玉米叶感染数据集，收集了部分被秋粘虫等害虫感染的玉米叶片图像。有 Healthy 和 Infected 文件夹，每个文件夹都包含各自的图像，同时，对感染叶片进行了目标检测的标注。共13GB
玉米叶感染数据集
规模
- 图像数量：未明确提供，但总数据量为13GB，表明数据集包含大量高分辨率图像。
- 数据量：13GB
- 分辨率：未明确提供，但通常为高分辨率以确保细节清晰。
类别
- 健康叶片 (Healthy)
- 感染叶片 (Infected)
对于感染叶片，还进行了目标检测的标注，以标明害虫（如秋粘虫）在叶片上的位置。
数据特点
- 高质量图像：所有图像均为高分辨率，提供了丰富的细节信息，有助于提高检测精度。
- 多样化样本：涵盖了健康的玉米叶片和被秋粘虫等害虫感染的叶片，确保模型能够适应多种类型的感染情况。
- 详细标注：每张感染叶片图像都附有详细的边界框标注（可能是VOC或YOLO格式），标明了害虫的位置和大小。
- 适用性强：数据集适用于多种深度学习框架和模型，便于进行分类和目标检测任务。
应用场景
- 病虫害监测：帮助农业部门实时监测玉米田中的病虫害情况，及时采取防治措施。
- 智能农业：集成到智能农业系统中，提升作物管理和病虫害防控效率。
- 研究与教育：用于农业科研机构的研究以及相关院校的教学，帮助学生和研究人员更好地了解玉米叶感染检测技术。
- 质量控制：在玉米收获后进行质量检查，确保产品符合市场标准。
- 供应链管理：帮助供应链中的各个环节（如仓储、运输）及时发现并处理受感染的玉米叶片，减少损失。
数据集结构
假设数据集的文件结构如下：
corn_leaf_dataset/
├── Healthy/
│ ├── 0001.jpg
│ ├── 0002.jpg
│ └── ...
├── Infected/
│ ├── 0001.jpg
│ ├── 0002.jpg
│ └── ...
├── labels_voc/
│ ├── 0001.xml
│ ├── 0002.xml
│ └── ...
├── labels_yolo/
│ ├── 0001.txt
│ ├── 0002.txt
│ └── ...
└── metadata.csvmetadata.csv 文件内容示例：
image_id, category, split
Healthy/0001.jpg, healthy, train
Healthy/0002.jpg, healthy, train
Infected/0001.jpg, infected, val
Infected/0002.jpg, infected, val
...labels_voc/0001.xml 示例（Pascal VOC格式）：
<annotation>
<folder>corn_leaf_dataset</folder>
<filename>0001.jpg</filename>
<size>
<width>640</width>
<height>480</height>
<depth>3</depth>
</size>
<object>
<name>pest</name>
<bndbox>
<xmin>50</xmin>
<ymin>50</ymin>
<xmax>150</xmax>
<ymax>150</ymax>
</bndbox>
</object>
...
</annotation>labels_yolo/0001.txt 示例（YOLO格式）：
深色版本
0 0.5 0.5 0.3 0.3 # 类别ID, 中心点x, 中心点y, 宽度, 高度代码示例
下面是一个完整的Python脚本示例，展示如何加载数据集、使用预训练的YOLOv5模型进行玉米叶感染检测，并可视化检测结果。我们将使用PyTorch和YOLOv5的相关库。
1. 安装依赖库
首先，确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库，然后运行以下命令进行安装：
pip install -r requirements.txtrequirements.txt 文件内容示例：
深色版本
torch==1.10.0
torchvision==0.11.1
opencv-python-headless==4.5.4.60
yolov5 @ git+https://github.com/ultralytics/yolov5.git2. 加载数据集和预训练模型
import os
import cv2
import torch
import numpy as np
from yolov5.models.common import DetectMultiBackend
from yolov5.utils.general import (check_img_size, non_max_suppression, scale_coords)
from yolov5.utils.torch_utils import select_device
from yolov5.utils.plots import Annotator, colors
# 设置设备
device = select_device('') # 使用默认设备（通常是GPU，如果没有则使用CPU）
# 加载预训练模型
model_path = 'path_to_your_model_directory/yolov5s_corn_leaf_infection.pt'
model = DetectMultiBackend(model_path, device=device, dnn=False, data=None, fp16=False)
imgsz = check_img_size(640, s=model.stride) # 检查图像尺寸
# 设置模型为评估模式
model.eval()
# 加载图像
def load_image(image_path):
img = cv2.imread(image_path)
if img is None:
print(f"Failed to load image: {image_path}")
return None
return img
# 进行推理
def detect_infected_leaves(img, model, imgsz, device):
# 转换图像
img = [letterbox(img, new_shape=imgsz, auto=True)[0]]
img = np.stack(img, 0)
img = img[..., ::-1].transpose((0, 3, 1, 2)) # BGR to RGB, BHWC to BCHW
img = np.ascontiguousarray(img)
# 将图像转换为Tensor
img = torch.from_numpy(img).to(device)
img = img.float()
img /= 255.0 # 0 - 255 to 0.0 - 1.0
if len(img.shape) == 3:
img = img[None] # 扩展批处理维度
# 推理
with torch.no_grad():
pred = model(img, augment=False, visualize=False)[0]
pred = non_max_suppression(pred, conf_thres=0.5, iou_thres=0.45, classes=None, agnostic=False, max_det=1000)
# 处理预测结果
for i, det in enumerate(pred): # 每张图像的检测结果
if len(det):
det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img.shape[2:]).round()
annotator = Annotator(img[i].permute(1, 2, 0).cpu().numpy(), line_width=3, example=str('leaf'))
for *xyxy, conf, cls in reversed(det):
label = f'pest {conf:.2f}'
annotator.box_label(xyxy, label, color=colors(int(cls), True))
return annotator.result()
return img[0].permute(1, 2, 0).cpu().numpy()
# 字母框调整
def letterbox(img, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True, stride=32):
shape = img.shape[:2] # 当前形状 [height, width]
if isinstance(new_shape, int):
new_shape = (new_shape, new_shape)
r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
if not scaleup: # 只缩小，不放大
r = min(r, 1.0)
ratio = r, r # 宽高比
new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding
if auto: # 最小矩形
dw, dh = np.mod(dw, stride), np.mod(dh, stride) # wh padding
elif scaleFill: # 拉伸
dw, dh = 0.0, 0.0
new_unpad = (new_shape[1], new_shape[0])
ratio = new_shape[1] / shape[1], new_shape[0] / shape[0] # 宽高比
dw /= 2 # 分配到两边
dh /= 2
if shape[::-1] != new_unpad: # 缩放
img = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR)
top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) # 添加边框
return img, ratio, (dw, dh)
# 主函数
def main(image_dir, model, imgsz, device):
names = ['healthy', 'infected']
for category in os.listdir(image_dir):
category_dir = os.path.join(image_dir, category)
if os.path.isdir(category_dir):
for image_name in os.listdir(category_dir):
if image_name.endswith('.jpg'):
image_path = os.path.join(category_dir, image_name)
img = load_image(image_path)
if img is not None:
result = detect_infected_leaves(img, model, imgsz, device)
cv2.imshow('Corn Leaf Infection Detection', result)
cv2.setWindowTitle('Corn Leaf Infection Detection', f'Image: {category}/{image_name}')
if cv2.waitKey(0) & 0xFF == ord('q'):
break
cv2.destroyAllWindows()
# 假设图像存储在'image'目录下
image_dir = 'path_to_your_image_directory'
# 运行主函数
main(image_dir, model, imgsz, device)说明
- 路径设置：请根据实际的数据集路径调整
path_to_your_image_directory和path_to_your_model_directory。 - 文件命名：假设图像文件名分别为
.jpg。如果实际命名规则不同，请相应修改代码。 - 可视化：通过绘制边界框和标注置信度，可以直观地看到图像中的害虫位置。
进一步的应用
- 训练深度学习模型：可以使用这个数据集来进一步训练或微调YOLOv5模型，以提高检测精度。
- 数据增强：为了增加数据集的多样性和鲁棒性，可以使用数据增强技术（如旋转、翻转、缩放等）生成更多的训练样本。
- 评估与优化：通过交叉验证和测试集评估模型性能，并不断优化模型参数，以提高检测准确率。
这个数据集对于玉米叶感染检测具有重要的实用价值，可以帮助相关部门及时发现和处理受感染的玉米叶片，提升农作物的质量和产量。
扫一扫
1023
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
