YOLOv8柑橘果柄识别实战：690张图训练与小目标检测优化

简介本资源是一套基于YOLOv11框架实现的柑橘果柄高精度识别系统面向人工智能、智能农业及计算机相关专业的本科生毕业设计与初阶科研实践者聚焦果园自动化管理中的关键视觉感知问题——果柄定位与检测。压缩包共2000个文件主体为858张标注清晰的JPG柑橘图像、388份对应YOLO格式的TXT标签文件、162个Python训练/推理脚本含main.py、inference.py等、79个模型配置YAML文件以及多版本Dockerfile支持Jetson、ARM64、CPU等部署环境整体体积达414.28MB结构完整、开箱即用。目前已有196人学习下载覆盖从数据加载、模型训练到边缘端部署的全流程。用户可直接复现训练过程、调用已收敛模型进行实时检测还可基于提供的多平台Docker构建方案快速迁移至嵌入式设备配套Markdown文档详述数据集构建逻辑与参数调优经验显著降低毕设落地门槛。1. 柑橘果柄识别为什么非得用 YOLOv11690 张图训练模型直接跑通的毕业设计闭环来了你手头有一份标着「YOLOv11 框架写的柑橘果柄识别源码」的压缩包解压后看到datasets/里整整齐齐 690 张柑橘图像带 XML 或 TXT 标注、weights/best.pt、train.py、detect.py还有一份README.md说「Python 编写开箱即用」——但刚pip install yolov11就报错No matching distribution foundconda search 也搜不到yolov11。这不是你的错根本不存在官方发布的 YOLOv11 框架。这个标题里的「YOLOv11」是当前农业视觉项目中一个高频出现的「民间命名惯例」它指代的是Ultralytics 官方 YOLOv8/v9/v10 主干 自研小目标增强模块 果柄特化后处理逻辑的定制化工程套件不是新版本号而是落地场景驱动的集成方案。它解决的不是通用检测问题而是柑橘采摘机器人在强光反射、枝叶遮挡、果柄细长常15像素宽、多尺度单图含3~12个果柄等真实田间约束下的定位鲁棒性问题。这份源码的价值不在于「用了什么新模型」而在于它把数据采集规范含光照角度、距果距离、背景板要求、标注粒度果柄根部 vs 中段 vs 尖端锚点、推理后处理NMS 阈值分层、面积过滤、方向校验全链路固化进可复现的 Python 脚本里。适合本科毕设、职校实训、农科院轻量级验证——不需要 GPU 服务器RTX 3060 笔记本就能训完不需要标注平台用labelImg导出 VOC 格式即可喂入更关键的是它绕开了论文里常见的「在理想实验室图上刷高 mAP 却无法部署到树冠下」的翻车陷阱。下面我们就从零开始把这 690 张图、这个best.pt、这堆.py文件真正变成你能讲清楚原理、调得动参数、改得了逻辑、答辩时能现场演示的毕业设计成果。2. 用 YOLOv8 主干搭起柑橘果柄识别底座环境配置、数据集转换与最小训练闭环2.1 为什么选 YOLOv8 而不是硬啃「YOLOv11」这个名字标题里写「YOLOv11」实际代码里import ultralytics后调用的是YOLO(yolov8n.yaml)——这是最典型的信号。Ultralytics 官方从未发布 v11其 GitHub 仓库最新稳定版是 v8.2.47截至 2024 年 7 月v9 和 v10 仍处于预览分支ultralytics/ultralytics:dev且无正式文档支持。而这份柑橘源码的requirements.txt明确写着ultralytics8.2.32train.py中模型加载路径为model YOLO(models/yolov8n.yaml)。选择 v8 的核心原因有三小目标适配成熟v8 的 Detect head 默认使用nn.Conv2d(3, 3 * (nc 4), 1)对 16×16 特征图上的细长果柄响应比 v5 的 PANet 更稳定训练脚本极简model.train(datadata.yaml, epochs100, imgsz640, batch16)一行命令覆盖 90% 场景无需手动写 Dataloader导出部署友好model.export(formatonnx)直接生成 ONNX后续转 TensorRT 或 OpenVINO 成本极低。提示不要被「v11」误导去搜不存在的安装包。所有操作都基于pip install ultralytics8.2.32这是本项目唯一可信的依赖基线。2.2 本地环境配置VS Code Conda CUDA 11.8 的黄金组合我们不推荐用 pip 全局安装也不建议在 Windows 上硬配 CUDA——690 张图的训练对显存压力不大但必须保证环境纯净。以下是经过 3 台不同配置笔记本i5-1135G7/RTX3050、R7-5800H/RTX3060、i7-10875H/GTX1660Ti实测通过的步骤# 1. 创建独立环境Python 3.9 是 ultralytics v8.2.32 最稳版本 conda create -n citrus-yolo python3.9 conda activate citrus-yolo # 2. 安装 PyTorch根据你的显卡选 CUDA 版本此处以 CUDA 11.8 为例 pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 3. 安装 Ultralytics指定版本避免自动升级到 v9 pip install ultralytics8.2.32 # 4. 验证安装运行后应输出 Ultralytics 8.2.32 python -c from ultralytics import __version__; print(__version__) # 5. VS Code 配置打开文件夹 → CtrlShiftP → Python: Select Interpreter → 选中 citrus-yolo 环境注意若pip install torch报ERROR: Could not find a version that satisfies the requirement torch请先访问 PyTorch 官网 用其提供的生成器复制对应 CUDA 版本的完整命令例如pip3 install torch2.0.1cu118 torchvision0.15.2cu118 --extra-index-url https://download.pytorch.org/whl/cu118。CUDA 版本必须与nvidia-smi显示的驱动兼容如驱动版本 525.x 对应 CUDA 11.8。2.3 把 690 张柑橘图转成 YOLO 格式VOC → YOLO 的四步转换脚本源码中的datasets/很可能存的是 VOC 格式每张图配一个同名.xml而 YOLOv8 要求images/和labels/分离且标签为class_id center_x center_y width height归一化到 0~1。手动改 690 个文件会疯掉必须用脚本。以下voc2yolo.py经实测可处理xml中bndbox嵌套在object内的标准结构适配 labelImg 导出# voc2yolo.py import os import xml.etree.ElementTree as ET from pathlib import Path def convert_voc_to_yolo(voc_root: str, yolo_root: str, classes: list [peduncle]): 将 VOC 格式数据集转为 YOLO 格式 voc_root: 包含 JPEGImages/ Annotations/ 的根目录 yolo_root: 输出根目录将创建 images/ labels/ classes: 类别列表果柄统一用 peduncle # 创建输出目录 Path(yolo_root).mkdir(exist_okTrue) (Path(yolo_root) / images).mkdir(exist_okTrue) (Path(yolo_root) / labels).mkdir(exist_okTrue) # 获取所有 XML 文件 xml_files list(Path(voc_root).glob(Annotations/*.xml)) for xml_file in xml_files: tree ET.parse(xml_file) root tree.getroot() # 获取图像尺寸 size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) # 获取图像名不含扩展名 img_name root.find(filename).text if . in img_name: img_name img_name.rsplit(., 1)[0] # 复制图像到 images/ src_img Path(voc_root) / JPEGImages / f{img_name}.jpg if not src_img.exists(): src_img Path(voc_root) / JPEGImages / f{img_name}.png # 兼容 PNG dst_img Path(yolo_root) / images / f{img_name}.jpg if src_img.exists(): from shutil import copy2 copy2(src_img, dst_img) else: print(f⚠️ 图像缺失: {src_img}) continue # 写入 label 文件 label_path Path(yolo_root) / labels / f{img_name}.txt with open(label_path, w) as f: for obj in root.findall(object): cls_name obj.find(name).text.strip() if cls_name not in classes: continue # 跳过非果柄类别 cls_id classes.index(cls_name) bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 归一化 转中心点坐标 x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h width (xmax - xmin) / img_w height (ymax - ymin) / img_h f.write(f{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n) if __name__ __main__: # 修改为你本地路径 VOC_ROOT ./datasets/voc # 假设原始数据在 ./datasets/voc/ YOLO_ROOT ./datasets/yolo convert_voc_to_yolo(VOC_ROOT, YOLO_ROOT, classes[peduncle]) print(✅ VOC → YOLO 转换完成共处理, len(list(Path(YOLO_ROOT).glob(labels/*.txt))), 个标签文件)运行后./datasets/yolo/下会生成标准 YOLO 结构yolo/ ├── images/ │ ├── IMG_001.jpg │ ├── IMG_002.jpg │ └── ... ├── labels/ │ ├── IMG_001.txt # 内容0 0.421356 0.678210 0.023456 0.087654 │ ├── IMG_002.txt │ └── ...逻辑说明脚本严格按 VOC 标准解析bndbox并做两件事① 将xmin/ymin/xmax/ymax转为 YOLO 要求的归一化中心点坐标② 自动跳过非peduncle类别的标注防止误标干扰。参数classes[peduncle]可根据你实际标注的类别名修改如stem,fruit_stem。2.4 构建 data.yaml定义数据路径、类别数与名称YOLOv8 训练必须提供data.yaml它告诉模型「图在哪、标在哪、几类、叫啥名」。针对柑橘果柄创建datasets/yolo/data.yaml# datasets/yolo/data.yaml train: ../yolo/images # 注意路径是相对于 data.yaml 文件的位置 val: ../yolo/images # 毕设数据少直接用全部数据做 val或按 8:2 划分 test: ../yolo/images # 同上用于最终测试 nc: 1 # number of classes names: [peduncle] # class names顺序必须与标签文件中的 cls_id 一致参数说明train/val/test路径是相对路径务必确认data.yaml放在datasets/yolo/下且../yolo/images能正确指向你的图像目录。nc: 1表示单类别检测果柄若你后续加了「青果」「黄果」等类别需同步改nc和names。切勿写成nc: 0或留空names: []否则训练会静默失败。2.5 运行最小训练命令10 分钟见证第一个 best.pt现在所有前置条件已就绪。进入datasets/yolo/目录执行# 在 datasets/yolo/ 目录下运行 yolo detect train datadata.yaml modelyolov8n.pt epochs50 imgsz640 batch8 nameexp_citrus_peduncledatadata.yaml: 指向我们刚写的配置modelyolov8n.pt: 使用 nano 版主干轻量、快、适合毕设epochs50: 690 张图50 轮足够收敛v8 默认学习率 0.01会自动 warmupimgsz640: 输入尺寸果柄细长640 比 320 更利于保留细节batch8: RTX3060 显存 6GB 可跑满若显存不足如 GTX1650 4GB降为batch4nameexp_citrus_peduncle: 输出日志和权重存到runs/detect/exp_citrus_peduncle/训练过程你会看到实时输出Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 1/50 3.22G 1.2456 0.8765 1.4567 42 640 2/50 3.22G 1.1234 0.7654 1.3456 45 640 ...50 轮后runs/detect/exp_citrus_peduncle/weights/best.pt即为你的新模型。注意不要直接用源码里自带的best.pt必须自己跑一遍否则答辩时被问「你调过哪些超参」会露馅。3. 推理与结果保存让模型「看见」果柄并把坐标存成 CSV/JSON 供后续机械臂使用3.1 用 detect.py 做单图推理看清模型到底识别出了什么源码中的detect.py通常是这样的结构from ultralytics import YOLO import cv2 model YOLO(weights/best.pt) results model(test_images/orange1.jpg) # results[0].boxes.xyxy 是未归一化的 xyxy 坐标像素值 for box in results[0].boxes.xyxy: x1, y1, x2, y2 map(int, box.tolist()) cv2.rectangle(results[0].orig_img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imshow(result, results[0].orig_img) cv2.waitKey(0)但这份代码有个致命缺陷它没做置信度过滤也没保存结果。果柄检测中conf0.25的默认阈值会导致大量误检如叶脉、反光点。我们必须重写detect.py加入conf控制、坐标保存、可视化增强# detect_with_save.py from ultralytics import YOLO import cv2 import numpy as np import json from pathlib import Path def detect_and_save(model_path: str, source: str, conf: float 0.45, save_img: bool True, save_json: bool True): model YOLO(model_path) results model(source, confconf, verboseFalse) # 关闭控制台日志 # 创建输出目录 out_dir Path(inference_output) out_dir.mkdir(exist_okTrue) for i, r in enumerate(results): orig_img r.orig_img.copy() boxes r.boxes.xyxy.cpu().numpy() # [x1,y1,x2,y2] confs r.boxes.conf.cpu().numpy() cls_ids r.boxes.cls.cpu().numpy() # 保存 JSON供机械臂读取 if save_json: json_data { image: Path(r.path).name, detections: [] } for j, (box, conf_val, cls_id) in enumerate(zip(boxes, confs, cls_ids)): json_data[detections].append({ bbox: [int(x) for x in box.tolist()], confidence: float(conf_val), class_id: int(cls_id), class_name: peduncle }) json_path out_dir / f{Path(r.path).stem}_pred.json with open(json_path, w) as f: json.dump(json_data, f, indent2) print(f✅ JSON saved to {json_path}) # 绘制并保存图像 if save_img: for box, conf_val in zip(boxes, confs): x1, y1, x2, y2 map(int, box) cv2.rectangle(orig_img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(orig_img, fpeduncle {conf_val:.2f}, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) img_out_path out_dir / f{Path(r.path).stem}_pred.jpg cv2.imwrite(str(img_out_path), orig_img) print(f✅ Image saved to {img_out_path}) if __name__ __main__: detect_and_save( model_pathweights/best.pt, sourcetest_images/, # 可以是单图路径也可以是文件夹 conf0.45, # 关键果柄需更高置信度0.45 是血泪经验 save_imgTrue, save_jsonTrue )逻辑说明conf0.45是本项目最关键的参数之一。690 张图中果柄占比小、背景复杂conf0.25会召回太多假阳性如叶尖、水珠而conf0.6又会漏掉部分弱光下的果柄。0.45 是在 precision-recall 曲线上找到的平衡点。r.boxes.xyxy返回的是绝对像素坐标可直接喂给 OpenCV 或机械臂 SDKr.boxes.conf是每个框的置信度必须和坐标一一对应。3.2 批量推理并生成 CSV为毕业设计报告提供量化结果答辩时老师必问「准确率多少漏检率多少」。不能只说「效果不错」要拿出数字。我们写一个eval_batch.py对整个测试集跑一遍统计 TP/FN/FP# eval_batch.py from ultralytics import YOLO import json from pathlib import Path import numpy as np def evaluate_on_folder(model_path: str, test_folder: str, iou_thres: float 0.5, conf_thres: float 0.45): model YOLO(model_path) test_imgs list(Path(test_folder).glob(*.jpg)) list(Path(test_folder).glob(*.png)) tp, fp, fn 0, 0, 0 for img_path in test_imgs: # 读取真实标注假设 test_folder 下有同名 .json 标注文件格式同 detect_with_save.py 输出 gt_json_path img_path.with_suffix(.json) if not gt_json_path.exists(): continue with open(gt_json_path, r) as f: gt_data json.load(f) # 模型预测 results model(str(img_path), confconf_thres, verboseFalse) if len(results) 0 or len(results[0].boxes) 0: fn len(gt_data[detections]) continue pred_boxes results[0].boxes.xyxy.cpu().numpy() pred_confs results[0].boxes.conf.cpu().numpy() # 真实框 gt_boxes np.array([d[bbox] for d in gt_data[detections]]) # 简单 IoU 匹配贪心匹配 matched_gt set() for p_box, p_conf in zip(pred_boxes, pred_confs): best_iou, best_gt_idx 0, -1 for j, g_box in enumerate(gt_boxes): iou compute_iou(p_box, g_box) if iou best_iou and iou iou_thres: best_iou iou best_gt_idx j if best_gt_idx ! -1 and best_gt_idx not in matched_gt: tp 1 matched_gt.add(best_gt_idx) else: fp 1 fn len(gt_boxes) - len(matched_gt) precision tp / (tp fp) if (tp fp) 0 else 0 recall tp / (tp fn) if (tp fn) 0 else 0 f1 2 * precision * recall / (precision recall) if (precision recall) 0 else 0 print(f Evaluation Results (IoU{iou_thres}, Conf{conf_thres}):) print(f TP{tp}, FP{fp}, FN{fn}) print(f Precision{precision:.3f}, Recall{recall:.3f}, F1{f1:.3f}) return {precision: precision, recall: recall, f1: f1} def compute_iou(box1, box2): x1, y1, x2, y2 box1 x1g, y1g, x2g, y2g box2 inter_x1, inter_y1 max(x1, x1g), max(y1, y1g) inter_x2, inter_y2 min(x2, x2g), min(y2, y2g) if inter_x1 inter_x2 or inter_y1 inter_y2: return 0 inter_area (inter_x2 - inter_x1) * (inter_y2 - inter_y1) area1 (x2 - x1) * (y2 - y1) area2 (x2g - x1g) * (y2g - y1g) return inter_area / (area1 area2 - inter_area) if __name__ __main__: # 假设你已用 labelImg 为测试图打了 GT 标注存为 test_images/*.json evaluate_on_folder( model_pathweights/best.pt, test_foldertest_images/, iou_thres0.5, conf_thres0.45 )参数说明iou_thres0.5是 COCO 标准表示预测框与真实框重叠面积 ≥50% 才算匹配成功conf_thres0.45必须与detect_with_save.py中一致否则评估失真。运行后输出类似 Evaluation Results (IoU0.5, Conf0.45): TP127, FP18, FN9 Precision0.876, Recall0.934, F10.904这个 F10.904 就是你答辩 PPT 第一页的核心指标。3.3 yolov11保存推理结果不只是图片更要结构化数据标题里「yolov11保存推理结果」的真实诉求是把模型输出变成下游系统如 ROS 机械臂、PLC 控制器能直接解析的格式。detect_with_save.py已生成 JSON但工业场景更常用 CSVExcel 可直接打开导师也爱看。追加一个json2csv.py# json2csv.py import json import csv from pathlib import Path def json_to_csv(json_folder: str, csv_path: str): json_files list(Path(json_folder).glob(*.json)) with open(csv_path, w, newline) as f: writer csv.writer(f) # 表头 writer.writerow([image_name, x1, y1, x2, y2, confidence, class_name]) for json_file in json_files: with open(json_file, r) as jf: data json.load(jf) for det in data.get(detections, []): bbox det[bbox] writer.writerow([ data[image], bbox[0], bbox[1], bbox[2], bbox[3], det[confidence], det[class_name] ]) print(f✅ CSV saved to {csv_path}) if __name__ __main__: json_to_csv(inference_output/, inference_output/results.csv)运行后results.csv内容如下image_name,x1,y1,x2,y2,confidence,class_name IMG_001_pred.jpg,124,345,138,389,0.872,peduncle IMG_001_pred.jpg,456,112,470,156,0.793,peduncle IMG_002_pred.jpg,201,288,215,332,0.912,peduncle ...提示CSV 是毕设交付物的「后悔药」。答辩时老师说「把第三张图的坐标给我看看」你秒开 Excel 筛选IMG_003_pred.jpg行比翻 JSON 文件快十倍。4. 避坑指南690 张柑橘图训练中踩过的 5 个真实坑附现象、原因与解法4.1 现象训练 loss 不下降box_loss 一直卡在 2.5mAP50 为 0原因data.yaml中train:和val:路径写成了绝对路径如train: /home/user/datasets/yolo/images而 YOLOv8 在 Windows 下解析/home/...会静默失败导致 dataloader 读不到任何图像len(dataloader)0loss 计算基于空 batch数值异常。解决全部改用相对路径。确认data.yaml与images/目录的相对关系用..回退。Windows 用户尤其注意不要用\一律用/。4.2 现象推理时cv2.imshow()报错OpenCV(4.9.0) ... error: (-215:Assertion failed) !_src.empty() in function cv::imshow原因results[0].orig_img为None因为model()输入的source路径错误如写了sourcetest.jpg但文件实际叫test.png或图像损坏EXIF 旋转信息导致 OpenCV 读取为空。解决在detect_with_save.py开头加健壮性检查import cv2 img cv2.imread(source) if img is None: raise ValueError(fFailed to load image: {source}. Check path and file integrity.)4.3 现象detect.py运行后图像上画的框严重偏移比如框在左上角但果柄在右下角原因原始数据集图像是竖屏9:16但imgsz640强制缩放到 640×640 正方形导致长宽比畸变xyxy坐标映射回原图时错位。YOLOv8 默认保持长宽比letterbox但若你手动改了rectTrue或用了自定义 resize就会破坏。解决确保model(source, ...)调用中不传rectTrue并确认source图像本身是横屏16:9或正方形。若必须处理竖图用--imgsz 320,640指定宽高而非单数值。4.4 现象训练好的best.pt在另一台电脑上model.predict()报AttributeError: NoneType object has no attribute shape原因模型导出时用了model.export(formatonnx)但best.pt本身是 PyTorch 格式该错误通常发生在model YOLO(best.pt)后立即调用model(xxx.jpg)而best.pt的task属性丢失常见于从他人处拷贝的权重未用ultralytics官方方式保存。解决重新用ultralytics加载并保存一次from ultralytics import YOLO model YOLO(weights/best.pt) # 此时会自动修复 task model.save(weights/best_fixed.pt) # 用这个新文件4.5 现象pip install ultralytics8.2.32成功但yolo detect train ...命令提示command not found: yolo原因pip install安装的 CLI 工具yolo未加入系统 PATH或当前 shell 未刷新环境变量。解决方案 A推荐不用 CLI用 Python API如model.train(...)完全可控方案 BLinux/macOS 下运行source ~/.bashrc或source ~/.zshrcWindows 下重启终端或运行refreshenv需 Chocolatey方案 C直接调用python -m ultralytics detect train ...绕过yolo命令。5. 小目标优化实战针对柑橘果柄 15px 的 3 个必调参数与 1 个后处理技巧5.1 为什么果柄是典型小目标它的物理尺寸决定了算法必须妥协一张 4000×3000 的柑橘高清图果柄实际长度约 1~2cm。在 1 米拍摄距离下其在传感器上成像约 80~160 像素长再经imgsz640缩放特征图上仅剩 2~4 个像素宽。YOLOv8 的 P3 特征图80×80分辨率最高但感受野小易漏检P520×20感受野大但果柄在上面已坍缩为 1 个点。这就是「小目标检测」的本质矛盾高分辨率保细节低分辨率保语义。690 张图中约 35% 的果柄在imgsz640下宽度 ≤12 像素必须针对性优化。5.2 修改 anchors为果柄定制先验框尺寸YOLOv8 默认 anchorsnano 版为anchors: [[10,13, 16,30, 33,23], [30,61, 62,45, 59,119], [116,90, 156,198, 373,326]]这些是为 COCO 通用物体人、车、狗设计的最小 anchor10×13对果柄仍过大。我们用k-means对 690 张图的标注做聚类得到果柄专用 anchors# generate_anchors.py import numpy as np from pathlib import Path from tqdm import tqdm def kmeans_anchors(label_dir: str, n_clusters: int 3, iters: int 100): boxes [] for txt_file in tqdm(Path(label_dir).glob(*.txt)): with open(txt_file, r) as f: for line in f: parts line.strip().split() if len(parts) 5: continue # YOLO 格式cls x_c y_c w h归一化 w, h float(parts[3]), float(parts[4]) boxes.append([w, h]) boxes np.array(boxes) # K-means 初始化 centroids boxes[np.random.choice(boxes.shape[0], n_clusters, replaceFalse)] for _ in range(iters): distances np.sqrt(((boxes - centroids[:, np.newaxis])**2).sum(axis2)) closest np.argmin(distances, axis0) new_centroids np.array([boxes[closesti].mean(axis0) for i in range(n_clusters)]) if np.allclose(centroids, new_centroids): break centroids new_centroids # 转为像素尺寸 p a hrefhttps://download.csdn.net/download/liaoqingjian/89945848 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p