做的时候思路清晰。2. 番茄数据的源头活水大田、温室与货架的采集路径设计数据集的质量上限在采集阶段就锁定了后面对话框再精细也补不回来。番茄数据采集我认为至少需要覆盖三类场景温室大棚、露地大田、流通零售货架/打包线。每一类的设备选型、拍摄策略和重点完全不同。下面分开说明我自己的做法。2.1 温室场景采集方案温室是番茄采摘机器人最核心的部署环境所以数据集里温室图像的占比我建议最高我自己的占比是65%。温室采集有几个特点行距固定、光线受棚膜影响大、背景相对干净主要是基质袋、滴灌带、铁丝吊蔓。设备方面我用的是一款普通的工业面阵相机500万像素RGB全局快门搭配8mm定焦镜头工作距离控制在0.5米到1.5米之间。为什么不用手机拍因为手机自动白平衡、HDR、锐化等后处理会改变颜色纹理而温室视觉系统部署时的相机通常是不带这些后处理的。训练数据如果用了手机过度锐化的图像部署到工业相机上会出现纹理域偏移轻则掉点重则漏检。如果你手里的相机不理想至少在采集时关闭所有美化功能保持原始画面。拍摄策略上我总结了一个关键词多光谱外多角度内。意思是室外光照条件要多变室内每个样本内部角度要多变。具体操作是分多个时段拍摄上午9点前、正午、下午4点后各拍一批覆盖顺光、逆光、侧光。围绕同一串果实拍摄正面、侧面、仰视、俯视四个角度。采摘机械臂的运动轨迹是空间性的如果模型只见过正面果实从侧下方接近时很容易漏检。拍摄距离在0.4米到2米之间连续变化让模型适应不同尺度。2.2 大田与露天栽培的差异处理大田的番茄是地爬或矮架栽培背景复杂度高——土壤、杂草、地膜、滴灌管都会出现光照也没有棚膜过滤阳光直射会造成非常强的高光和阴影。这类图像在数据集里建议占比15%左右用来提升模型的泛化能力。大田采集我建议用运动相机如GoPro支架固定在无人机或手持杆上进行俯拍模拟农业机器人或植保无人机的视角。注意在正午强光下减少拍摄否则过曝图像太多后期筛选会很痛苦。另一个有用的小技巧是拍摄时带一张标准色卡入镜几秒钟这样后续如果要做颜色校正有参照物可循。2.3 货架、分拣线与零售场景采集番茄最终还有一站在流通环节——超市货架、批发市场、分拣传送带。这些场景的部署对识别算法有特殊要求目标密集、果实接触紧密、背景杂乱价签、包装盒、人手指。如果你做的项目是估产、分选或者无人结算这部分数据不能少。我在零售场景的占比是10%左右。零售场景的采集相对简单手机就可以拍因为最终部署大概率也是消费级设备。但要注意拍摄高度与货架的夹角和实际摄像头安装位置一致否则透视角度不匹配会影响精度。下表是我自己的一个采集配额参考你可以按实际项目调整场景占比建议拍摄设备核心考虑温室吊蔓栽培60%-65%工业面阵相机贴近采摘机器人部署现实露天大田15%-20%运动相机/无人机强光遮蔽与土壤背景零售货架/分拣线10%-15%消费级手机/工业相机密集果实与复杂背景极端天气/人工干扰5%-10%不定雾天、喷药后水珠、手部遮挡等长尾场景关于重复采样需要特别提醒不要在一串果前连续按快门几百张那种“连拍式”采集会让训练集里包含大量几乎完全相同的图像导致验证集虚高。我的原则是同一个果实、同一个角度最多拍2-3张换角度后再拍。宁可图像总数少一点也要保证独立样本之间真正有变化。3. 图像筛选与清洗逻辑废图剔除是训练效果的分水岭很多人一开始不在意筛选把采集到的所有图像一股脑丢给标注工具。他们忽略了目标检测模型本质上是在学习“图像内容到标签框”的映射训练集里的噪声会被模型当成规律去学。所以清洗是整个流程里性价比最高的一步——花在清洗上的每一分钟最后都会换成精度的提升。3.1 三类必须剔除的废图像第一类是模糊与运动拖影。手持拍摄时对焦没锁住或机械臂运动时抓拍都会产生模糊。这类图非常隐蔽缩略图看着还行放大到100%就露馅。我处理的办法是批量脚本计算图像的拉普拉斯方差低于阈值直接进入人工复核名单如果数据集量不大干脆人工逐张看大图。模糊图像会让模型学到错误的边界特征特别是对番茄这种圆形果实边界模糊等于告诉模型“圆也可以不圆”。第二类是过曝与欠曝失衡。温室正午阳光直射时棚膜透光强番茄表面会产生大面积镜面高光甚至整张图泛白。训练集里过曝图像太多模型会倾向于把高光区域也当成果实特征等部署到阴天场景就凉了。同样暗光下拍摄的欠曝图像果实与背景融为一体标注框本身就不可靠。清洗时优先保留直方图分布接近正态、动态范围合理的图像。第三类是信息重复度高的连拍图。我前面说过同一果实同一角度不要拍太多。清洗阶段用感知哈希去重是一个好手段两个图像哈希距离过近就删掉一张。真实场景里一个成熟果串你能拍很好的也就三四张可用这是正常的不要硬凑数量。3.2 合理利用但不迷信公开数据公开数据集并非完全不用而是要把它们当作“补充食材”而不是“主菜”。我试验过几种开源数据的混合策略最可靠的是只引入那些包含你要识别的品种、且图像背景与你部署场景类似的片段。以COCO数据集为例它的“香蕉”或者“苹果”类别虽然也是果实但背景、品种和分辨率与番茄场景完全不匹配混入后反而造成域混淆我实测效果是负面的。公开数据里如果恰好有番茄类别的高质量图像可以适量混入不超过自己数据的20%但前提是严格检查标注框的位置和类别公开数据集的标签质量也不见得可靠。清洗完的数据集我还会做一次类目标签平衡统计。比如目标是三类成熟果、半熟果、青果如果三者的框数量差距过大比如成熟果10000个框青果800个框后续训练很容易产生类别偏置。清洗阶段如果已经发现这种不均衡可以提前规划补充采集的方向而不是等到训练完再看曲线。4. 标注规范设计番茄边界、成熟度判定与难例规则标注是数据质量的中枢环节。这一节我要讲的不只是“怎么用标注工具”更是“番茄这个物种在标注时特有的边界情况和判定规则”。很多数据集标注质量差不是标错物体而是规则的边界定义不清导致不同标注员的框风格差异极大。4.1 单个果实的边界定义番茄的bbox有两种常见标注风格紧贴式tight box和扩展式loose box。紧贴式是标到果实外轮廓的最边缘扩展式则是在果实外围留一圈背景。我强烈建议采用紧贴式因为采摘机器人需要精确的果实边缘来做夹取规划如果标得太松模型的框中心可能偏移影响末端执行器定位。具体操作上我会对标注团队做这样一个约定bbox的四条边必须切到果实的可见边缘但不包括花萼除非花萼完全张开且与果实同色难以区分。番茄的花萼是绿色星状结构在许多成熟果实上依然清晰可见。如果标注时把花萼也包进去框的中心会向花萼方向偏移这对果梗检测和采摘点规划非常不利。但有个例外如果花萼与果实紧贴且颜色已经转红框可以包含它否则坚决切掉。4.2 遮挡与簇生情况的标注规则番茄串果严重一个果实经常被另一个果实挡住30%、50%甚至只露出一个小边。这里最核心的规则是可见面积超过原始面积20%的果实必须标注低于20%且无法判断类别的不标注。这20%阈值是我经过试验得出的低于它标注员在不同人之间的一致性会崩掉模型也会被大量半截框干扰。但要注意同一颗果实可能在不同图像中可见程度不同所以每张图的标注是独立的不代表整颗果实的完整框。举例来说一颗果实在这张图被挡住一半就标半个可见区域的框换一个角度拍它完整可见就标完整框。这个独立性原则必须写进标注规范文档里否则标注员会凭“记忆”去脑补被遮挡的部分标出模型根本学不会的虚框。完全重叠的果实一颗躲在另一颗后面完全不可见不标注两颗紧贴在一起但边界清晰可辨的果实必须分别标注两个框不能因为“靠太近”就合并。这里有个经验值两个框的IoU允许大于0.7因为番茄簇生天然如此。不要用行人检测任务里“同一目标一个框、互相重叠要抑制”的思维来套番茄。4.3 成熟度类别的判定标准如果你只做“有没有番茄”的检测那类别设一个“tomato”就够了但如果你做的项目涉及采摘决策或品质分级成熟度分类是关键。我的数据集采用三分类未熟/青果、转色期/半熟果、成熟果。类别的判定不能靠视觉主观必须有可复现的色彩和硬度参考。我参照的成熟度比色卡是番茄行业通用标准配合图片标注规范每一个标注员在标注前必须学习一组标准示例图。下面是我写进标注规则里的判定速查表供参考类别外观特征判定要点青果/未熟果面以绿色为主质地硬光泽较强绿色占比超过90%可判定兼有白绿色算青果转色期/半熟果面开始出现橙红色或粉红色但未完全着色红色占比约10%至80%之间且存在两种以上颜色成熟果果面以红色/粉红色为主可带少量绿肩红色占比超过80%或整体颜色均匀一致标准范例图像远比文字描述重要。我建议每个标注团队开工前用20张标准范例图做一次统一认知测试标注员之间一致率低于80%就重新培训。这个过程看着麻烦但能避免后期返工。4.4 低置信度与难例处理数据集必须包含一定比例的难例。什么是番茄的难例归纳起来有三类叶片遮挡严重但可见面积达标的果实、逆光下暗部和亮部反差极大的果实、以及小目标在图像中边长小于20像素的果实。这些难例在验证集中也应当保留一定比例这样模型在真实场景的鲁棒性才有保证。处理难例标注时我的原则是宁可多标一个模糊的也不要漏掉一个真实的。如果标注员在边缘情况下拿不准可以通过标注工具的“不确定”标记来反映但模型训练样本里必须包含这些难例因为部署时遇到的就是这些场景。我曾经在清洗时把一批强逆光图片全部删掉结果模型在阴天转晴的瞬间大面积漏检——后来才意识到是训练集里缺少强光照对比样本。5. 标注工具与格式转换从LabelImg到YOLO训练链路的适配标完规范接下来是工具和格式的适配。现在做目标检测主流训练框架就是YOLO系列你的数据集无论原始标注是什么格式最终大概率要转成YOLO的txt格式。这一节我会讲清楚工具选型、格式差异和转换脚本的思路。5.1 标注工具怎么选我推荐两个LabelImg和X-AnyLabeling。LabelImg经典稳定支持PascalVOC和YOLO格式直出学习成本低适合小团队快速上手。X-AnyLabeling则支持自动分割辅助标注适合大果串密集场景——它先用模型跑一个预标注人工微调修正标注效率能提升50%以上。如果你自己有训练好的检测模型也可以用Roboflow的主动学习工作流来预标注人工只处理低置信度样本。工具不重要工作流统一才是关键。我最怕看到团队里一个人用LabelImg、另一个人用Labelme导出的格式五湖四海。建议定死一种工具和一种中间格式后面转换就少很多麻烦。5.2 三种主流格式的转换关系目标检测三种常见格式PascalVOC XML、COCO JSON、YOLO TXT。它们的核心信息完全一致只是存储方式不同VOC用XML文件每个图像对应一个XML边界框坐标是左上角(xmin, ymin)和右下角(xmax, ymax)的绝对像素值。COCO用单个大JSON所有图像和标注集中在一个文件里边界框是[x, y, width, height]绝对像素值。YOLO用TXT文件每个图像对应一个TXT每一行是“class_id x_center y_center width height”坐标是基于图像宽高的归一化值0到1之间。转换时最容易出错的点是坐标系VOC和COCO是像素坐标YOLO是归一化中心点坐标。如果转换脚本里忘了除以图像宽高训练时框会飞掉。我写过一个简单的Python转换脚本核心逻辑是读取XML里每个object的bndbox再除以图像尺寸得到YOLO格式。这类脚本网上很多但建议你自己写一遍理解深了后面出问题才好排查。5.3 目录结构与配置文件最终的数据集目录结构我推荐这样组织dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── classes.txt └── data.yamlYOLO训练项目里data.yaml的内容大致是train: ./dataset/images/train val: ./dataset/images/val test: ./dataset/images/test nc: 3 names: [green, turning, ripe]需要特别提醒数据集的划分要在转格式前完成划分时要按图像进行不可让同一串果实的多张图像同时出现在训练集和验证集否则验证集存在“泄漏”mAP虚高。我处理的办法是把同一采集时间、同一行植株、同一批拍摄的图像打上组ID按组划分保证一组图像要么全进训练集要么全进验证集。5.4 训练集、验证集和测试集的比例与数量我从实践中得到的番茄数据集体量和划分建议目标检测任务每个类别建议不少于1500个标注框总计建议5000到10000张图像这个量级足够训练一个可用的YOLOv8模型。但是如果你的项目只识别成熟/未熟两种状态图像量可以减少但至少要保证每个类别每个场景组合下都有充足样本。划分比例我用的70%训练、20%验证、10%测试。测试集是最后才能碰的用于最终评估验证集用来调参。如果你的资源有限只有1000张图像也不是不能做但必须配合后面说的数据增强策略。只是要清楚1000张图像训练出来的模型在真实场景的泛化能力会明显受限特别是复杂遮挡和光照变化下。6. 数据增强与模型迭代验证用模型反哺数据集质量数据集的标注规范和格式都定好后就可以进入训练环节了。我始终认为数据集的完成不是标注完那一刻而是经过模型验证、数据增强、再筛选、再补采的闭环之后。6.1 面向番茄场景的增强策略通用增强手段随机翻转、缩放、平移、色彩抖动肯定要做但对番茄这个对象有几个增强方向特别值得关注。第一是亮度与对比度的随机扰动。温室光照一天之内变化巨大训练时把亮度随机增减30%到50%模拟不同时段的光线可以显著提升模型的鲁棒性。我自己实测加了亮度增强后正午强光下的漏检率降低了约20%。第二是HSV色彩空间扰动。番茄成熟度分类高度依赖颜色而不同棚膜、不同相机白平衡会导致同一成熟度果实的RGB分布漂移。通过HSV的H通道色相小幅扰动比如±5%可以让模型学到颜色类别的不变性而不是死记某个RGB数值。但扰动幅度不要过大否则红果会变成橙果青果会变成黄果类别边界反而乱掉。第三是Mosaic和Copy-Paste增强。YOLOv8内置的Mosaic把四张图拼成一张这对小目标检测很友好。番茄串果中的小目标很多Mosaic增强后模型能看到更丰富的上下文。Copy-Paste增强则可以把成熟果从一张图贴到另一张图的背景上增加正样本的多样性前提是要把贴入位置的边缘羽化处理一下否则粘贴痕迹太明显。6.2 用模型找标注错误训练第一轮后最重要的不是调参而是反向审查数据集。我的流程是这样训练一个基线模型然后用它预测训练集本身统计每个预测框和标注框的最大IoU。如果某个标注框在所有预测里IoU都很低说明标注可能错位或者类别错误。把这些样本抽出来人工复查。这个方法能高效找出标注员漏标或错标的样本是数据质量管理的有力手段。还有一个思路是利用训练过程中的损失值。YOLO训练时会在每个batch输出loss如果你发现某个类别的loss长期高于其他类别大概率是该类别的标注噪声大。比如转色期果实不同人对“红色占比超过80%”的理解偏差大框和类别都容易标错loss自然高。这时候回到标注规范补充标准范例图重新修正那批样本。6.3 类间混淆与误检的根因分析模型在验证集上如果出现成熟的果实被识别为半熟、或者半熟被识别为成熟不要盲目加数据先看混淆矩阵。如果成熟和半熟之间的混淆严重通常是两个类别的颜色边界在特征空间中重叠。解决手段有两个方向一是检查标注规范看看是不是很多样本的成熟度判定本身有歧义——番茄果实表面同时存在红绿两种区域的“花脸果”多了类别边界就会模糊二是考虑把“转色期”这个中间状态并入“成熟果”或“未熟果”做二分类有时候二分类对实际决策更够用。这类“回归标注规范”的动作看起来是在做标注的事但实质上是在做数据集的顶层设计。数据和模型本身就是迭代的没有一个数据集第一次标注就完美。7. 我踩过的坑与后续扩展思路最后一节分享几个我在这个项目里最深的体会适合所有准备开始做数据集的读者参考。第一个坑是标注版本管理缺失。我前期用网盘共享标注文件标注员A改了类别名、标注员B拉取旧版导致训练时类别数不匹配直接报错。后来我引入了Git LFS管理标注文件和图像间的对应关系每个版本打一个tag训练时锁定版本再没出过这问题。虽然Git管理大数据集不太优雅但至少能回溯。第二个坑是硬性追求大而全。我一开始的目标是采集20000张图像结果拍了大量重复冗余的连拍图清洗后真正有用的不到一半。后来我把目标调整为“每类成熟度至少2000个有效框每个场景至少300张独立图像”反而更高效。数据集的健康度不是用总张数衡量的而是用有效独立样本数和类别均衡度衡量的。第三个坑是忽略标注成本。如果预算有限我建议优先保类别均衡和场景覆盖而不是单纯保总量。与其花同样成本标注2000张但场景很单一不如标1000张但包含温室、大田、货架、阴天、晴天、逆光、顺光多种条件的图像。后者训练出来的模型泛化能力强得多。后续扩展方向我自己计划做三件事一是引入语义分割标注把果实外轮廓分割出来为将来的采摘点规划打基础二是增加时间序列图像记录同一串果实从青到红的生长过程用于产量预估模型三是加入不同品种的迁移学习试验探索“一个模型多个品种”的可行性。数据集这个工作做得越久越会发现它不是一个一次性交付的“文件包”而是一个持续生长的资产。你今天的标注规范、清洗逻辑、验证反馈机制决定了它一年后是越来越值钱还是越来越难用。希望这篇文章能帮你在第一步就走在更稳妥的路上。本文还有配套的精品资源点击获取