马铃薯病害数据集

 1..马铃薯数据集主要包好三种类别(Early_Blight(早期枯萎病),Late_Blight(晚期枯萎病)Healthy(正常))而且数据集已经分好训练集、验证集和测试集

Early_Blight 照片(训练集有1303张,验证集有163张,测试集有162张)

 Late_Blight 照片(训练集有1132张,验证集有151张,测试集有141张)

 Healthy照片(训练集有816张,验证集有102张,测试集有102张)

 2.以Training文件夹为例展示

 Healthy文件夹

 Early_Blight(早期枯萎病)

 Late_Blight(晚期枯萎病)文件夹

import os
import sys
import json
 
import torch
import torch.nn as nn
from torchvision import transforms, datasets
import torch.optim as optim
from tqdm import tqdm
#数据集;https://mbd.pub/o/bread/mbd-ZJibmp5v
# from model import GoogLeNet
from model import CNN
import os
from shutil import copy
import random
 

  • 0
    点赞
  • 2
    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

深度学习的奋斗者

你的鼓励是我努力的动力

¥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