腰果，木薯，小麦，番茄病虫害数据集，6.5GB。包括102,976张图像（25,811张腰果、26,330张木薯、23,657张玉米和27,178张番茄），分为22个类别。所有图像均经过去标识化处理，

QQ-767172261

于 2024-10-05 07:32:43 发布

阅读量684

点赞数 11

分类专栏：数据集大类文章标签： 5G 数据库

本文链接：https://blog.csdn.net/2401_86889530/article/details/142710555

版权

数据集大类专栏收录该内容

16 篇文章 0 订阅

订阅专栏

腰果，木薯，小麦，番茄病虫害数据集，6.5GB。包括102,976张图像（25,811张腰果、26,330张木薯、23,657张玉米和27,178张番茄），分为22个类别。所有图像均经过去标识化处理，由专业植物病毒学家验证，

Cashew（腰果）有5个类别：炭疽病、树胶病、健康的、叶蛀虫和红锈病。Cassava（木薯）有5个类别：细菌性斑点病、褐斑病、绿色螨、健康的和马赛克病。Maize（小麦）有7个类别：秋粉虫、蝗虫、健康的、叶甲、叶斑病、叶斑和条纹病毒。Tomato（番茄）也有5个类别：健康的、叶斑病、叶卷曲、斑点病和青枯病。

腰果、木薯、小麦、番茄病虫害数据集介绍

数据集名称

腰果、木薯、小麦、番茄病虫害数据集 (Cashew, Cassava, Maize, and Tomato Disease and Pest Dataset)

数据集概述

本数据集是一个专门用于训练和评估作物病虫害检测模型的数据集。数据集包含超过102,976张高分辨率的图片，涵盖了四种主要农作物：腰果、木薯、小麦（实际上是玉米）和番茄。每种作物都有多个病虫害类别，总计22个类别。所有图像均经过专业植物病毒学家验证，并进行了去标识化处理，确保数据的准确性和隐私保护。

数据集特点

高分辨率：图片分辨率高，能够提供丰富的细节信息。
多类别标注：数据集涵盖了22种常见的病虫害类型，每张图片都有详细的分类标签。
大规模数据量：数据集包含超过10万张图像，总大小约为6.5GB。
专业验证：所有图像均由专业植物病毒学家验证，确保数据的准确性。
去标识化处理：所有图像均进行了去标识化处理，保护了隐私。
实用性强：数据集来源于实际农业生产环境，具有较高的实用性和代表性，适合应用于农业病虫害监测和管理。

数据集结构

crop_disease_pest_dataset/
├── images/                           # 图像文件
│   ├── cashew/                       # 腰果图像
│   │   ├── anthracnose/              # 炭疽病
│   │   ├── gummosis/                 # 树胶病
│   │   ├── healthy/                  # 健康
│   │   ├── leaf_miner/               # 叶蛀虫
│   │   └── red_rust/                 # 红锈病
│   ├── cassava/                      # 木薯图像
│   │   ├── bacterial_blight/         # 细菌性斑点病
│   │   ├── brown_spot/               # 褐斑病
│   │   ├── green_mite/               # 绿色螨
│   │   ├── healthy/                  # 健康
│   │   └── mosaic/                   # 马赛克病
│   ├── maize/                        # 小麦（实际上是玉米）图像
│   │   ├── fall_armyworm/            # 秋粉虫
│   │   ├── grasshopper/              # 蝗虫
│   │   ├── healthy/                  # 健康
│   │   ├── leaf_beetle/              # 叶甲
│   │   ├── leaf_blight/              # 叶斑病
│   │   ├── leaf_spot/                # 叶斑
│   │   └── stripe_virus/             # 条纹病毒
│   ├── tomato/                       # 番茄图像
│   │   ├── healthy/                  # 健康
│   │   ├── leaf_blight/              # 叶斑病
│   │   ├── leaf_curl/                # 叶卷曲
│   │   ├── septoria_leaf_spot/       # 斑点病
│   │   └── bacterial_wilt/           # 青枯病
├── data.yaml                         # 类别描述文件
└── README.md                         # 数据集说明

数据集内容

images/
- 功能：存放图像文件。
- 内容：
  - cashew/：腰果图像，共25,811张。
    - anthracnose/：炭疽病
    - gummosis/：树胶病
    - healthy/：健康
    - leaf_miner/：叶蛀虫
    - red_rust/：红锈病
  - cassava/：木薯图像，共26,330张。
    - bacterial_blight/：细菌性斑点病
    - brown_spot/：褐斑病
    - green_mite/：绿色螨
    - healthy/：健康
    - mosaic/：马赛克病
  - maize/：小麦（实际上是玉米）图像，共23,657张。
    - fall_armyworm/：秋粉虫
    - grasshopper/：蝗虫
    - healthy/：健康
    - leaf_beetle/：叶甲
    - leaf_blight/：叶斑病
    - leaf_spot/：叶斑
    - stripe_virus/：条纹病毒
  - tomato/：番茄图像，共27,178张。
    - healthy/：健康
    - leaf_blight/：叶斑病
    - leaf_curl/：叶卷曲
    - septoria_leaf_spot/：斑点病
    - bacterial_wilt/：青枯病

data.yaml

功能：定义数据集的类别和其他相关信息。

内容：

nc: 22
names: [
    'cashew_anthracnose', 'cashew_gummosis', 'cashew_healthy', 'cashew_leaf_miner', 'cashew_red_rust',
    'cassava_bacterial_blight', 'cassava_brown_spot', 'cassava_green_mite', 'cassava_healthy', 'cassava_mosaic',
    'maize_fall_armyworm', 'maize_grasshopper', 'maize_healthy', 'maize_leaf_beetle', 'maize_leaf_blight', 'maize_leaf_spot', 'maize_stripe_virus',
    'tomato_healthy', 'tomato_leaf_blight', 'tomato_leaf_curl', 'tomato_septoria_leaf_spot', 'tomato_bacterial_wilt'
]

README.md
- 功能：数据集的详细说明文档。
- 内容：
  - 数据集的来源和用途。
  - 数据集的结构和内容。
  - 如何使用数据集进行模型训练和评估。
  - 其他注意事项和建议。

使用说明

环境准备
- 安装依赖库：
```
pip install -r requirements.txt
```
- 确保安装了常用的深度学习库，例如torch, tensorflow, keras, albumentations等。
数据集路径设置
- 将数据集解压到项目目录下，确保路径正确。
训练模型
- 使用深度学习框架（如PyTorch、TensorFlow、Keras等）进行模型训练。以下是一个示例命令（假设使用PyTorch和ResNet）：
```
python train.py --data data.yaml --model resnet50 --epochs 100 --batch-size 32 --img-size 224
```

验证模型

使用验证集进行模型验证：

python val.py --data data.yaml --weights runs/train/exp/weights/best.pt --batch-size 32 --img-size 224

推理模型

使用训练好的模型进行推理：

python detect.py --source test_images/ --weights runs/train/exp/weights/best.pt --img-size 224

数据增强

可以通过数据增强技术来增加数据集的多样性和鲁棒性。常用的增强方法包括旋转、翻转、缩放、亮度调整等。可以使用albumentations库来进行数据增强：

import albumentations as A
from albumentations.pytorch import ToTensorV2

transform = A.Compose([
    A.HorizontalFlip(p=0.5),
    A.VerticalFlip(p=0.5),
    A.RandomRotate90(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
    A.Resize(224, 224),
    ToTensorV2(),
])