简介这份数据集聚焦棉花主要病害图像的目标检测任务已标注约4,600张现场图像采用YOLO标注格式类别涵盖枯萎病、卷曲、灰霉、健康、叶斑病等6类可直接用于YOLOv5等模型训练与农业病害识别研究。包体共2000个文件以1999个txt标签文件和1个show.py可视化脚本为主压缩包约156.57MBtxt为每张图像对应的标注坐标与类别ID脚本可快速预览标注效果且已完成训练/验证/测试集划分导入框架即可实验。当前已有47人学习下载。除约4,600张已标注图像和标签外还可参考作者博客中YOLOv5改进实战与更多目标检测项目用于算法对比、模型优化或课程设计是病害检测入门与进阶的实用数据基础。1. 棉花植物病害图像目标检测数据4600张标注图能做什么做棉田植保巡检的工程师大概都遇到过这个场景无人机或手机拍回几千张病害叶片照片人眼一眼能看出是叶斑还是枯萎可交给检测模型去跑不是漏检就是错检。问题往往不在模型结构而在训练数据本身——病斑尺度小、类别相似、标注格式不统一任何一个环节偷懒模型都会用玄学般的结果回报你。标题里的这份数据约4600张棉花病害图像每一张都带YOLO标注格式的标签文件属于目标检测数据里“拿到就能开工”的完整形态。这篇笔记就顺着这条主线展开从数据体检、目录组织、训练参数到避坑排查把“拿到一批YOLO格式标注数据”到“训出一个能上棉田的检测模型”讲清楚。适合正在做智慧农业、植保无人机或作物病害识别的从业者也适合第一次接触目标检测数据集的新手照着复现。2. 拆开YOLO标注格式先读懂txt、classes与坐标再谈训练2.1 YOLO标注文件不是图片里的框是归一化坐标YOLO标注格式的核心是一套与图片同名的txt文件。假设图片叫leaf_001.jpg对应标签就是leaf_001.txt。txt里每一行描述一个目标一共5个数字类别ID、目标中心点x坐标、中心点y坐标、目标宽度、目标高度。其中位置信息全部是归一化后的比例值范围在0到1之间。比如x_center0.5表示目标中心在图片宽度的一半处。这种设计的最大好处是跟图片绝对像素尺寸解耦训练时无论输入是640还是1280标签都不用改。另一个容易忽略的是类别ID的编号规则。YOLO自定义数据集里类别ID永远从0开始连续编号ID的含义由classes.txt或data.yaml里的类别名列表按行对应。很多人习惯性套用COCO数据集的80类索引结果训练出来的模型把所有目标都识别成“person”这就是“COCO 80类怎么读”这个经典问题在自定义数据集上的翻版。记住你的棉花叶斑如果写在classes.txt第3行那它的ID就是2不是COCO里的任何数字。YOLO格式和VOC的xml、COCO的json是目标检测领域最常打交道的三种标注格式差异集中在坐标表达方式上格式存储方式坐标表达类别表达YOLO txt每张图一个同名txt归一化的 cx, cy, w, h数字ID对应classes文件行号VOC xml每张图一个xml像素绝对值 xmin, ymin, xmax, ymax字符串名称COCO json整个数据集一个json像素绝对值 x, y, w, h数字ID对应json里的categories从实际工程角度看YOLO格式之所以普及是因为它搬运成本最低一张图配一个txt不存在多文件交叉引用训练框架内置解析器加新类别也只要往classes里追加一行。但代价是肉眼不可读格式错了不会报错只会让模型训练出来的结果像黑匣子一样无从解释。所以拿到数据的第一件事不是直接开训而是写脚本做一次体检。2.2 用体检脚本验证4600张数据的标注质量拿到约4600张带标注的棉花病害图像先别急着配训练环境。我会先写一个体检脚本遍历整个数据集检查三类问题图片有没有对应标签、标签坐标是否越界或宽高为0、类别ID是否落在合法范围内。以下是一个可直接落地的检查脚本。import os from pathlib import Path data_root Path(./cotton_dataset) imgs_dir data_root / images labels_dir data_root / labels # 读取类别文件假设数据包自带 classes.txt classnames_path data_root / classes.txt classnames classnames_path.read_text(encodingutf-8).splitlines() classnames [c.strip() for c in classnames if c.strip()] print(f类别列表: {classnames}) img_exts {.jpg, .jpeg, .png, .webp, .bmp} img_files [p for p in imgs_dir.rglob(*) if p.suffix.lower() in img_exts] print(f发现图片: {len(img_files)} 张) missing_label [] bad_id_imgs set() bad_box_lines [] for img in img_files: lab labels_dir / (img.stem .txt) if not lab.exists(): missing_label.append(img.name) continue for line in lab.read_text(encodingutf-8).splitlines(): line line.strip() if not line: continue parts line.split() if len(parts) ! 5: bad_box_lines.append((img.name, line, 字段数不等于5)) continue cid int(parts[0]) if cid 0 or cid len(classnames): bad_id_imgs.add(img.name) try: x, y, w, h map(float, parts[1:]) except ValueError: bad_box_lines.append((img.name, line, 坐标不是浮点数)) continue # 归一化坐标合法范围0~1且宽高必须大于0 if not (0 x 1 and 0 y 1 and 0 w 1 and 0 h 1): bad_box_lines.append((img.name, line, 坐标超出归一化范围)) if w 1e-4 or h 1e-4: bad_box_lines.append((img.name, line, 宽或高接近0)) print(f缺少标签的图片: {len(missing_label)}) print(f类别ID越界的图片: {len(bad_id_imgs)}) print(f坐标异常的标注行: {len(bad_box_lines)}) # 前20条异常明细 for item in bad_box_lines[:20]: print( , item)这个脚本的核心逻辑是“逐图找同名txt逐行解析并做三段校验”。第一段校验字段数量YOLO标准格式必须是5个字段多一个少一个都会导致训练时解析失败第二段校验类别ID是否在合法范围内ID越界通常意味着类别文件和标注来源不一致第三段校验归一化坐标坐标小于等于0或大于1都说明标签不是基于当前图片标注的。宽高小于1e-4这种阈值是我拍脑袋定的吗不是。病斑再小在归一化坐标里也不该小到那个量级一旦出现基本就是标注工具导出时丢了精度。实际跑一遍4600张数据查出几十条异常非常正常。比如有些标签软件会把空背景也导出成一个全0的标注行这种行在训练时会让模型学到“空白处也有目标”后果是预测时疯狂输出假阳性框。查出问题后按脚本输出的文件名定位逐个修掉再做下一轮比闷头训练省力得多。2.3 核对类别ID与图像维度训练崩掉的第一现场体检脚本能挡住大部分低级错误但有一个坑它挡不住标签和图片本身不匹配。YOLO标注的坐标是归一化比例如果原始图片被裁剪过、加过黑边、或者被人为resize成别的长宽比而标签没有跟着做同样变换那么标签坐标在数字上依然合法画到图上却完全是另一个位置。这种错位不会让训练报错甚至loss曲线会照常下降结果就是验证集mAP0或者预测框偏移得离谱。我的检查方法是随机抽样几十张图片用OpenCV直接把归一化坐标还原成像素坐标在图上画框存成新的预览图人眼扫一遍。import cv2 import random from pathlib import Path img_files list((Path(./cotton_dataset/images)).glob(*.jpg)) random.seed(0) samples random.sample(img_files, min(30, len(img_files))) for img_path in samples: lab_path Path(./cotton_dataset/labels) / (img_path.stem .txt) img cv2.imread(str(img_path)) if img is None: print(f读取失败: {img_path}) continue h, w img.shape[:2] for line in lab_path.read_text(encodingutf-8).splitlines(): parts line.split() if len(parts) ! 5: continue cid int(parts[0]) x, y, bw, bh map(float, parts[1:]) x1 int((x - bw / 2) * w) y1 int((y - bh / 2) * h) x2 int((x bw / 2) * w) y2 int((y bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.putText(img, str(cid), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) out_dir Path(./preview) out_dir.mkdir(exist_okTrue) cv2.imwrite(str(out_dir / img_path.name), img) print(f预览图已保存到 {out_dir})这段代码里x - bw / 2这一步是把YOLO的中心点坐标换算成左上角坐标OpenCV画矩形需要的就是左上角和右下角。如果画出来的框和病斑位置大概能对上说明标注坐标系没问题如果框整体偏移但大小正确多半是图片被裁剪后标签没重算如果框的大小明显不对比如框住了半张叶子而病斑只有一小块那是标注本身的粒度问题这类属于目标框定得不准会影响训练上限需要在后面单独处理。需要说明的是preview目录下的图是用随机抽样画的我建议你抽样时避开纯背景图尽量挑有实际病斑的样本。标注数据里如果混了大量只有背景没有目标的图片模型很快会学会“什么都不框也能拿低损失”最后预测时对真正的病斑反而不敏感。3. 组织训练集目录结构、分层划分与类别不平衡处理3.1 落地目录结构与data.yaml的生成数据体检通过后下一步是把原始图片和标签整理成训练框架认识的目录结构。以Ultralytics YOLO系列为例标准做法是把数据拆成训练、验证、测试三份目录大概长这样cotton_dataset/ ├── train/ │ ├── images/ # 约3400张 │ └── labels/ ├── val/ │ ├── images/ # 约600张 │ └── labels/ ├── test/ │ ├── images/ # 约600张 │ └── labels/ ├── classes.txt └── data.yaml这里有个容易踩的细节YOLO训练时data.yaml的train和val字段指向的是images目录而不是总的cotton_dataset根目录。框架会根据同名规则自动去相邻的labels目录找标签。所以如果你习惯用train: ./train这种方式指到 train 目录本身训练时会直接报找不到标签的警告或者更糟的是静默跳过没有标签的图片。我在工程里统一写成指向 images 子目录逻辑最清晰。生成data.yaml不需要手写用脚本生成更不容易出错特别是类别名比较多的时候。from pathlib import Path import yaml data_root Path(./cotton_dataset).resolve() classnames (data_root / classes.txt).read_text(encodingutf-8).splitlines() classnames [c.strip() for c in classnames if c.strip()] data { path: str(data_root), # 数据集根目录的绝对路径 train: train/images, # 相对于根目录 val: val/images, test: test/images, names: {i: name for i, name in enumerate(classnames)}, } yaml_path data_root / data.yaml with open(yaml_path, w, encodingutf-8) as f: yaml.safe_dump(data, f, allow_unicodeTrue) print(fdata.yaml 已生成: {yaml_path}) print(data)这段脚本干的事情就是读classes.txt按行号建成ID到名字的映射再写进data.yaml。参数上注意两点一是path字段给绝对路径因为训练命令的执行目录不固定相对路径容易找不到数据二是names里的字典key必须从0开始连续递增中间断了1个数字模型会少认一个类别而且不会报错。生成后用yolo checks或者在训练命令里让框架自己打印类别列表核一遍比事后看结果靠谱。3.2 按病害类别做分层划分避免验证集失真数据划分是目标检测项目里最容易被糊弄过去的环节。很多人随手shutil.copy按80/20比例随机分结果某类病害因为样本少验证集里只分到一两张训练时模型甚至没见过这种病斑最后验证指标忽高忽低你都不确定模型是真会了还是碰运气。棉花病害数据天然存在长尾常见叶斑病可能有两三千张稀有病害可能只有几十张。这种分布下必须做分层划分。我通常的做法是先统计每张图片的类别集合如果数据基本是单类单框就用sklearn的train_test_split配合stratify参数按类别标签分层如果是多标签或者一张图有多个病害类别那就退化成全局随机洗牌再手动检查验证集里稀有类别是否有保留。import random from pathlib import Path random.seed(42) img_files list(Path(./cotton_dataset/images).glob(*.jpg)) labels_dir Path(./cotton_dataset/labels) # 给每个类别建立图片列表 from collections import defaultdict class_to_imgs defaultdict(list) for img in img_files: lab labels_dir / (img.stem .txt) if not lab.exists(): continue cids set() for line in lab.read_text(encodingutf-8).splitlines(): parts line.split() if parts: cids.add(int(parts[0])) for cid in cids: class_to_imgs[cid].append(img.name) # 按类别洗牌并划分这里简化为单标签分层逻辑 train_ratio, val_ratio 0.75, 0.15 train_list, val_list, test_list [], [], [] for cid, names in class_to_imgs.items(): random.shuffle(names) n len(names) n_val int(n * val_ratio) n_test int(n * (1 - train_ratio - val_ratio)) val_list.extend(names[:n_val]) test_list.extend(names[n_val:n_val n_test]) train_list.extend(names[n_val n_test:]) # 去重多标签图片可能在多个类别里重复出现 def unique_keep_order(items): seen set() out [] for it in items: if it not in seen: seen.add(it) out.append(it) return out train_list unique_keep_order(train_list) val_list unique_keep_order(val_list) test_list unique_keep_order(test_list) print(ftrain: {len(train_list)}, val: {len(val_list)}, test: {len(test_list)})这段代码里值得讲的是val_ratio和test_ratio的设置。棉花病害数据里稀有类可能只有30张15%的验证比例意味着验证集里只有4张左右指标波动会很大。遇到这种情况我不会硬凑比例而是退一步把稀有类别单独挑出来验证集里至少保底留2到3张剩下全进训练集。实际操作中我会先跑一遍统计如果某个类别少于20张优先靠数据增强和预训练权重去学而不是硬分成三份然后互相饿死。划分完成后记得把划分结果保存成train.txt、val.txt这类清单文件或者直接按目录搬过去。我倾向于直接在目录里搬文件因为Ultralytics训练时不读清单文件只认目录结构。搬的时候注意一个图片名可能被多个类别列表包含去重逻辑务必写对否则同一张图既进了train又进了val模型等于提前背了答案。3.3 要不要增广小病斑场景的增广边界4600张图像对目标检测来说属于“能起步但不算富余”的规模。我的经验是配合COCO预训练权重这个规模训一个YOLOv8s或YOLO11s完全够用如果你什么都不做直接从头训练那4600张大概率会过拟合。增广该上但不能无脑上。棉花叶片病害有个特性病斑通常是几十像素的小目标而且叶片本身有朝向。常规增广里的上下翻转要慎用棉叶正反面纹理差异很大把叶子上下颠倒喂进模型等于强行教它“正反一个样”这等于是给样本引入了和真实分布相反的先验。我一般只开水平翻转、小角度旋转、HSV颜色扰动和轻微的仿射缩放旋转角度限制在±15度以内。mosaic会显著加强小目标学习但要注意在最后10到15个epoch关闭否则病斑在拼接图上过于密集模型学到的上下文全是假的。增广参数在Ultralytics里不需要写代码训练命令直接传即可。后面第4章的参数配置会具体给出。这里想强调一个容易踩的坑增广不是给模型“变花样”而是让模型对拍摄条件的变化鲁棒。棉田里的光照、露水、相机抖动才是增广要模拟的对象HSV扰动强度可以给得比常规数据集更大一些。4. 本地跑通YOLO训练最小命令与关键参数4.1 数据与模型选型n/s/m怎么挑Ultralytics YOLO系列的现状是YOLOv8和YOLO11的数据格式、训练命令几乎一致区别主要在模型结构上的迭代。对棉花病害这种细粒度小目标任务模型选型不能只看参数量。我的建议是先跑YOLOv8s或YOLO11s当baseline。n模型参数最少、训练最快但病斑这种纹理弱、尺寸小的目标n的浅层特征表达能力不足经常出现“loss看着在降验证集AP纹丝不动”的情况。m模型在4600张数据下依然能hold住但显存占用和训练时间会翻一倍如果没有独立显卡s是性价比甜点。如果后续要上棉田实时检测视硬件再决定是否蒸馏裁剪到n。迁移学习的权重建议用框架官方预训练模型。写法上注意Ultralytics新旧版本对预训练权重的文件名有区分比如旧版yolov8s.pt新版可能对应yolo11s.pt。如果你手头的数据是病害特写图和COCO里通用物体差异较大预训练权重同样有效——底层特征例如边缘和纹理是可迁移的。4.2 训练命令与YOLO损失参数epochs、batch、imgsz、patience 怎么给数据整理好以后训练命令本身并不复杂。我习惯在一开始就把关键参数显式写出来不依赖默认值因为YOLO默认的imgsz640对棉花病斑这种小目标是不够的。yolo detect train \ modelyolo11s.pt \ datacotton_dataset/data.yaml \ imgsz1280 \ batch16 \ epochs120 \ patience20 \ device0 \ cacheram \ project./runs \ namecotton_yolo11s逐条说参数含义。imgsz1280是我针对病斑小目标做的调整640分辨率下很多病斑只有几个像素经过模型下采样后特征几乎消失提到1280后小目标AP会有明显提升但显存和训练时间也同步上升如果显存不足可以降回960不要直接跳回640。batch16是按单张16G显存估的实际以显存占用为准调到训练稳定不报OOM即可。epochs120配合patience20意思是120轮里如果连续20轮验证mAP没有提升就提前停。这个组合在4600张数据下通常五六十轮就收敛早停能省后期无效训练。训练脚本里隐含着YOLO损失函数的结构分类损失、边界框回归损失、DFL分布损失三部分加权求和分别由cls、box、dfl三个权重控制。默认值对通用目标比较均衡但在病害类别极不均衡时我会把分类损失权重提上去让稀有类在损失里占更大比重。改动方式是在训练命令里追加参数比如cls0.8。注意这类损失权重的调整没有绝对正确值属于典型的“改了看曲线再改回来”的调参过程。4.3 第一个epoch后的自查清单训练跑起来以后不要盯着进度条发呆。第一个epoch结束我会立刻做四件事第一看runs/cotton_yolo11s/下的训练曲线loss三项必须整体下降特别留意val/box_loss和val/cls_loss有没有同步下降。如果训练loss降而验证loss横盘说明模型在背诵样本而非学习特征。第二看第一轮输出的验证预测图Ultralytics会在验证时保存val_batch0_pred.jpg之类的预测预览图肉眼确认框是否大致落在病斑上。第三确认类别列表打印正确重点看有没有出现“类别ID越界”之类的警告。第四断点看显存占用如果训练到一半爆显存不如一开始就把batch调小。训练完成后验证和预测是两条独立的命令不需要重训。# 验证输出 mAP、PR曲线、混淆矩阵到 runs/cotton_yolo11s/ yolo detect val \ modelruns/cotton_yolo11s/weights/best.pt \ datacotton_dataset/data.yaml \ imgsz1280 # 预测对单独一张图或者一个目录跑推理 yolo detect predict \ modelruns/cotton_yolo11s/weights/best.pt \ source./field_test/ \ conf0.25 \ save_txtTrue \ save_confTrueconf0.25是置信度阈值实际部署时这个值几乎必调。棉田病害漏检比误检更可怕漏一个病斑可能意味着损失扩散到整块田所以我的惯例是在验证时看低置信度下的召回率曲线再决定阈值放多低。5. 棉花病害检测避坑5个常见问题与排查方法5.1 图片resize后标签错位训练不报错但预测全偏现象训练loss正常下降验证mAP也看着不错但把模型部署到无人机拍摄的图片上时检测框整体偏移框的位置和病斑明显对不上。原因这是标注数据与图片尺寸不匹配的典型症状。很多公开数据集的图片在采集后被统一缩放或裁剪过但标签还是基于原始尺寸标注的。YOLO的归一化坐标只对“整体等比缩放”有效一旦图片被裁剪、加黑边、改变长宽比归一化坐标和像素位置的对应关系就被破坏模型训练时学的是错位的输入输出映射。解决按前面2.3节的预览脚本把训练集里的框画出来抽样看。如果所有框都偏左上或偏右下而且偏移量和图片长宽比变化有关基本可以断定是resize时没有同步变换标签。唯一靠谱的修法是找到标注依赖的原始尺寸对图片和标签做完全一致的坐标逆变换重新生成txt。找不到原始尺寸时宁可放弃这部分错位数据也不要带病训练。5.2 小目标病斑“消失”mAP高但漏检严重现象训练结束整体mAP有0.7以上但按病害类别分开看细小的早期病斑AP只有0.1预测图上几乎框不出来。原因棉花病斑从出现到肉眼可见有一个发展过程早期病斑往往只有二三十像素。模型下采样倍数大这些小目标在经过几次stride之后特征已经模糊。另外4600张数据里小目标样本本身占比低模型优化方向被中等以上尺度的病斑主导。解决主力手段是提高imgsz把训练分辨率从640提到1280小目标的特征在输入阶段就被放大。其次是调数据增广把mosaic在最后10个epoch关掉避免拼接让小目标更碎。如果病斑实在太小比如直径小于20像素那就要考虑切割推理——把大图切成多个patch分别预测再合并这个方案训练不用改推理时多加一步。5.3 类别不平衡把验证指标变成“安慰剂”现象稀有病害类别的AP在0.1以下但因为它在整体mAP里权重小平均下来模型看起来还不错。汇报指标时好看下地一测发现稀有病害几乎全漏。原因棉田自然采集的数据一定是不平衡的常见叶斑病可能占六七成枯萎病只有几十张。模型见过的样本少自然学不实。更气人的是稀有类几十张里如果验证集只分到三张验证集会因为随机选到难样本或简单样本而剧烈波动你很难判断模型是真退步还是验证集抽样抽坏了。解决划分数据时用第3章的按类别分层划分保证rare类在train/val里都有最低数量。训练时提高cls损失权重让分类损失对稀有类更敏感。如果rare类样本实在少就把它们的训练图片做复制粘贴增强从其他图上把病斑抠出来贴到背景上生成合成样本。注意这类增强要控制在合理范围贴的框如果和真实形态差异太大模型会学会识别“贴图痕迹”而不是病斑。5.4 best.pt 和 last.pt 的选择不是理所当然的现象训练早停结束习惯性用best.pt部署结果在真实拍摄的测试集上表现不如训练时稳定反而last.pt在某些场景更可靠。原因best.pt是验证集上mAP最高点的权重。如果训练后期验证集小比如稀有类在val里只有几张mAP的波动会很大某个epoch碰巧把几张难样本都猜对了mAP冲高对应的权重反而对验证集过拟合。而last.pt是最后一个epoch的权重经历过充分训练泛化性往往更稳。解决把best.pt和last.pt都保留分别跑一遍部署场景的测试集看各自在不同病害类别上的召回率。我通常的做法是如果测试集偏小选last.pt如果测试集和验证集分布接近选best.pt。不要默认框架选好的一定是对的。5.5 密集相邻病斑被NMS合并成一个框现象推理时同一片叶子上相邻的几个病斑模型其实都检测出来了但输出结果里只剩下一个大框把几个小病斑框在一起。特别是病斑密集发生时漏检率直接拉高。原因这是NMS非极大值抑制的锅。预测时多个候选框置信度都高、IoU重叠大默认的NMS阈值0.45会把重叠的框当成同一个目标的重复预测合并成一个框。棉花病斑经常两三片挤在一起互相重叠程度超过阈值就被误合并了。解决预测时把NMS阈值调低比如nms0.3让算法更“苛刻”地保留相邻框。Ultralytics的predict命令支持nms参数但要注意这会让输出的框数量变多可能会有少量重复框需要结合conf阈值过滤。实际调试时我会先看预测结果图如果发现合并现象严重优先调低nms而不是调低conf。6. 验证与落地mAP之外还要看混淆矩阵和置信度阈值训练跑通只是第一步真正让模型在棉田里可用的是验证阶段怎么看指标。Ultralytics训练完会在runs目录下留下confusion_matrix.png这张图比我上面说的任何单点数值都重要。棉花病害里不同病种在视觉上高度相似我见过太多模型整体mAP不错但混淆矩阵里A病和B病互相认错的情况。如果混淆矩阵里两个类别有明显的大块灰色区域说明它们学混了这时要补的往往不是更多数据而是需要更明确的标注边界或者对样本进行重新筛查。部署前的阈值调节是另一个常见盲区。训练完的默认置信度阈值0.25不一定适合农业场景。对植保来说漏检一个早期病斑的代价远大于误报一次所以我会在测试集上把conf从0.5往下扫到0.1画出一条召回率和误检率的变化线再决定实际使用的阈值。目标检测的mAP是一个平均值它看不出来“在低置信度下模型能不能捞回那些困难样本”而这个能力恰恰是田间病害检测最需要的。还有一条血泪经验模型在验证集上的指标和部署环境的差异往往比想象中大。田间无人机拍摄的光照、运动模糊、叶片遮挡这些在静态验证集里都不存在。我吃过最大的亏是只盯着mAP调参模型上机测试才发现漏检严重后来改成“验证用标准集、决策用自采的田间集”每次训练结束先在自采集上跑一遍真实recall再决定是否发布。这个习惯一直用到现在。训练和验证的终点不是看一排数字而是模型能真正帮你找到那些要打药的病斑。希望这些习惯和踩坑记录对你有用。本文还有配套的精品资源点击获取