YOLO 实例分割复盘：可复现训练与半熟蓝莓错误分析

2026 年 7 月，蓝莓视觉实验从“能够训练模型”进入“能够复现实验并解释错误”的阶段。我把标注转换、数据划分、训练参数、验证方式和错误分析整理成固定流程，并重点检查了模型对 semi_ripe（转色期蓝莓）的识别问题。

固定实验输入

当前任务为三类别实例分割，类别顺序固定为：

0 ripe
1 unripe
2 semi_ripe

类别编号一旦确定就不能随意调整，因为 YOLO 标签只保存编号。实验使用固定随机种子将数据划分为训练、验证和测试集，并记录模型、图像尺寸、epoch、batch、设备与输出目录。

从 JSON 到可训练数据集

AnyLabeling/LabelMe 的多边形标注需要转换为 YOLO segmentation 格式。转换完成后，除了检查文件是否生成，还需要统计成功转换的图片数、每个 split 的图片数、各类别实例数以及异常多边形或未知类别。

训练前我会抽样把转换后的多边形重新绘制到原图上。这样可以尽早发现坐标归一化、图片尺寸或类别映射错误，避免模型在错误标签上完成一次耗时训练。

训练结果不应只看一张曲线

一轮实验至少保存以下信息：

• 数据来源与划分方式；
• 模型和完整训练参数；
• best.pt 与结果目录；
• box 和 mask 的 mAP50、mAP50-95；
• 分类别指标与混淆矩阵；
• 问题记录、结论和下一步。

当精度不足时，应先检查数据与标注，再考虑提高输入分辨率或更换更大的模型。对小数据集而言，增加模型规模并不一定比补充困难样本更有效。

semi_ripe 错误归因

在一次 YOLO11s-seg 测试中，测试集共有 115 个 semi_ripe 真值实例。以类别正确且 mask IoU 不低于 0.75 为成功条件，47 个实例成功匹配，占 40.9%。

61 个误分类实例几乎平均流向两端：30 个被判为成熟，31 个被判为未熟。这说明主要问题不是“看不到蓝莓”，而是转色阶段本身具有连续性，三分类标签与视觉特征之间存在模糊边界。

距离分层也显示，30 cm 条件下成功率为 32.1%，低于 15 cm 条件下的 43.7%。这提示后续数据采集和评估需要同时考虑目标尺度、清晰度、遮挡与光照，而不能只比较总体准确率。

下一步实验

1. 复核 semi_ripe 标注一致性，明确颜色过渡区的判定标准；
2. 增加不同地点、距离和光照下的转色期样本；
3. 尝试把成熟度从硬分类改为具有顺序关系的标签或连续指数；
4. 分别报告识别错误与 mask 几何误差，避免把两类问题混在一起；
5. 保持独立测试集，使用同一评估脚本比较后续模型。

这次分析让我认识到，模型指标下降不一定意味着网络“没学会”。数据定义、标签边界和采集条件都可能是误差来源。把失败样本按原因分类，比单纯继续训练更多 epoch 更能指导下一轮实验。