一、从田埂边的调试说起上周在山东某果园部署YOLOv11模型，现场遇到这么个情况：模型在测试集上mAP跑到了0.89，结果到了实际果园里，下午逆光条件下的苹果识别率直接掉到0.3以下。农户蹲在田埂边抽着烟说：“你们这AI，还不如我眼睛好使。”这句话扎心了，但也点醒了我们——农业场景的视觉检测，从来都不是实验室里跑分那么简单。农业视觉的三大难点：光照的剧烈变化、背景的高度复杂、目标尺度的极端差异。今天我们就聊聊，怎么让YOLOv11真正在田间地头“干活”。二、数据这关过不去，模型再好也白搭农业数据采集的第一原则：别在实验室里拍样本。我们早期用干净背景下的标准果实照片训练，到了现场完全失效。后来改成：分时段采集：清晨、正午、傍晚、阴天各采一批，逆光顺光都要有带环境干扰：叶子遮挡、泥土溅射、树枝交错这些“干扰项”反而是正样本尺度覆盖：同一颗果子从开花到成熟，不同阶段都要标注标注时有个细节：病虫害的标注框不要只框病斑，要把整个叶片或果实框进去。因为模型需要学习“健康部分与病变部分的对比关系”。我们吃过亏，只标病斑导致模型把正常叶脉误判为病害。数据增强要“接地气”：# 农业场景