简介：面向YOLO系列目标检测训练与评估的昆虫检测数据集，内含1108张真实场景JPG图片，覆盖蝴蝶、蚂蚱、蟑螂等5类常见昆虫，场景丰富，适合目标检测算法练习、模型测试与教学演示。压缩包共包含3325个文件，除1108张原始图片外，还提供1108个VOC格式xml标注和1109个YOLO格式txt标注，两种标签按目录分开存放，可直接套用YOLO训练流程，省去格式转换和目录整理；压缩包约159.48MB，结构清晰易检索。目前已有2158人学习下载。所有图片均使用lableimg逐张标注，边界框与类别信息完整，VOC/YOLO双格式兼顾不同框架使用习惯；配套博客提供了检测结果参考，便于对照验证模型精度与调参方向。无论用于昆虫识别、农业巡检还是目标检测入门实践，这份数据都能帮助读者快速搭建训练样本集，减少数据准备环节的时间投入。

1. YOLO昆虫检测数据集：从"有图"到"能训出模型"的真实一步

YOLO昆虫检测数据集这个资源，第一眼看上去就是一堆jpg和标注文件，但真正上手做过目标检测的人都知道，数据集和数据集之间的差距比模型和模型之间的差距还大。这个数据集有1000多张真实场景图、5类常见昆虫，用labelimg人工标注过，VOC和YOLO两种格式的标签分别归在两个文件夹里，下载下来就能直接喂给YOLOv5、v8甚至v11去训练。适合的人群很具体：刚接触目标检测、讨厌自己爬图自己标、或者正在做农业害虫监测类项目但苦于公开虫类数据太少的从业者。我拆这个数据集时最直观的感受是：场景足够杂、背景足够乱、目标足够小，属于"能真正用来练手而不是刷精度"那种。

2. 数据解剖：1000+张真实场景、5类昆虫、双格式标注怎么组织

2.1 图片与场景：真实场景到底"真实"在哪

先看图片本身。文件编号从000225到000229，每张图对应多个实例编号，比如000225_1.jpg、000225_2.jpg、000225_4.jpg，这是同一张背景图里切出的不同检测目标，或者是连续帧里同一昆虫的不同姿态。这种命名方式说明标注是按"一张图一个目标或多个目标"的方式组织的，不是那种每个类别一张标准照的合成数据。

真实场景体现在三个细节上。第一，背景是草地、泥土、叶片这类自然纹理，目标物和背景的对比度不高，昆虫的保护色会让模型天然难学。第二，昆虫本身姿态多变——蝴蝶翅膀张开和合拢时外形差异极大，蚂蚱侧身和正对镜头时轮廓完全不一样，这要求模型学的是"昆虫"这个概念而不是某个固定模板。第三，图片尺寸和光照条件不统一，有的目标可能只占画面很小一块面积，这正好用来检验YOLO系列在小目标上的表现。

图片格式是jpg，没有预处理痕迹，没有固定分辨率归一化，这意味着你拿到手后需要自己做letterbox或resize。实际训练时YOLO内部会做自适应缩放，但如果你要在训练前做数据清洗（剔除模糊图、裁剪纯背景图），就得自己写脚本。我一般拿到任何数据集先跑一遍统计脚本，看看图片尺寸分布和每张图的实例数分布，这个习惯能提前暴露很多"训练一半才发现"的问题。

2.2 两类标注文件：VOC的xml和YOLO的txt到底差在哪

这个数据集最省事的地方就是VOC和YOLO格式都给你备好了，分别放在两个文件夹。VOC格式以xml为后缀，记录的是object的name和bndbox的xmin、ymin、xmax、ymax，是绝对像素坐标；YOLO格式是txt，每行一个目标，结构是"类别id x_center y_center width height"，全部归一化到0到1之间。两者的核心区别不只是格式差异，而是坐标系的表达方式。

VOC转YOLO时最容易出错的不是坐标换算，而是类别索引。比如classes.txt里顺序是butterfly、locust、cockroach，那么butterfly的id是0，locust是1，cockroach是2。如果xml里的name是字符串"locust"，转出来后写成id=1，但在你的训练yaml里类别顺序变成了cockroach、butterfly、locust，那这个目标就会被模型学成蟑螂，而且你不会立刻发现，只是验证集loss死活不降。这是后文避坑章节的重点。

2.3 五类昆虫的类别构成与训练前必须做的分布检查

摘要里明确了5类昆虫，能看到的有蝴蝶、蚂蚱、蟑螂，剩下的以实际数据集里的classes.txt为准。这里建议你拿到数据集后第一件事不是开训，而是统计每个类别的图片数和实例数，看看是不是均匀分布。真实场景数据集几乎必然存在类别不平衡——蝴蝶可能占了40%，蚂蚱占30%，蟑螂只占10%。

类别不平衡会带来两个直接后果。第一，模型会把高频类别学得很好，低频类别几乎不学，验证集mAP被高频类别拉高，给你一种"效果不错"的错觉；第二，如果蟑螂这种类别本身就难检（深色、小、贴地），那它会在训练后期梯度被稀释。处理办法是在yaml里给每个类别设置不同的loss权重，或者对低频类别做过采样。我一般会在数据划分前跑一个分布矩阵，确认每类在训练集和验证集中的占比和全集一致，避免验证集里恰好缺少某个低频类别导致指标虚高。

3. 跑通一次完整的YOLO昆虫训练：从环境配置到收敛出权重

3.1 环境准备：用ultralytics仓库把依赖一次装齐

训练YOLO系列最省心的路径是用ultralytics。这个包封装了YOLOv5、v8、v11的训练、验证、导出和推理流程，底层是PyTorch，对新手来说不用自己写训练循环，对熟手来说改配置也方便。

# 创建独立虚拟环境，避免污染系统Python conda create -n insect_yolo python=3.10 -y conda activate insect_yolo # 安装ultralytics，会自动拉取torch等核心依赖 pip install ultralytics # 验证安装是否成功，能打印版本号说明就绪 yolo --version

参数说明：python=3.10是兼容性较好的版本，ultralytics对3.8到3.12都支持，但3.10踩坑最少。pip install ultralytics会自动安装torch、torchvision、opencv-python等依赖，不用手动一个个装。如果你用的是NVIDIA显卡，建议先装CUDA版torch再装ultralytics，避免pip默认拉CPU版导致训练慢一个数量级。装好后跑一下yolo --version确认命令行工具可用，这一步能排除路径和依赖缺失问题。

3.2 数据目录组织：YOLO训练前必须的YAML配置与目录结构

这个数据集本身已经是"图片文件 + 对应txt"的组织方式，但YOLO训练要求一个标准目录结构。常见的做法是新建一个数据集根目录，下面分images和labels两个大文件夹，再各自分出train和val子集，然后在yaml文件里指定路径和类别名。

# insect.yaml —— 数据集配置文件 path: D:/datasets/insects # 数据集根目录，绝对路径更稳 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 # 类别列表，顺序必须和标注txt里的id完全对齐 names: 0: butterfly 1: locust 2: cockroach 3: moth # 实际类别以数据集classes.txt为准 4: beetle

参数说明：path那一行建议写绝对路径，YOLO在相对路径解析上偶尔会因为工作目录切换而出问题。names里的顺序0、1、2、3、4必须和训练txt标注文件里的第一个数字一致，一旦错位，整个训练就是"拿着蟑螂的标签学蝴蝶"，最后模型收敛出来的特征是完全乱的。核对方法很简单：随机抽10个txt文件，比对类别id和classes.txt的顺序。

3.3 数据划分：一个脚本把训练集和验证集分开

数据集没有内置划分好的train/val文件夹，需要自己分。很多人在这一步偷懒直接把全部数据丢去训练，然后训练完才发现没有验证集可用，只能靠visualize猜效果。这里建议的是7:2:1的比例，留一部分做测试集。

import os import random import shutil random.seed(42) # 固定随机种子，保证多次划分结果一致 img_dir = 'D:/datasets/insects/all_images' lab_dir = 'D:/datasets/insects/all_labels' # 划分目标目录 for split in ['train', 'val', 'test']: os.makedirs(f'D:/datasets/insects/images/{split}', exist_ok=True) os.makedirs(f'D:/datasets/insects/labels/{split}', exist_ok=True) imgs = [f for f in os.listdir(img_dir) if f.endswith('.jpg')] random.shuffle(imgs) n_train = int(len(imgs) * 0.7) n_val = int(len(imgs) * 0.2) for i, img in enumerate(imgs): stem = os.path.splitext(img)[0] src_img = os.path.join(img_dir, img) src_lab = os.path.join(lab_dir, stem + '.txt') if i < n_train: split = 'train' elif i < n_train + n_val: split = 'val' else: split = 'test' shutil.copy(src_img, f'D:/datasets/insects/images/{split}/{img}') if os.path.exists(src_lab): shutil.copy(src_lab, f'D:/datasets/insects/labels/{split}/{stem}.txt')

逻辑说明：代码先读所有jpg文件，按7:2:1切成三段，然后把图片和同名txt复制到对应子目录。关键判断点有两个：一是random.seed(42)必须写，否则每次划分结果不一样，模型效果就无法复现；二是label存在性检查不能省，有些图片可能没有对应标注文件，如果硬拷贝会导致训练时图片和标签数量不匹配，YOLO加载直接报错。

3.4 训练启动与参数：batch_size、epochs、imgsz怎么设

数据准备好后启动训练。第一次跑建议用小分辨率快速验证整个链路是否通畅，不要一上来就用大参数量跑几十个epoch，否则出了错要等很久才发现。

# 先用小分辨率和短epoch验证流程能跑通 yolo detect train \ model=yolov8n.pt \ data=D:/datasets/insects/insect.yaml \ epochs=10 \ imgsz=640 \ batch=8 \ project=insect_runs \ name=smoke_test # 流程通了之后，换大模型跑正式训练 yolo detect train \ model=yolov8s.pt \ data=D:/datasets/insects/insect.yaml \ epochs=100 \ imgsz=960 \ batch=16 \ project=insect_runs \ name=insect_v8s

参数说明：model=yolov8n.pt是最轻量的预训练权重，适合做冒烟测试。imgsz=640是YOLO默认值，如果昆虫普遍偏小，建议提到960甚至1280，小目标检测的提升往往来自输入分辨率而不是模型深度。batch=8在1080Ti级别显卡上能跑，显存不够就降到4。epochs=100是保守设置，配合早停机制足够；如果100轮后验证集loss还在降就继续加。project和name决定了权重输出目录，后续找best.pt和last.pt时要用，建议每次训练换name避免覆盖之前的实验。

4. 避坑：标注错位、类别索引、小目标最容易翻车的四个地方

4.1 坑一：训练时死活找不到标签文件

现象：启动训练后终端报错提示"image X has no corresponding label"或者训练跳过了一大半图片，跑完发现训练集图片数比文件里少了一大截。

原因：这个数据集里YOLO格式的txt和图片不在同一个目录，而且是分别放在两个文件夹里的。直接把图片文件夹路径写到yaml的train字段、把txt文件夹路径留空，YOLO按照命名配对规则找不到txt。

解决：严格按3.2的目录结构把图片和txt复制到同一对images/labels关联目录下，确保每张jpg旁边有个同名txt。写一个一次性校验脚本，统计图片数和txt数是否一致，不一致就找出来手动处理，不要抱着侥幸心理开训。

4.2 坑二：VOC转YOLO后类别id错位

现象：训练可以启动，loss也在掉，但推理阶段模型把蝴蝶认成蚂蚱，或者所有目标都被归到第0类，精度灾难。

原因：转换脚本里按xml中object出现的顺序拼接类别id列表，没有先读取数据集自带的类别清单。比如xml里有三个类别，但实际全局有五个classes，这样转换脚本按局部顺序生成id，到了第4个类别就出现越界或错位。

解决：转换之前先确定类别全集，把classes.txt按固定顺序排序后写死一个全局映射字典，然后逐张图转换。转换完成后抽几张图画框检查，确保"蝴蝶图对应butterfly的txt、但框的位置仍然在蝴蝶身上"。这一步可视化验证是必须的，不然后面全都白练。

4.3 坑三：小目标训练时显存爆掉或者收敛全无

现象：imgsz调到1280后，batch=8直接OOM；或改成batch=2能跑，但训练到50个epoch验证mAP一直在0.1附近徘徊。

原因：昆虫目标普遍较小，想提精度就得提高输入分辨率，但分辨率提高带来显存压力。batch调小后bn层统计不稳定，模型学不动。另一个隐藏原因是初始学习率过高，小目标框的回归梯度本身就稀疏，大学习率直接把特征打散。

解决：分辨率从640逐档往上调，每档用相同epoch数跑一轮对比mAP；如果显存只够batch=4，就把模型从yolov8s降级到yolov8n，同时学习率从默认0.01降到0.001配AdamW。我习惯是先固定imgsz=960、batch=8能稳住显存，再用小模型探路，确认提升来自分辨率而不是模型容量。

4.4 坑四：验证集mAP高但实际场景一塌糊涂

现象：训练完成，验证集mAP@0.5有0.85以上，但是用手机拍一张草地里的蟑螂，模型什么都检不出来。

原因：验证集是从同一个数据集中随机划分出来的，背景分布和光照条件都相似，模型实际是在"背场景"。更麻烦的是蟑螂类别在数据集里低频，验证集里可能就几张，mAP被蝴蝶等高频类别拉高。

解决：划分时保证每个类别的实例数在训练集和验证集的占比一致；另外手里自己留几张"没见过的场景"图片做最终测试，不看mAP只看实际检测结果。重点检查低频类别在小目标尺度下的漏检率，如果效果不行，回到第5章的针对低频类别的数据增强方案。

5. 把数据集收益拉满：数据增强、格式互转与小目标优化三板斧

5.1 把YOLO自带增强打开到"够用但不失真"

YOLOv8默认开启mosaic增强，训练前期每张图由4张图拼合而成，对小目标检测非常友好。但azimuth翻转、色彩空间扰动这些需要看任务来调。昆虫识别任务里，颜色是重要特征——蝴蝶翅膀颜色差异是分类依据，所以HSV增强的饱和度扰动幅度不能太大。

# augment.yaml —— 数据增强参数覆盖 mosaic: 0.8 # 80%概率使用mosaic拼图 mixup: 0.2 # 较低mixup，防止昆虫特征被mixup冲淡 hsv_h: 0.02 # 色调扰动幅度保持小 hsv_s: 0.3 # 饱和度适度变化 hsv_v: 0.3 # 明度变化不能太大，真实光照下明暗差异已有 flipud: 0.0 # 昆虫有明确上下朝向，上下翻转会导致误学 fliplr: 0.5 # 左右翻转安全，不影响昆虫类别判断 scale: 0.4 # 缩放范围，兼顾大小目标

参数说明：flipud设为0是因为苍蝇、蝴蝶的朝向是重要特征，上下翻转会让模型学到错误的空间关系。hsv_h只有0.02，因为颜色对昆虫分类权重很高，色调大幅扰动等于教模型忽略颜色。mosaic到0.8配合小幅mixup能显著提升小目标检测效果，但对昆虫这种"纹理细节决定类别"的目标，mixup过高会让模型学到混合特征，导致分类置信度上不去。

5.2 自建VOC到YOLO批量转换工具，不依赖第三方库

这个数据集提供了双格式，但实际操作中你可能还需要把VOC格式转成其他框架格式，或者把新标注的数据转回来。这里给一个不依赖任何第三方标注库的纯手工转换脚本，用到的全是python标准库。

import xml.etree.ElementTree as ET import os # 类别全局映射，顺序必须和训练yaml一致 CLASS_MAP = {'butterfly': 0, 'locust': 1, 'cockroach': 2, 'moth': 3, 'beetle': 4} def voc2yolo(xml_path, out_txt_path, img_w, img_h): tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.findall('object'): name = obj.find('name').text if name not in CLASS_MAP: print(f'[WARN] unknown class: {name}, skipped') continue cls_id = CLASS_MAP[name] box = obj.find('bndbox') xmin = float(box.find('xmin').text) ymin = float(box.find('ymin').text) xmax = float(box.find('xmax').text) ymax = float(box.find('ymax').text) # 绝对坐标转归一化中心坐标 x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h # 边界裁剪，防止除以图片尺寸后出现越界值 x_center = min(max(x_center, 0.0), 1.0) y_center = min(max(y_center, 0.0), 1.0) lines.append(f'{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}') with open(out_txt_path, 'w') as f: f.write('\n'.join(lines))

逻辑说明：关键点是坐标转换公式——x_center是(xmin+xmax)的二分之一再除以图片宽度，width是(xmax-xmin)除以图片宽度。除以谁取决于标注坐标系：VOC是绝对像素坐标，除以图片宽高得到归一化坐标；YOLO的txt里全部要求0到1的相对坐标。最后加了裁剪会把转化误差导致的越界值拉回合法范围，防止训练时YOLO报错。注意img_w和img_h必须从图片实际读取，不能从标注xml里推测，否则图片尺寸解读错误会导至坐标整体偏移。

5.3 小目标检测的另类解法：切图推理（SAHI思路）

对小目标昆虫，尤其图片里只有零星几只、目标像素占比小于2%的情况，直接把整图喂给模型效果很差。SAHI的思路是把大图切成若干小块，逐块检测，再把结果合并回原图坐标。这个思路在"目标密度低、每张图目标数量少"的昆虫场景下收益明显。

def detect_tiles(model, img_path, tile_size=640, stride=320): img = cv2.imread(img_path) h, w = img.shape[:2] boxes = [] for y in range(0, h, stride): for x in range(0, w, stride): tile = img[y:y+tile_size, x:x+tile_size] # 模拟YOLO推理，得到tile坐标系下的检测框 results = model(tile, imgsz=640, conf=0.3) for det in results[0].boxes: x1, y1, x2, y2 = det.xyxy[0].tolist() # 关键：把tile坐标还原到原图坐标 boxes.append({ 'class': int(det.cls[0]), 'conf': float(det.conf[0]), 'bbox': [x + x1, y + y1, x + x2, y + y2] }) # 简单NMS，合并重叠框 boxes = nms_boxes(boxes, iou_threshold=0.5) return boxes

参数说明：tile_size和图片本身分辨率相关，建议设置成和训练imgsz相同或略小；stride决定相邻tile的重叠程度，stride越小重叠越多，漏检率越低但推理耗时越长。重叠反而有利于靠边界的昆虫，因为YOLO对贴近边界的目标容易漏检，切图后目标在某个tile中处于中心位置就不会漏了。nms是最后一步，因为同一个昆虫可能出现在相邻tile中，检测到两次，需要用IOU过滤掉重复框。这个方案推理速度比直接整图慢2到3倍，但在"要效果不要速度"的离线分析场景中非常值得。

6. 模型验证不止看mAP：可视化检查与低频类别的单独评估

训练收敛后，很多人直接拿验证集mAP当最终结论，但mAP是个平均指标，会被高频类别撑起来，掩盖低频类别的全军覆没。我做验证通常拆成三步。第一步，在验证集上统计每个类别单独的AP值，而不是只看整体mAP。YOLO会在验证结束后输出每个类别的ap50和ap50-95，重点看cockroach这种低频类别是否拖了后腿，如果某一类AP比其他类别低20个百分点以上，模型就得针对性调。

第二步是可视化验证。把best.pt在验证集上跑一遍推理，把预测框叠加在原图上输出到文件夹，然后人工翻图。这一步能看出mAP看不到的问题——比如蝴蝶翅膀展开和合拢两种姿态下模型的表现差异，或者背景中的小昆虫是否一直在漏检。实操时我习惯随机挑20张验证图片做可视化，然后用眼睛逐一检查框的贴合度，关注框是不是过松、是不是有两类目标被归到同一类。

第三步是随机抽几张训练集里没有的场景图测试泛化能力。这一步非常关键，因为验证集即使划分合理，也和训练集来自同一分布；真正判断模型能不能用，要看模型在"没见过的场景"下的表现。我一般在项目收尾时找几张完全不同的背景图跑推理，如果模型在自然光、室内光、背光三种条件下都有稳定检出，就说明泛化能力基本够用了。正如我的一位做农业监测的同事所说，模型训出来不是用来刷自己的验证集数据，而是要去陌生环境干活的。

具体到执行，YOLOv8训练结束后会在run目录下生成confusion_matrix.png、results.png等图表。confusion_matrix.png能看到哪个类别之间容易混淆——比如蚂蚱和甲虫如果频繁互相误判，说明这些类别的视觉特征过于接近，需要在数据增强里针对性地强化它们之间的差异。results.png里能看到loss曲线和mAP曲线的收敛情况，如果val_loss在最后20个epoch还在下降，说明训练还没完全收敛，可以增加epoch或者用cosine学习率调度再跑一轮。

# 训练完成后在验证集上重新评估，输出每类AP yolo detect val \ model=D:/datasets/insects/insect_runs/insect_v8s/weights/best.pt \ data=D:/datasets/insects/insect.yaml \ imgsz=960 \ save_json=True \ project=insect_val \ name=final_check

参数说明：save_json=True会额外输出一个json文件，里面包含每个类别的AP、AR、f1等详细指标，方便后续做数据分析。imgsz要和学习时保持一致，如果训练用了960验证却用640，结果会偏高或者偏低，暴露不出真实水平。我在做验证时习惯把visualize参数也加上，这样可以边看指标边翻图，比单看数字可靠得多。从那以后我每次训完模型都强制走一遍"分类别AP、可视化抽检、陌生场景跑测"这三步，再也不会因为mAP好看就草率交付了，希望这些习惯能帮你把这份数据集真正用透。

本文还有配套的精品资源，点击获取