植物叶片病害识别 | 目标检测 | 农业识别

【植物叶片病害识别 | 目标检测 | 农业识别】

本数据集面向植物叶片病害识别场景的目标检测任务，涵盖30个检测类别，总计2,535张标注图像。数据集适用于农业识别领域的算法研究、模型训练与工程应用。

数据集概览

• 数据集名称：植物叶片病害识别
• 任务类型：目标检测
• 图像总数：2,535 张
• 标注类别：30 类
• 标注格式：YOLO TXT（归一化坐标）
• 适用框架：YOLOv5 / YOLOv8 / YOLOv10 / RT-DETR
• 数据划分：训练集 / 验证集 / 测试集

检测类别与标注分布

本数据集包含30个检测类别，各类别标注分布如下：

• leaf-spots（leaf-spots）
• Potato healthy leaves（Potato healthy leaves）
• Tomato mold leaf（Tomato mold leaf）
• Tomato leaf yellow virus（Tomato leaf yellow virus）
• Tomato leaf mosaic virus（Tomato leaf mosaic virus）
• Tomato leaf late blight（Tomato leaf late blight）
• Tomato leaf bacterial spot（Tomato leaf bacterial spot）
• Tomato healthy leavs（Tomato healthy leavs）
• Tomato Early blight leaf（Tomato Early blight leaf）
• Strawberry leaf（Strawberry leaf）
• Squash Powdery mildew leaf（Squash Powdery mildew leaf）
• Soyabean leaf（Soyabean leaf）

技术规格

• 标注格式：YOLO TXT格式，每行标注为 class x_center y_center width height，坐标值归一化至 [0, 1]
• 数据划分：按照标准比例划分训练集、验证集与测试集，可直接用于模型训练与性能评估
• 数据来源：Roboflow Universe 平台

应用场景

1. 农业识别缺陷检测：利用深度学习模型自动识别植物叶片病害识别中的异常区域，提升检测效率与准确率
2. 智能化巡检：部署于自动化巡检系统，实现农业识别场景的大规模快速筛查
3. 算法研究：作为目标检测与语义分割算法的基准数据集，用于性能评估与横向对比
4. 工程应用：支持工业检测、质量控制等实际工程场景的模型部署

数据集特点

• 数据量适中：2,535张标注图像，适合中小规模模型训练与迁移学习
• 多类别检测：覆盖30个检测类别，支持多类别目标识别任务
• 即开即用：YOLO格式标注，无需额外格式转换，下载后可直接用于模型训练
• 标准数据划分：按照标准比例划分训练集、验证集与测试集

获取方式

登录本站后即可免费获取百度网盘下载链接，数据集已按标准目录结构组织，下载后即可直接用于模型训练。

🏷️ 标签

#农业识别 #目标检测 #YOLO数据集 #深度学习 #计算机视觉