基于YOLO算法的马匹皮肤病目标检测实战：从980张标注数据集到模型部署

共计 1107 个字符，预计需要花费 3 分钟才能阅读完成。

背景与痛点

马匹皮肤病是影响马匹健康的重要因素之一，常见的包括过敏性皮炎、皮炎等。传统检测方法主要依赖兽医经验，存在效率低、成本高的问题。虽然现有的一些计算机视觉方法可以辅助检测，但多数面临以下挑战：

• 数据集稀缺：马匹皮肤病公开数据集较少，特别是高质量标注数据
• 标注困难：皮肤病症状多样，标注需要专业知识
• 模型适应性差：通用目标检测模型对马匹皮肤病特定场景效果不佳

技术选型

在目标检测算法中，我们对比了几种主流方案：

1. Faster R-CNN：精度高但速度慢，不适合实时检测
2. SSD：速度快但小目标检测效果一般
3. YOLO 系列：兼顾速度和精度，适合部署

最终选择 YOLOv5 作为基础模型，因为：

• 开源社区支持好
• 训练速度快
• 部署方便

数据集处理

我们使用的数据集包含 980 张标注图片，分为三类：过敏性皮炎、皮炎和健康马。数据预处理流程如下：

1. 数据清洗：去除模糊、重复图片
2. 标注检查：使用 LabelImg 工具验证标注准确性
3. 数据增强：
4. 随机旋转（-15°~15°）
5. 亮度调整（0.5~1.5 倍）
6. 水平翻转

模型训练

以下是核心训练代码（基于 YOLOv5）：

import torch
from yolov5 import train

# 数据配置
data = {
    'train': 'data/train',
    'val': 'data/val',
    'names': ['Allergic_Dermatitis', 'Dermatitis', 'Healthy'],
    'nc': 3
}

# 模型配置
model = 'yolov5s.yaml'

# 训练参数
epochs = 100
batch_size = 16
img_size = 640

# 开始训练
train.run(
    data=data,
    cfg=model,
    weights='',
    epochs=epochs,
    batch_size=batch_size,
    imgsz=img_size
)

性能测试

在测试集（20% 数据）上的表现：

• mAP@0.5: 0.87
• 过敏性皮炎召回率: 0.83
• 皮炎召回率: 0.85
• 健康马准确率: 0.91

避坑指南

训练中常见问题及解决方案：

1. 过拟合：
2. 增加数据增强
3. 使用早停策略

4. 降低模型复杂度

5. 标注错误：

6. 使用多人在线标注工具

7. 交叉验证标注结果

8. 类别不平衡：

9. 采用加权损失函数
10. 过采样少数类

部署建议

实际部署时可考虑以下方案：

1. 边缘设备部署：
2. 使用 TensorRT 加速

3. 量化模型减小体积

4. 云服务部署：

5. 封装为 REST API

6. 使用 Flask/Django 框架

7. 移动端部署：

8. 转换为 TFLite 格式
9. 优化输入分辨率

总结

通过本项目实践，我们验证了 YOLO 算法在马匹皮肤病检测中的有效性。虽然初始数据集规模不大，但通过合理的数据增强和模型调优，仍能达到不错的检测效果。未来可以继续扩充数据集，并尝试更轻量化的模型架构。