【开源资料】AI激光灭蚊机器人｜YOLOv8数据集标注模板+完整训练配置文件一键拿走（适配ESP32-S3/树莓派双版本）

📌 专栏：嵌入式AI实战项目合集

🔥 前置项目：AI智能激光灭蚊机器人完整开源教程（双硬件方案+全套源码）

💡 适用人群：大学生课设、嵌入式科创竞赛、嵌入式AI零基础开发者

✅ 配套资料：LabelImg标注模板 + YOLOv8训练yaml配置 + 完整训练脚本 + ONNX量化脚本

---

一、前言

上期更新了AI智能激光灭蚊机器人完整版实战教程，很多小伙伴私信我索要配套的数据集标注文件、模型训练配置文件。

本期直接免费开源全套配套文件，无需修改、开箱即用，完美适配项目里的双目标检测：蚊虫(0)、人体(1)，全程和下位机串口代码、树莓派Python推理代码一一对应，不会出现类别错乱、识别不匹配问题。

⚠️重要提醒：类别顺序绝对不能调换！调换会导致人体和蚊虫识别完全颠倒，激光安全防护直接失效。

---

二、项目数据集整体目录（直接照搬）

标准YOLO数据集目录，符合官方规范，训练零报错：

mosquito_dataset/
├── images/
│   ├── train/    # 训练集图片 80%
│   ├── val/      # 验证集图片 10%
│   └── test/     # 测试集图片 10%
├── labels/
│   ├── train/    # 训练集标签txt
│   ├── val/      # 验证集标签txt
│   └── test/     # 测试集标签txt
└── mosquito_person.yaml  # YOLOv8核心训练配置文件

---

三、数据集标注模板（LabelImg专用，直接复制）

3.1 标签配置文件 classes.txt

放在LabelImg安装根目录，打开软件自动加载标签，不用手动输入：

mosquito
person

对应索引：0=蚊虫，1=人体（和程序硬编码完全一致）

3.2 LabelImg标注关键设置（避坑必看）

1. 左上角切换格式：PascalVOC 改为 YOLO
2. View勾选：Auto Save 自动保存标签
3. 禁止中文路径、禁止图片中文名，否则训练报错
4. 标注要求：蚊虫紧贴虫体，人体标注手部/脸部/全身均可，补齐暗光、逆光复杂场景图片

3.3 YOLO标签txt标准模板

归一化坐标格式：类别id x y w h

# 单蚊虫目标
0 0.452 0.336 0.041 0.039

# 单人体目标
1 0.361 0.425 0.485 0.562

# 蚊虫+人体共存场景（设备核心场景）
0 0.712 0.291 0.036 0.033
1 0.255 0.521 0.472 0.558

---

四、YOLOv8官方训练配置文件 mosquito_person.yaml

直接复制保存，修改path路径即可开始训练，适配nano轻量化模型，嵌入式友好：

# ==================== AI激光灭蚊机器人 数据集配置 ====================
# 数据集根路径，根据自己电脑路径自行修改
path: D:/AI_Project/mosquito_dataset
train: images/train
val: images/val
test: images/test

# 检测类别数量
nc: 2
# 对应类别名称，禁止调换顺序
names:
  0: mosquito
  1: person

# 轻量化数据增强，适配小样本数据集，防止过拟合
augment:
  hsv_h: 0.015
  hsv_s: 0.7
  hsv_v: 0.4
  degrees: 10.0
  flipud: 0.2
  fliplr: 0.5

---

五、完整可直接运行训练代码 train.py

参数和前文项目完全对齐：120轮迭代、0.4置信度、自动导出ONNX嵌入式模型，CPU/GPU均可运行

from ultralytics import YOLO

# 加载预训练轻量化YOLOv8-nano模型，嵌入式最优选择
model = YOLO("yolov8n.pt")

if __name__ == '__main__':
    # 模型训练
    results = model.train(
        data="mosquito_person.yaml",
        epochs=120,
        imgsz=640,
        batch=8,
        conf=0.4,
        patience=20,
        device=0,  # 无GPU改为 device="cpu"
        workers=2,
        project="runs/train",
        name="mosquito_person_nano",
        exist_ok=True
    )

    # 模型验证
    model.val()

    # 导出嵌入式专用ONNX模型（树莓派/ESP32-S3通用）
    model.export(format="onnx", opset=12)
    print("✅ 训练完成，ONNX模型导出成功，可直接用于嵌入式部署")

---

六、INT8模型量化脚本（嵌入式提速必备）

针对ESP32-S3、树莓派算力弱问题，量化后推理帧率提升40%，解决画面卡顿、云台跟随延迟问题

from onnxruntime.quantization import quantize_dynamic, QuantType

# 原始模型路径 & 量化后模型保存路径
origin_onnx = "runs/train/mosquito_person_nano/weights/best.onnx"
quant_onnx = "mosquito_person_nano_int8.onnx"

# 动态INT8量化
quantize_dynamic(
    origin_onnx,
    quant_onnx,
    weight_type=QuantType.QUInt8
)

print("✅ 模型INT8量化完成，嵌入式设备运行帧率大幅提升")

安装依赖：

pip install onnxruntime onnxruntime-tools

---

七、常见训练&标注报错解决

报错现象	解决方案
找不到数据集路径	yaml文件内path改为绝对路径，全部文件夹无中文
识别人体和蚊虫颠倒	严禁调换yaml和classes.txt内部类别顺序
嵌入式推理帧率低	使用INT8量化模型，关闭opencv画面预览
小样本过拟合	降低batch，适度减少图像旋转增强角度

---

八、配套项目全套资料汇总

• ✅ ESP32-S3+Arduino下位机全套源码
• ✅ 树莓派4B一体化Python完整源码
• ✅ 双版本硬件采购清单
• ✅ 数据集标注模板+训练配置文件
• ✅ 整机调试故障排查手册

---