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')
训练结果
模型: YOLOv8
性能指标:
- 准确率 (Accuracy): [根据实际结果填写]
- 精确度 (Precision): [根据实际结果填写]
- 召回率 (Recall): [根据实际结果填写]
- F1分数 (F1 Score): [根据实际结果填写]
- 平均精度均值 (mAP@0.5:0.95): [根据实际结果填写]
模型文件:
- 提供了YOLOv8的预训练模型文件,可以直接用于推理或进一步微调。
总结
这个生菜和莴苣病害检测数据集提供了3,539张高质量的真实场景图片,并且已经使用YOLO格式进行了标注。数据集包括六种不同的病害类别,涵盖了常见的生菜和莴苣病害。通过使用YOLOv8框架,可以有效地识别和分类这些病害。提供的预训练模型可以在实际应用中提供可靠的检测结果。
可视化与评估
YOLOv8提供了丰富的工具来进行训练过程的可视化和评估。训练完成后,可以在输出目录中找到训练日志、图表以及最佳模型权重文件。这些资源有助于分析模型的性能,并进行进一步的优化。