水稻虫害检测数据集 水稻虫害 8900张 带标注 voc yolo

水稻虫害检测数据集 水稻虫害 8900张 带标注 voc yolo

label| pic_ num| box_ _num
green- I eafhopper: (1759， 1838)
rice- -bug: (1790， 2302)
leaf-folder: (1815， 2602)
stem-borer: (1773， 1916)
whorl- maggot:(1815， 4528)
total: (8952， 13186)

这个水稻虫害检测数据集包含了8900张带有标注的图像，用于训练和评估机器学习模型来识别五种不同的水稻害虫。每张图像都包含了一个或多个害虫实例，并且每个实例都被边界框所标注。这些边界框的数据格式遵循VOC（PASCAL Visual Object Classes）和YOLO（You Only Look Once）标准，这使得数据集可以很容易地被多种目标检测框架所使用。

数据集详情

• green-leafhopper：1759个图像样本，总共1838个边界框。
• rice-bug：1790个图像样本，总共2302个边界框。
• leaf-folder：1815个图像样本，总共2602个边界框。
• stem-borer：1773个图像样本，总共1916个边界框。
• whorl-maggot：1815个图像样本，总共4528个边界框。
• 总计：8952个图像样本，总共13186个边界框。

关键代码示例

假设你想要使用这个数据集来训练一个基于YOLOv5的目标检测模型。首先确保你已经安装了YOLOv5及其依赖项。如果还没有安装，可以通过以下命令进行安装：

git clone https://github.com/ultralytics/yolov5  # 克隆YOLOv5仓库
cd yolov5
pip install -r requirements.txt  # 安装依赖

数据集准备

你需要将数据集转换成YOLOv5期望的格式。通常，这包括创建一个data.yaml文件，以及将图像和标签放置在正确的目录结构中。

# data.yaml
train: ../path/to/train/images
val: ../path/to/val/images

nc: 5  # 类别数量
names: ['green-leafhopper', 'rice-bug', 'leaf-folder', 'stem-borer', 'whorl-maggot']

训练模型

一旦你的数据集准备好并且配置文件设置完毕，你可以开始训练模型。这里是一个简单的训练脚本例子：

# train.py
import torch
from models.experimental import attempt_load
from utils.datasets import create_dataloader
from utils.general import check_dataset, check_file, check_img_size, non_max_suppression, scale_coords, set_logging
from utils.torch_utils import select_device, time_synchronized

set_logging()
device = select_device('')

# 加载预训练模型
model = attempt_load('yolov5s.pt', map_location=device)  # or yolov5m, yolov5l, yolov5x

# 创建数据加载器
data_loader, dataset = create_dataloader('../data/data.yaml', 64, 32, 640, single_cls=False)

# 开始训练
for epoch in range(epochs):
    model.train()
    for i, (imgs, targets, paths, _) in enumerate(data_loader):
        imgs = imgs.to(device).float() / 255.0  # 将图像归一化到0-1之间
        targets = targets.to(device)
        
        # 前向传播
        pred = model(imgs, augment=False)[0]
        
        # 处理预测结果
        pred = non_max_suppression(pred, conf_thres=0.001, iou_thres=0.6, classes=None, agnostic=False)
        
        # 这里可以添加损失计算、反向传播等训练逻辑
        # ...

print("Training completed.")

上述代码仅作为示例，实际训练时需要更详细的设置，如优化器、学习率调整策略、损失函数等。YOLOv5项目中提供了完整的训练脚本，可以直接使用。

检测

训练完成后，你可以使用训练好的模型来进行实时检测或者对新的图像进行测试。

# detect.py
from pathlib import Path
import torch
from models.experimental import attempt_load
from utils.datasets import LoadImages
from utils.general import non_max_suppression, scale_coords, plot_one_box
from utils.torch_utils import select_device

device = select_device('')
model = attempt_load('runs/train/exp/weights/best.pt', map_location=device)  # 加载最佳权重
model.eval()

dataset = LoadImages('path/to/test/image.jpg', img_size=640)

for path, img, im0s, _ in dataset:
    img = torch.from_numpy(img).to(device)
    img = img.float()  # uint8 to fp16/32
    img /= 255.0  # 0 - 255 to 0.0 - 1.0
    if img.ndimension() == 3:
        img = img.unsqueeze(0)

    with torch.no_grad():
        pred = model(img, augment=False)[0]

    pred = non_max_suppression(pred, 0.4, 0.5, classes=None, agnostic=False)

    for i, det in enumerate(pred):  # detections per image
        p, s, im0 = path, '', im0s

        if len(det):
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
            for *xyxy, conf, cls in reversed(det):
                label = f'{model.names[int(cls)]} {conf:.2f}'
                plot_one_box(xyxy, im0, label=label, color=(0, 255, 0), line_thickness=3)

cv2.imshow("Result", im0)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码展示了如何加载模型并使用它来检测一张图片中的害虫。请根据实际情况调整路径和其他参数。