[数据集][图像分类]土豆病害分类数据集451张7类别

本文介绍了一个针对土豆病害的图像分类数据集,包含7个类别,共451张jpg图片,主要用于训练模型,但不保证训练效果。数据集结构清晰,每个类别下图片数量不同,特别声明仅供合理分类使用,下载地址已提供。
摘要由CSDN通过智能技术生成

数据集类型:图像分类用,不可用于目标检测无标注文件
数据集格式:仅仅包含jpg图片,每个类别文件夹下面存放着对应图片
图片数量(jpg文件个数):451
分类类别数:7
类别名称:["black_scurf","blackleg","common_scab","dry_rot","healthy_potatoes","miscellaneous","pink_rot"]
每个类别图片数:
black_scurf 图片数:58
blackleg 图片数:60
common_scab 图片数:62
dry_rot 图片数:60
healthy_potatoes 图片数:80
miscellaneous 图片数:74
pink_rot 图片数:57

重要说明:这个是土豆病害,不是土豆叶子
特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,数据集只提供准确且合理分类存放

下载地址:https://download.csdn.net/download/FL1623863129/88915281

  • 12
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
马铃薯叶片常用的数据增强方法有以下几种: 1. 随机裁剪(Random Cropping):随机裁剪是指在原始图像中随机选择一个区域,并将该区域作为新的图像。这种方法可以增加数据集的多样性,使模型更好地学习到不同的特征。 2. 随机旋转(Random Rotation):随机旋转是指对原始图像进行随机角度的旋转。这种方法可以模拟不同角度下的叶片形态,增加数据集的多样性。 3. 随机缩放(Random Scaling):随机缩放是指对原始图像进行随机比例的缩放。这种方法可以模拟不同大小的叶片,增加数据集的多样性。 4. 随机翻转(Random Flipping):随机翻转是指对原始图像进行随机方向的翻转,包括水平翻转和垂直翻转。这种方法可以模拟不同方向的叶片,增加数据集的多样性。 5. 随机亮度调整(Random Brightness Adjustment):随机亮度调整是指对原始图像进行随机亮度的调整。这种方法可以模拟不同光照条件下的叶片,增加数据集的多样性。 6. 随机噪声添加(Random Noise Addition):随机噪声添加是指对原始图像进行随机噪声的添加。这种方法可以模拟不同环境下的叶片,增加数据集的多样性。 7. 随机色彩调整(Random Color Adjustment):随机色彩调整是指对原始图像进行随机色彩的调整,包括亮度、对比度、饱和度等。这种方法可以模拟不同环境下的叶片,增加数据集的多样性。 通过使用这些数据增强方法,可以扩充马铃薯叶片数据集的规模,并提高模型的泛化能力和鲁棒性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FL1623863129

你的打赏是我写文章最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值