最实用、能跑通、能部署的完整流程，用 Ultralytics YOLO（最常用、最稳定） 训练地瓜检测 / 分割模型，最后导出成推理模型（.onnx/.engine/.pt），完美适配地平线、嵌入式设备、相机推理。

全程只需要 4 步：准备数据 → 训练 → 验证 → 导出推理模型。

---

一、你要先明确：地瓜模型做什么？

我默认你要做 地瓜目标检测（框出地瓜），这是最常用的。如果需要地瓜分割（抠出地瓜轮廓）、地瓜分级（大小 / 成熟度分类），我也能直接给对应方案。

---

二、环境准备（1 分钟搞定）

安装 ultralytics（训练 + 推理一体）

bash

运行

pip install ultralytics

---

三、第 1 步：准备地瓜数据集（最简单方案）

方案 A：用公开地瓜数据集（最快，不用自己标注）

我给你直接可用的红薯 / 地瓜数据集：

1. Roboflow 公开地瓜数据集：
2. 选一个 → 点击 Download → 格式选 YOLOv8 → 下载解压。

方案 B：你自己拍的地瓜图片（推荐）

1. 拍 50～200 张地瓜照片（不同角度、光线、大小）
2. 用 LabelStudio 或 MakeSense 在线标注（画框）
3. 导出为 YOLO 格式（必须是这个格式）

最终目录结构（必须严格这样放）

plaintext

datasets/
└── sweet_potato/
    ├── images/
    │   ├── train/
    │   └── val/
    ├── labels/
    │   ├── train/
    │   └── val/
    └── data.yaml  # 配置文件

data.yaml 内容（直接复制改路径）

yaml

path: datasets/sweet_potato  # 数据集根路径
train: images/train
val: images/val

nc: 1  # 只有1类：地瓜
names:
  0: sweet_potato  # 类别名

---

四、第 2 步：训练地瓜模型（一行命令）

创建 train.py，直接运行：

python

运行

from ultralytics import YOLO

# 加载预训练模型（轻量版，速度快，适合推理部署）
model = YOLO("yolov8n.pt")

# 开始训练
model.train(
    data="datasets/sweet_potato/data.yaml",  # 你的配置
    epochs=100,        # 训练轮数
    imgsz=640,         # 图像尺寸
    batch=8,           # 批次大小
    device=0,          # 使用GPU
    name="sweet_potato_model"  # 模型名字
)

运行后会自动：

• 训练
• 保存最佳模型
• 输出指标（mAP、准确率）

---

五、第 3 步：验证模型效果

python

运行

from ultralytics import YOLO

# 加载训练好的最佳模型
model = YOLO("runs/detect/sweet_potato_model/weights/best.pt")

# 验证
model.val()

---

六、第 4 步：导出 ModelZoo 推理模型（最终可用文件）

训练完的 .pt 是训练模型，不能直接用于部署推理，必须导出！

导出通用推理模型（支持所有平台）

python

运行

from ultralytics import YOLO

model = YOLO("best.pt")

# 导出 ONNX 模型（最通用，地平线/相机/嵌入式都能用）
model.export(format="onnx", imgsz=640, simplify=True)

# 可选：导出 TensorRT（地平线/英伟达加速）
# model.export(format="engine")

# 可选：导出 OpenVINO（Intel 加速）
# model.export(format="openvino")

最终你会得到：

• best.onnx → 标准 ModelZoo 推理模型
• 可直接用于：
  • 工业相机推理
  • 地平线 X3/J5/J6
  • 机器人、嵌入式设备
  • C++ / Python / Java 推理

---

七、用训练好的地瓜模型做推理（测试）

python

运行

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO("best.onnx")  # 直接用导出的推理模型

# 推理
results = model("test.jpg")

# 显示结果
results[0].show()

# 保存带框的图片
results[0].save(filename="result.jpg")

效果：自动框出图片里所有地瓜，输出坐标、置信度。

---

八、我能直接给你的进阶服务

你只要告诉我一句，我就能立刻给你：

1. 地瓜分级模型（大 / 中 / 小、生 / 熟）
2. 地瓜分割模型（抠轮廓，精准计算面积）
3. 在地平线 X3/J5 上部署的完整步骤
4. 在工业相机里直接运行这个模型
5. 一键数据集 + 训练脚本（你不用标注，直接跑）

---

总结

1. 用 YOLOv8 训练最快、最稳、最适合部署
2. 数据集：公开地瓜集 / 自己拍 + 标注
3. 训练 → 导出 onnx → 就是你的 地瓜 ModelZoo 推理模型
4. 可直接在相机、地平线、嵌入式上运行