番茄叶片病虫害分类数据集，1.4GB，超过2万张图像，共11大类别分类 西红柿叶片病虫害分类数据集

 

西红柿叶片病虫害分类数据集，1.4GB，超过2万张图像，共11大类别分类，分别为
Late blight - 晚疫病
Healthy - 健康
Early blight - 早疫病
Septoria leaf spot - 嫌气性叶斑病
Tomato yellow leaf curl virus - 番茄黄叶卷曲病毒
Bacterial spot - 细菌斑点病
Target spot - 靶斑病
Tomato mosaic virus - 番茄花叶病毒
Leaf mold - 叶霉病
Spider mites (Two-spotted spider mite) - 蜘蛛螨（双斑蜘蛛螨）
Powdery mildew - 白粉病

西红柿叶片病虫害分类数据集介绍

数据集概览

这是一个针对西红柿叶片病虫害分类的数据集，包括晚疫病、健康、早疫病等11个类别，总计超过2万张图像，数据量约为1.4GB。该数据集适用于训练和评估图像分类模型。

数据集特点

• 大规模: 总计超过2万张图像，适合用于深度学习模型的训练。
• 多类别: 共有11个不同的病虫害类别。
• 高质量: 所有的图像都是高清拍摄，可以清晰地识别出各种病虫害特征。

数据集结构

假设数据集文件夹结构如下：

tomato_leaf_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels.csv
└── data.yaml

• images/ 目录下存放所有图像文件。
• labels.csv 文件存储了每个图像所属的类别。
• data.yaml 文件定义了数据集的配置信息。

data.yaml 文件示例

# data.yaml
train: ./images/train
val: ./images/val
test: ./images/test
nclasses: 11

请注意，这里的nclasses参数设置为11，表示有11个类别。

labels.csv 示例

image_name,category
image1.jpg,Late blight
image2.jpg,Healthy
...

关键代码示例

以下是一段Python代码示例，展示如何加载和查看数据集中的部分图像及其对应的类别：

import os
import pandas as pd
import matplotlib.pyplot as plt
from PIL import Image

def load_image(image_path):
    """
    加载图片。
    
    Parameters:
        image_path (str): 图片路径。
        
    Returns:
        img (PIL.Image): 加载的图片。
    """
    img = Image.open(image_path)
    return img

def visualize_image(img, category):
    """
    显示图片及其对应的类别。
    
    Parameters:
        img (PIL.Image): 图片。
        category (str): 图片的类别。
    """
    fig, ax = plt.subplots(1, figsize=(12, 12))
    ax.imshow(img)
    ax.set_title(category)
    ax.axis('off')
    plt.show()

if __name__ == "__main__":
    data_dir = "/path/to/your/dataset"
    train_images_dir = os.path.join(data_dir, "images/train")
    train_labels_file = os.path.join(data_dir, "labels.csv")

    df_labels = pd.read_csv(train_labels_file)
    image_name = df_labels.iloc[0]['image_name']  # 选择第一行的图像
    category = df_labels.iloc[0]['category']

    image_path = os.path.join(train_images_dir, image_name)
    
    img = load_image(image_path)
    
    print(f"Image name: {image_name}")
    print(f"Category: {category}")
    
    visualize_image(img, category)