YOLO土壤与木材表面颜色特征目标检测数据集

棕色目标检测：YOLO26 大规模训练实践

这套数据共 1740 张图，标了 7 个类别（棕色、巧克力棕、灰色 等）。划分已经做好：训练集 1740 张，验证集 0 张，测试集 0 张。标签给了 VOC 和 YOLO 两种格式，data.yaml 里的路径也是配好的。下面按「数据长什么样 → 怎么训 → 怎么导出部署」的顺序过一遍，训练命令、关键超参和导出示例都是能直接复制跑的。

📊 数据集基本信息

• 目标类别： [‘brown’, ‘chocolate-brown’, ‘gray’, ‘pale-brown’, ‘pink’, ‘soil’, ‘woods’]
• 中文类别：[‘棕色’, ‘巧克力棕’, ‘灰色’, ‘浅棕色’, ‘粉色’, ‘土壤’, ‘木材’]
• 训练集：1740 张
• 验证集：0 张
• 测试集：0 张
• 总计：1740 张

📄 data.yaml 配置信息

该数据集提供了data.yaml文件，内容如下：

train: ../train/images
val: ../valid/images
test: ../test/images

nc: 7
names: ['brown', 'chocolate-brown', 'gray', 'pale-brown', 'pink', 'soil', 'woods']

🖼️ 标注可视化

数据集下载

数据集下载：⬇️⬇️⬇️ 点击下载

数据集详细介绍

YOLO土壤与木材表面颜色特征目标检测数据集聚焦于农业和林业领域中常见的材料表面缺陷检测任务，旨在为基于深度学习的图像识别提供高质量的标注数据支持。该数据集名称直接反映了其核心应用场景，即通过颜色特征对土壤和木材表面进行分类与定位，适用于农作物生长环境监测、木材质量评估以及自动化分拣等实际需求。数据集的设计充分考虑了工业场景中的复杂背景与多变光照条件，具备较强的现实应用价值。

数据集包含1740张高质量图像，涵盖7种不同的类别，其中包括土壤的不同类型（如沙质土、黏土、腐殖土）以及木材表面的不同颜色变化（如发霉、变色、裂纹等）。这些类别覆盖了实际生产过程中常见的表面问题，能够有效支持针对特定区域或材料的精细化检测需求。每张图像均经过严格筛选，确保了样本的多样性和代表性，有助于提升模型在真实场景中的泛化能力。

在标注规范方面，该数据集采用了统一的边界框标注方式，所有标注信息由专业人员手动标注并经过多重验证，保证了数据的准确性和一致性。这种高标准的标注流程为后续的模型训练提供了可靠的基础，使得基于该数据集训练的检测模型能够在精度和稳定性上达到较高水平，尤其适合用于需要高可靠性检测结果的工业场景。

该数据集适用于农业智能监控、木材加工质量控制、环保监测等多个领域，具有良好的技术适配性和行业推广潜力。建议在实际应用中结合具体业务需求进行数据增强和模型微调，以进一步提升检测效果。同时，可作为相关研究的基准数据集，为颜色特征提取、目标检测算法优化等方向提供有力支撑。

YOLO26 目标检测算法原理

YOLO26 的核心设计理念是「推理优先」——架构上做的所有减法（去 NMS、去 DFL）都是为了推理更快，精度靠训练时的额外机制来弥补。

端到端无 NMS 推理：传统 YOLO 模型在推理后需要执行非极大值抑制（NMS）来去除冗余检测框，这增加了后处理延迟和部署复杂度。YOLO26 默认采用一对一（one-to-one）检测头，直接输出每张图像最多 300 个检测结果 (N, 300, 6)，完全省去 NMS 步骤，推理流水线大幅简化。在 CPU 上的 ONNX 推理速度相比 YOLO11n 提升高达 43%。

无 DFL 回归：YOLO26 移除了分布焦点损失（Distribution Focal Loss, DFL）结构，检测头更加轻量。边界框回归不再受限于预设的离散区间，既降低了模型复杂度又保持了同等甚至更优的回归精度。

Progressive Loss 与 STAL：训练过程中通过渐进损失（Progressive Loss）将监督信号逐步从辅助头部转移到推理阶段的主头部。小目标感知标签分配（STAL）策略特别提升小目标的正样本标签覆盖率，改善小物体检测性能。

MuSGD 混合优化器：创新性地将大语言模型常用的 Muon 优化器与 SGD 结合，实现更稳定高效的训练收敛。相比纯 SGD，MuSGD 在大 batch 训练时收敛更快且不易震荡。

模型尺度与 COCO 性能：YOLO26 提供 N/S/M/L/X 五种尺度：

模型	mAP50-95	CPU ONNX(ms)	T4 TensorRT(ms)	参数量
YOLO26n	40.9	38.9	1.7	2.4M
YOLO26s	48.6	87.2	2.5	9.5M
YOLO26m	53.1	220.0	4.7	20.4M
YOLO26l	55.0	286.2	6.2	24.8M
YOLO26x	57.5	525.8	11.8	55.7M

Nano 版本参数量仅 2.4M，CPU 推理速度比 YOLO11n 快 43%，适合边缘设备和小数据集；X 版本 mAP 达 57.5，适用于对准确率要求极高的场景。

双头架构设计：YOLO26 检测模型内置两个检测头——一对一（默认，无 NMS，输出 300 个检测框）和一对多（需 NMS，输出 8400 个候选框）。训练时一对多头作为辅助监督信号加速收敛，推理时默认使用一对一头实现端到端输出。

YOLO26 支持全部七大视觉任务：检测、实例分割、语义分割、深度估计、分类、姿态估计和定向边界框检测（OBB），一个框架覆盖从 2D 检测到 3D 感知的完整需求。

关键训练参数配置详解

如果你只有一张 GPU 显存不大，batch 和 imgsz 就是两个需要反复权衡的参数。建议先定 imgsz，再往显存里塞最大的 batch。

参数	默认值	本项目设置	含义
model	-	yolo26n.pt	预训练权重，n/s/m/l/x 五种尺度
epochs	100	120	训练总轮数
imgsz	640	416	输入图像尺寸
batch	16	32	批次大小，根据显存调整
lr0	0.01	0.01	初始学习率
lrf	0.01	0.01	最终学习率因子（lr0 × lrf）
momentum	0.937	0.937	SGD 动量
weight_decay	0.0005	0.0005	权重衰减（L2 正则化）
warmup_epochs	3.0	3.0	预热轮数
warmup_momentum	0.8	0.8	预热期间动量初始值
box	7.5	7.5	边界框回归损失权重
cls	0.5	0.5	分类损失权重
dfl	1.5	1.5	DFL 损失权重（YOLO26 可置 0）
patience	100	100	早停轮数
cos_lr	False	True	余弦学习率衰减
close_mosaic	10	10	最后 N 轮关闭 Mosaic 增强
optimizer	auto	SGD	优化器选择
amp	True	True	自动混合精度训练
freeze	None	0	冻结前 N 层骨干网络参数
dropout	0.0	0.1	分类头 Dropout 率，防过拟合

三个损失权重的分工：box 负责《框在哪》，cls 负责《框里是什么》，dfl 在 YOLO26 中可设 0 因为默认检测头已去掉 DFL。大部分场景保持默认比例即可，除非有明确的偏好需求。

学习率调参经验：

• 训练初期 loss 不下降 → 调大 lr0 或增加 warmup_epochs
• 训练后期 loss 震荡 → 降低 lr0，增大 weight_decay
• 验证集 loss 先降后升（过拟合）→ 增大 dropout、weight_decay 或减小 epochs
• 小数据集（<100张）→ lr0=0.001, weight_decay=5e-4, dropout=0.2
• 大数据集（>1000张）→ lr0=0.01, weight_decay=5e-4, batch=32+

训练可视化与TensorBoard：YOLO26 默认开启 TensorBoard 日志记录，训练过程中可实时查看 loss 曲线和指标变化。在命令行执行 tensorboard --logdir runs/detect/train 即可打开 Web 看板，每轮训练完成后自动刷新。训练结束后 results.png 生成的六合一曲线图是最直观的诊断工具——一眼就能看出是否过拟合、是否收敛、哪个 loss 在震荡。

断点续训机制：如果训练意外中断（断电、OOM 等），不用从头开始。YOLO 每轮保存 last.pt，恢复训练时指定 model=last.pt 并设置 resume=True，学习率和优化器状态都会从断点恢复，训练曲线也和连续训练一样平滑。

模型评估指标解读

别只看 mAP 一个数字就下定论。YOLO 输出的评估体系包含多个维度，每个维度都能反映模型不同方面的表现。

训练完成后，YOLO26 训练器自动输出以下指标：

mAP50（mAP@0.5）：IoU 阈值为 0.5 时的平均精度均值，反映模型粗粒度定位能力。mAP50 ≥ 0.90 表示定位效果很好。

mAP50-95（mAP@0.5:0.95）：IoU 从 0.5 到 0.95 共 10 个阈值上取平均。更严苛，反映精确定位能力，是更具代表性的综合评价指标。

Precision（精确率）：检测结果中正确检测的比例。高 Precision 意味着虚警少。

Recall（召回率）：真实目标中被成功检测到的比例。高 Recall 意味着漏检少。

F1 Score：Precision 和 Recall 的调和平均数 = 2×P×R/(P+R)，综合衡量模型平衡性。

Confusion Matrix（混淆矩阵）：N×N 矩阵，对角线为正确分类，非对角线为误分类，可定位类别间混淆情况。

训练曲线分析：

• train/box_loss 单调下降 → 边界框回归正常收敛
• val/box_loss 先降后升 → 过拟合风险，应增大数据增强或减小模型
• metrics/mAP50(B) 增长放缓趋于平稳 → 模型接近收敛上限
• train 持续降、val 持续升 → 严重过拟合，建议减小模型或增大 dropout

指标使用场景：

• 安全生产场景（如安全帽检测）→ 优先保证 Recall，宁可多报不能漏报
• 质检场景（如缺陷检测）→ 优先保证 Precision，降低误检率减少人工复核量
• 通用检测 → 均衡优化，关注 mAP50-95 和 F1 Score

PR 曲线实战解读：每张 PR_curve.png 里每个类别有一条不同颜色的曲线。不用盯着每个类看——先找出最差的那条（最靠左下角的），它代表你模型的弱项。加大那个类别的数据量或检查标注质量，通常比调任何参数都见效。

YOLO 系列算法演进史

不了解 YOLO 历史也能直接用 YOLO26，但知道每代解决了什么问题对调试和选型很有帮助。比如知道 v8 统一了分类/检测/分割接口，就知道 YOLO26 继承了这套 API。

YOLOv1 (2015)：将检测问题建模为单一回归问题，直接在输出层预测边界框和类别概率。速度极快但定位精度较差。

YOLOv2/YOLOv3 (2016-2018)：引入 anchor box 机制、特征金字塔（FPN）和多尺度训练。YOLOv3 的 Darknet-53 骨干网络成为经典架构，至今仍被广泛使用。

YOLOv5 (2020)：Ultralytics 在 PyTorch 上的实现，带来了完善的训练框架、自动锚框聚类和数据增强 pipeline，大幅降低了使用门槛。

YOLOv8 (2023)：统一了检测、分割、分类和关键点任务的框架，引入 C2f 模块和无锚框（anchor-free）检测头。

YOLOv9 (2024)：提出 GELAN（通用高效层聚合网络）和 PGI（可编程梯度信息），同等参数量下精度提升显著。

YOLOv10/YOLOv11 (2024)：YOLOv10 首次提出无 NMS 端到端检测。YOLOv11 进一步优化骨干网络和训练策略，在速度和精度之间取得新平衡。

YOLO26 (2026)：集历代之大成，核心创新包括：① 端到端无 NMS 一对一检测头 ② 无 DFL 的简化回归头 ③ Progressive Loss 渐进式监督转移 ④ STAL 小目标感知标签分配 ⑤ MuSGD 混合优化器。

关键设计演进总结：

• Anchor-based → Anchor-free（v8 起）
• C3 → C2f → C3k2（骨干模块持续优化）
• 多任务统一框架（v8 起）
• NMS 后处理 → 无 NMS 端到端（v10/v26）
• 单一损失函数 → 多任务联合损失（Box + Cls + DFL，v26 可去 DFL）

YOLO26 训练步骤详解

拿到一个标注好的数据集后，训练就三件事：配置 data.yaml、选模型权重、跑 train 命令。每一步都很短。

环境准备：

pip install ultralytics
yolo checks
python -c "import torch; print(torch.cuda.is_available())"

命令行训练：

yolo detect train     data=data.yaml     model=yolo26n.pt     epochs=120     imgsz=416     batch=32     device=0     lr0=0.01     patience=100     cos_lr=True     close_mosaic=10

Python API 训练：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.train(
    data="data.yaml",
    epochs=120,
    imgsz=416,
    batch=32,
    device=0,
    lr0=0.01,
    patience=100,
    cos_lr=True,
    close_mosaic=10,
    augment=True,
    amp=True,
    workers=8,
)

训练输出文件：

• runs/detect/train/weights/best.pt：验证集上 mAP 最高的权重
• runs/detect/train/weights/last.pt：最后一轮保存的权重
• runs/detect/train/results.csv：每轮 loss 和指标数据
• runs/detect/train/confusion_matrix.png：混淆矩阵图
• runs/detect/train/results.png：训练曲线图
• runs/detect/train/val_batch*_pred.jpg：验证集预测效果图

单张推理测试：

model = YOLO("runs/detect/train/weights/best.pt")
results = model("test_image.jpg")
results[0].show()

多 GPU 分布式训练：

yolo detect train data=data.yaml model=yolo26n.pt device=0,1 epochs=100

恢复中断的训练：

yolo detect train model=path/to/last.pt data=data.yaml resume=True

部署与应用建议

大规模生产部署：1740 张训练数据 + YOLO26，精度基础已经很好。重点是推理吞吐和稳定性。

model.export(format="engine", imgsz=416, half=True, batch=32)
# TensorRT FP16 + 大 batch → 单 GPU 轻松 500+ FPS

生产环境 checklist：① 导出时指定 opset=12（ONNX）/ workspace=4GB（TensorRT）② 做一轮 int8 量化对比，确认精度损失可控 ③ 压测时同时测 1/4/8/16/32 的 batch 吞吐，找到最优配置 ④ 设置 P99 < 50ms 的监控告警。

中等规模数据集的快速迭代策略：1740 张图不算多也不算少，刚好处于一个可以玩出花的区间。

建议先把训练拆成两阶段：第一阶段用默认参数完整训 80 轮看上限在哪，第二阶段针对弱项做定向优化。不要在第一次训练就试图把参数调到完美——这只会浪费时间。

第一阶段结束后，看三个指标做诊断：

• val_box_loss 是否降到 0.7 以下 → 如果没到，加大 epochs
• mAP50-95 相对 mAP50 的差距 → 如果差距 > 15 个点，说明定位精度差，尝试提高 imgsz
• 各类别的 AP 方差 → 如果某类 AP 远低于均值，优先补充该类数据

第二阶段根据诊断结果调整参数重新训练，通常 2-3 轮迭代就能找到最优组合。

训练注意事项：一套数据集在 YOLO26 上能训到什么程度，很大程度上取决于前期准备。以下是几个不依赖调参的提分方向。

首先确认 data.yaml 里的路径和数据实际结构完全一致。不少训练失败的案例最后发现是路径映射错了，模型在空目录上训练了一晚上。用 yolo check data=data.yaml 做一次预检能省掉很多心累。

其次，训练过程中打开 TensorBoard（tensorboard --logdir runs/detect/train）实时观看指标变化比事后看 results.png 高效得多。你能立刻发现某些参数设置不当导致的异常——比如 mAP 抖动剧烈、loss 突然飙升等。

如果发现某个特定类别的 AP 始终上不去：① 数一数该类最多有多少张样本，少于 20 张的几乎注定 AP 低 ② 检查该类别的边界框标注——大框还是小框、遮挡标注是否完整 ③ 尝试减少其他类别的数量来平衡样本分布。这些比盲目调参管用。

最后：best.pt 不一定真的是最优。有时候 last.pt 在真实场景下泛化能力反而更好，因为 best 是按验证集 mAP 挑的，验证集不一定代表真实分布。建议保存多个 epoch 的权重，选出在实际场景下表现最好的。

小结

• 数据规模：共 1740 张，7 个类别（棕色、巧克力棕、灰色），train/val/test 已划分
• 标签格式：VOC + YOLO，data.yaml 路径已配置，下载入口在「标注可视化」一节
• 起步建议：先用 YOLO26n + imgsz=416 跑一轮基线，看 mAP50 与 mAP50-95 的差距再决定提 imgsz 还是换更大模型

如果你的拍摄条件和这套数据差别大，先按文中的增强参数跑一轮，再判断是该补数据还是该调模型——换大模型在数据量没跟上之前通常是负优化。