夜雨聆风
手把手教你30分钟搞定一个能装进口袋的AI植物医生
这篇文章能帮你什么？
你有没有想过：手机拍张叶子照片，AI立刻告诉你“这是早疫病，用代森锰锌”？
这不是科幻。今天，我就带你从零开始，亲手做一个能装进口袋的“植物医生”。
全程分三步：
1. 下载数据集：拿来就能用的高质量病害数据
2. 训练模型：用YOLOv8，几行代码搞定
3. 部署到手机：让AI真正跑在你的手机上
不需要AI博士学历，不需要昂贵的服务器，一个普通电脑、一部安卓手机就够了。
开始。
第一步：下载数据集（5分钟）
先找一套“教材”给AI学。推荐三个经过预处理的现成数据集，开箱即用：
选项1：番茄叶片病害数据集（最推荐）
这个数据集是PlantVillage的“精修版”，已经帮你洗好了：
· 6个类别：细菌性斑点病、早疫病、晚疫病、叶霉病、斑枯病、健康
· 已划分：训练集70%、验证集15%、测试集15%
· 大小：98.2 MB
· 格式：按文件夹分类，无需额外处理
下载地址：Mendeley Data搜索“Processed Tomato Leaf Disease”（DOI: 10.17632/3zwdw6y4pn.1）
选项2：玉米病害增强数据集
如果你对玉米感兴趣，这个数据集用“强化学习+风格迁移”技术做了增强：
· 5个类别：锈病、叶枯病、叶斑病、条纹病毒、健康
· 大小：4,776张增强图像
· 格式：JPEG格式，标准化分辨率
下载地址：Zenodo搜索“RL-NST Corn Leaf Disease”
选项3：茄子叶片病害数据集（真实田间）
想要更“野”的数据？这个是斯里兰卡田间用手机拍的：
· 8个类别：细菌性枯萎病、细菌性叶斑病、白粉病等
· 大小：8,987张真实田间图像
· 特点：自然光照、无控制背景，超接地气
下载地址：Mendeley Data搜索“SLIF-Brinjal”（DOI: 10.17632/6yg6vktrc2.1）
第二步：训练模型（15分钟）
2.1 安装YOLOv8
YOLOv8是目前最“亲民”的目标检测模型，几行代码就能训练：
bash
# 安装ultralytics包
pip install ultralytics
2.2 准备数据
把下载的数据集整理成YOLO格式：
Text
dataset/
├── images/
│ ├── train/ # 训练图片
│ └── val/ # 验证图片
├── labels/
│ ├── train/ # 训练标注（txt文件）
│ └── val/ # 验证标注
└── data.yaml # 数据集配置文件
如果下载的是Mendeley上的番茄数据集，它已经是按文件夹分类好的格式，可以直接使用。
2.3 写一个配置文件 data.yaml
yaml
path:./dataset # 数据集根目录
train:images/train # 训练图片文件夹
val:images/val # 验证图片文件夹
nc: 6 # 类别数量
names: ['Bacterial_spot', 'Early_blight', 'Late_blight',
'Leaf_Mold', 'Septoria_leaf_spot', 'healthy']
2.4 一行命令开始训练
bash
yolo detect train data=data.yaml model=yolov8n.pt epochs=50 imgsz=640
参数说明：
· model=yolov8n.pt：用预训练模型，不用从零学（迁移学习）
· epochs=50：训练50轮，一般够用了
· imgsz=640：输入图片尺寸
训练完会在 runs/detect/train/weights/ 下生成两个文件：
· best.pt：效果最好的模型（部署用这个）
· last.pt：最后一轮的模型
2.5 看一眼效果
python
from ultralytics import YOLO
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test_leaf.jpg', save=True)
如果能正确标出病斑位置和类别，恭喜你，AI医生“毕业”了！
第三步：部署到手机（10分钟）
模型训好了，怎么装进手机？核心思路是：把PyTorch模型转成手机能跑的格式。
3.1 模型转换（PyTorch → ONNX → NCNN/TFLite）
python
from ultralytics import YOLO
# 加载训练好的模型
model = YOLO('best.pt')
# 导出为ONNX格式
model.export(format='onnx', imgsz=640)
会生成 best.onnx 文件。然后可以用 ONNX Runtime 的工具进一步转换成手机端格式（NCNN或TFLite）。
3.2 在Android Studio中集成
1. 添加依赖：在 build.gradle 中加入ONNX Runtime
2. 放模型文件：把转换后的模型放进 assets 文件夹
3. 写推理代码：
kotlin
// 加载模型
val session = OrtSession.createSession(loadModelFile(context, "best.onnx"), env)
// 处理摄像头画面
funprocessImage(bitmap: Bitmap): List<Detection> {
// 1. 预处理：缩放、归一化
val inputTensor = preprocess(bitmap)
// 2. 运行推理
val output = session.run(mapOf("images" to inputTensor))
// 3. 解析结果：提取边界框、类别、置信度
return parseOutput(output)
}
完整代码可以参考ONNX Runtime官方示例，有现成的Android工程可以拿来改。
3.3 测试一下
装到手机上，对准一片叶子拍一张——如果能识别出病害类型并标出位置，你就成功了！
小提示：如果嫌从零配置太麻烦，阿里云开发者社区有打包好的完整项目，包含YOLOv8训练代码+数据集+PyQt5界面，下载即用。开源的YOLOv8水稻病害检测项目也提供了完整的数据集和部署教程。
写在最后：你可以做得更好
今天你走完了“数据→模型→手机”的完整链路。但真正的“植物医生”，还需要在这些方向打磨：
1. 用真实田间数据
实验室拍的数据太“干净”了。去田里拍一些逆光、手抖、被挡住的照片加进去，模型会更皮实。SLIF-Brinjal茄子数据集就是真实田间拍摄的典范。
2. 加知识库
光认病不够，还要告诉农民怎么治。可以参考AgriPestDatabase的做法，构建“病害名称→防治方法”的问答对。
3. 持续迭代
模型不是一次性的。把农民误判的图片收集起来，定期重新训练，模型会越来越聪明。
现在，你已经有了让AI当“植物医生”的全部工具。选一个你最关心的作物，动手试试吧。
有问题？欢迎留言交流。
