yolo生菜莴苣病害数据集有3539张带标注（yolo格式）类别为六种 0为病毒的，1为健康的，2为枯萎病和叶枯病，3为粉末状霉菌，4为黑星病，5为霜霉病，6为细菌

2401_86889530

于 2024-10-11 06:21:06 发布

阅读量362

点赞数 11

分类专栏：数据集大类

本文链接：https://blog.csdn.net/2401_86889530/article/details/142836846

版权

数据集大类专栏收录该内容

100 篇文章 1 订阅

订阅专栏

yolo生菜莴苣病害数据集有3539张带标注（yolo格式）

类别为六种 0为病毒的，1为健康的，2为枯萎病和叶枯病，3为粉末状霉菌，4为黑星病，5为霜霉病，6为细菌

名称: YOLO生菜莴苣病害检测数据集 (YOLO Lettuce and Cabbage Disease Detection Dataset)

描述: 本数据集旨在支持对生菜和莴苣常见病害的自动检测，特别适用于农业监控系统、病虫害管理和智能农业应用等领域。通过使用该数据集训练的模型可以帮助农民和研究人员及时发现并处理潜在的病害问题，提高农作物的产量和质量。

类别:

0: 病毒
1: 健康
2: 枯萎病和叶枯病
3: 粉末状霉菌
4: 黑星病
5: 霜霉病
6: 细菌

数据量:

总图片数: 3,539张
标注格式: YOLO 格式

文件格式:

图像采用常见的JPEG格式。
标注文件采用YOLO格式，即每个图像对应一个文本文件，其中包含边界框坐标及类别标签。例如，对于病毒类别的标注，文本文件中的每一行将按照以下格式表示：<class_id> <x_center> <y_center> <width> <height>，其中<class_id>为0到6（代表不同的病害类别），其余参数均为归一化后的浮点数值。

数据集结构

确保您的数据集目录结构如下所示（这只是一个示例结构，您可以根据实际情况调整）：

lettuce_cabbage_disease_dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── img2500.jpg
│   │   ├── img2501.jpg
│   │   └── ...
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── val/
│   │   ├── img2500.txt
│   │   ├── img2501.txt
│   │   └── ...
└── data.yaml

`data.yaml` 配置文件

创建一个名为 data.yaml 的配置文件，内容如下：

train: ./lettuce_cabbage_disease_dataset/images/train
val: ./lettuce_cabbage_disease_dataset/images/val

nc: 7  # 类别数量
names: ['virus', 'healthy', 'wilt_and_leaf_blight', 'powdery_mildew', 'black_spot', 'downy_mildew', 'bacteria']  # 类别名称

使用方法

1. 准备环境

确保安装了必要的Python库，如ultralytics（用于YOLOv8）和其他相关依赖：

pip install ultralytics

2. 修改配置文件

根据实际路径修改 data.yaml 文件中的路径。

3. 训练脚本

以下是一个使用YOLOv8进行训练的Python脚本示例：

from ultralytics import YOLO
import torch

# 设置设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'

# 加载预训练模型或从头开始训练
model = YOLO('yolov8n.pt')  # 使用预训练的YOLOv8n模型
# model = YOLO()  # 从头开始训练

# 开始训练
results = model.train(
    data='path/to/data.yaml',  # 指定数据集配置文件路径
    epochs=100,  # 训练轮次
    batch=16,  # 批处理大小
    imgsz=640,  # 输入图像尺寸
    workers=8,  # 数据加载线程数
    device=device,  # 使用GPU设备编号，默认为0
    project='lettuce_cabbage_disease_detection',  # 保存结果的项目名称
    name='exp',  # 实验名称
    exist_ok=True  # 如果存在相同实验名，覆盖旧的结果
)

# 可视化训练结果
results.plot()

# 保存模型
model.save('lettuce_cabbage_disease_detection_model.pt')