柑橘病害实例分割数据集_20251116_185613.zip
柑橘病害实例分割数据集
一、基础信息
数据集名称：柑橘病害实例分割数据集
图片数量：
训练集：826张图片
验证集：75张图片
测试集：49张图片
总计：950张农业相关图片
分类类别：
Citrus Canker（柑橘溃疡病）：一种细菌性病害，导致果实和叶片出现溃疡状病变。
Citrus Greening（柑橘黄龙病）：由细菌引起，导致叶片黄化、果实畸形和树势衰退。
Citrus Scab（柑橘疮痂病）：真菌性病害，在果实和叶片上形成疮痂状斑点。
Healthy（健康）：无病害感染的正常柑橘植株状态。
Insect Infestation（虫害）：由昆虫侵害导致的叶片或果实损伤。
Powdery Mildew（白粉病）：真菌性病害，在叶片表面形成白色粉状霉层。
Tristeza（柑橘衰退病）：病毒性病害，引起树体衰退和果实品质下降。
Xyloporosis（木质化病）：导致枝干木质化异常和生长受阻的病害。
标注格式：
YOLO格式，包含实例分割的多边形坐标和类别标签，适用于实例分割任务。
数据格式：来源于农业图像采集，细节清晰，覆盖多种实际场景。
二、适用场景
柑橘病害AI检测系统开发：
数据集支持实例分割任务，帮助构建能够自动识别和分割柑橘病害区域的AI模型，辅助农民和农业专家快速诊断与防治。
精准农业应用研发：
集成至农业管理平台，提供实时病害监测功能，为柑橘种植提供早期预警和决策支持。
学术研究与农业创新：
支持植物病理学与计算机视觉交叉领域的研究，助力发表农业AI相关高水平论文。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学习柑橘病害识别和分类的重要教学资源。
三、数据集优势
精准标注与多样性：
标注基于实际农业数据，确保病害分类准确，多边形分割定位精确。
覆盖8个常见柑橘病害和健康状态类别，包括细菌性、真菌性、病毒性病害及虫害，具有高度多样性。
高质量数据与实用性：
图片来源于真实农业环境，适用于模型对病害特征的细粒度学习和分析。
包含不同生长阶段的柑橘样本，提升模型在复杂场景下的泛化能力。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接加载使用。
专注于实例分割任务，支持从病害检测扩展到精细分割需求。
农业价值突出：
专注于柑橘病害的早期识别和分割，为柑橘产业的病害防治和产量提升提供关键数据支撑。
植物实例分割数据集_20251116_233859.zip
一、基础信息
数据集名称：植物实例分割数据集
图片数量：
训练集：1,950张图片
验证集：186张图片
测试集：93张图片
总计：2,229张图片
分类类别：
Arive-Dantu、Basale、Betel、Crape jasmine、Drumstick、Fenugreek、Guava、Indian beech、Indian mustard、Jackfruit、Jamaica Cherry-Gasagase、Jamun、Jasmine、Karanda、Lemon、Mango、Mexican mint、Mint、Neem、Oleander、Parijata、Peepal tree、Pomegranate、Rasna、Rose apple、Roxburgh fig、Sandalwood、Sinensis、Tulsi、curry
标注格式：
YOLO格式，包含实例分割的多边形标注，适用于实例分割任务。
数据格式：来源于植物图像数据库，图片为常见图像格式（如JPEG/PNG）。
二、适用场景
植物识别与分类AI系统开发：
数据集支持实例分割任务，帮助构建能够自动识别和分割植物种类的AI模型，用于农业监测、植物学研究等应用。
农业智能应用研发：
集成至农业管理平台，实现作物物种识别、健康监测功能，为精准农业提供技术支持。
学术研究与创新：
支持计算机视觉与植物学交叉领域的研究，促进AI在生态保护和可持续发展中的应用。
教育与培训：
数据集可用于植物学教育或培训机构，作为学生学习植物识别和分类的实践资源。
三、数据集优势
多样性与全面性：
包含30种常见植物类别，覆盖多种物种，具有高度多样性，有助于模型学习不同植物的特征。
精准标注：
每张图片均经过精细标注，多边形标注确保分割边界准确，提升模型训练精度。
任务适配性强：
标注兼容主流深度学习框架，可直接用于实例分割任务，并支持扩展至目标检测或图像分类。
实际应用价值高：
专注于植物物种识别与分割，为农业自动化、生态研究提供可靠的数据基础。
番茄叶病害检测数据集_20251117_010816.zip
番茄叶病害检测数据集
一、基础信息
• 数据集名称：番茄叶病害检测数据集
• 图片数量：
训练集：1482张图片
验证集：139张图片
测试集：68张图片
总计：1689张图片
• 训练集：1482张图片
• 验证集：139张图片
• 测试集：68张图片
• 总计：1689张图片
• 分类类别：类别以数字标签表示，涵盖多种番茄叶病害类型，适用于病害识别任务。
• 标注格式：YOLO格式，包含边界框或多边形标注，支持目标检测和实例分割任务。
• 数据格式：JPEG格式图片，来源于农业图像采集。
二、适用场景
• 农业病害智能检测：支持开发AI模型，自动检测和分类番茄叶病害，辅助农民进行早期干预和治理。
• 精准农业应用：集成至农业无人机或移动设备，实现田间实时病害监测，提升农业生产效率。
• 学术研究与创新：为植物保护与计算机视觉交叉研究提供数据支持，推动AI在农业领域的应用。
• 教育与培训：用于农业院校和培训机构，作为植物病害识别和AI技术教学的重要资源。
三、数据集优势
• 标注精准与一致性：每张图片均经过精细标注，采用YOLO格式，确保标注定位准确，支持模型高效学习。
• 类别多样性与代表性：包含多种番茄叶病害类别，覆盖常见病害类型，增强模型在真实场景中的泛化能力。
• 任务适配灵活：标注格式兼容主流深度学习框架，可直接用于目标检测、实例分割等任务。
• 实际应用价值高：专注于农业实际需求，数据来源于真实环境，有助于开发实用的智能农业解决方案。
叶子实例分割数据集_20251116_215402.zip
叶子实例分割数据集
一、基础信息
数据集名称：叶子实例分割数据集
图片数量：
训练集：204张图片
验证集：17张图片
总计：221张图片
分类类别：
- '-'
- 'bing1'
- 'leaf'
标注格式：YOLO格式，包含实例分割多边形点坐标，适用于实例分割任务。
数据格式：图片文件，来源于实际场景采集。
二、适用场景
农业智能监测与病害识别系统开发：
数据集支持实例分割任务，帮助构建能够自动识别和分割植物叶子及其相关区域的AI模型，辅助农作物健康管理和早期病害检测。
植物学与环境研究应用：
集成至植物生长监测系统，提供精细的叶子形态分析功能，为科研人员提供数据支持。
生物学与生态学学术创新：
支持植物视觉与人工智能交叉领域的研究，助力发表高水平农业AI论文。
教育与实践培训：
数据集可用于农业院校或培训机构，作为学生学习植物识别和实例分割技术的重要资源。
三、数据集优势
精准实例分割标注：
每张图片均包含详细的多边形点坐标标注，确保叶子及其相关区域的边界定位精确，适用于像素级分析任务。
类别覆盖针对性强：
包含叶子及其潜在相关类别，数据源自真实场景，具有实际应用价值。
任务适配灵活：
标注兼容主流深度学习框架（如YOLO等），可直接用于实例分割模型训练，并支持扩展至其他计算机视觉任务。
植物病害目标检测数据集_20251117_011718.zip
植物病害目标检测数据集
一、基础信息
数据集名称：植物病害目标检测数据集
图片数量：
训练集：1,260张图片
验证集：90张图片
测试集：90张图片
总计：1,440张农业相关图片
分类类别：
蚜虫：常见害虫，吸食植物汁液导致生长受阻。
军虫：幼虫阶段害虫，大量取食叶片造成严重损害。
细菌性枯萎病：由细菌引起的病害，导致植物萎蔫和枯死。
健康：无病害症状的正常植物状态。
白粉病：真菌性病害，叶片出现白色粉状霉层。
靶斑病：真菌感染，形成圆形靶心状病斑。
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：农业环境下的图片，来源于植物病害监测场景。
二、适用场景
农业病害智能检测系统开发：
数据集支持目标检测任务，帮助构建能够自动识别植物病害区域并分类的AI模型，辅助农民和农业专家进行早期诊断和干预。
精准农业应用研发：
集成至农业管理平台或移动应用，提供实时病害识别功能，为用户提供作物健康监测和防治建议。
学术研究与创新：
支持植物病理学与人工智能交叉领域的研究，助力农业科技论文发表和技术突破。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学生学习植物病害识别和分类的重要实践资源。
三、数据集优势
多样性的病害覆盖：
包含6个常见植物病害类别和健康状态，涵盖害虫和真菌性病害，提升模型在真实农业环境中的泛化能力。
精准标注与兼容性：
每张图片均采用YOLO格式标注，边界框定位准确，兼容主流深度学习框架，便于直接加载和训练。
实际应用价值突出：
专注于农业病害检测，有助于早期发现和防治，减少作物损失，提高农业生产效率。
数据质量可靠：
图片来源于实际农业场景，类别平衡，适用于目标检测模型的开发和优化。
植物叶部病害目标检测数据集_20251116_183912.zip
一、基础信息
数据集名称：植物叶部病害目标检测数据集
图片数量：
训练集：1,295张图片
验证集：90张图片
测试集：54张图片
总计：1,439张农业图片
分类类别：
- 炭疽病（Anthracnose）：常见的真菌性病害，导致叶片出现凹陷斑点和腐烂。
- 尾孢叶斑病（Cercospora Leaf Spot）：由尾孢菌引起，叶片呈现圆形或椭圆形褐色斑点。
- 枝孢叶斑病（Cladosporium Leaf Spot）：枝孢菌感染，叶片产生暗色或黑色斑点，影响光合作用。
- 白粉病（Powdery Mildew）：真菌病害，叶片表面覆盖白色粉状霉层，阻碍生长。
- 白锈病（White Rust）：藻菌病害，叶片出现白色锈斑，可能导致叶片变形。
- 黄斑病（Yellow Mosaic）：病毒性病害，叶片呈现黄化镶嵌图案，影响作物产量。
标注格式：
YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：JPEG图片，来源于农业图像数据库，细节清晰。
二、适用场景
农业病害智能诊断系统开发：
数据集支持目标检测任务，帮助构建能够自动识别植物叶部病害区域并分类的AI模型，辅助农民和农业专家快速诊断和防治。
智能农业与精准农业应用：
集成至农业管理平台或移动应用，提供实时病害监测功能，优化作物健康管理和农药使用决策。
植物病理学研究与创新：
支持植物保护与人工智能交叉领域的研究，推动农业病虫害防控技术和学术论文的发展。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学生学习植物病害识别和诊断的重要实践资源。
三、数据集优势
精准标注与多样性：
每张图片均由植物病理专家标注，确保病害分类准确，边界框定位精确。
包含6个常见叶部病害类别，覆盖真菌、细菌和病毒性病害，具有高度代表性和多样性。
高质量图像数据：
图片清晰，细节丰富，适用于模型对病害特征的细粒度学习和分析。
包括不同作物类型和生长环境的样本，提升模型的泛化能力和实际应用价值。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接加载使用，简化目标检测模型的开发流程。
专注于农业实际需求，为植物健康监测和可持续农业提供可靠数据支撑。
玫瑰叶斑病目标检测数据集_20251117_000653.zip
玫瑰叶斑病目标检测数据集
一、基础信息
• 数据集名称：玫瑰叶斑病目标检测数据集
• 图片数量：
训练集：700张图片
验证集：200张图片
测试集：100张图片
总计：1000张图片
• 训练集：700张图片
• 验证集：200张图片
• 测试集：100张图片
• 总计：1000张图片
• 分类类别：
健康叶：健康的玫瑰叶子，无病害症状。
感染叶：感染叶斑病的玫瑰叶子，显示斑点症状。
• 健康叶：健康的玫瑰叶子，无病害症状。
• 感染叶：感染叶斑病的玫瑰叶子，显示斑点症状。
• 标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
• 数据格式：JPEG图片，来源于农业图像采集，细节清晰。
二、适用场景
• 农业植物病害AI诊断系统开发：数据集支持目标检测任务，帮助构建能够自动识别玫瑰叶斑病区域的AI模型，辅助农民和园艺师及时采取防治措施。
• 农业健康监测应用研发：集成至植物健康管理应用，提供实时病害识别功能，为用户提供预警和建议。
• 学术研究与农业创新：支持植物病理学与人工智能交叉领域的研究，助力农业科技发展。
• 农业教育与培训：数据集可用于农业院校或培训机构，作为学习植物病害识别和诊断的重要资源。
三、数据集优势
• 精准标注与实用性：每张图片经过专业标注，确保病害分类准确，边界框定位精确。
• 类别覆盖全面：包含健康和感染叶子的样本，聚焦于玫瑰叶斑病的检测，具有高度针对性。
• 任务适配性强：标注兼容主流深度学习框架（如YOLO等），可直接加载使用，支持目标检测任务。
• 农业价值突出：专注于玫瑰叶斑病的早期检测，为病害预防和管理提供数据支撑，提升作物健康。
坏绿红黄实例分割数据集_20251116_223222.zip
一、基础信息
数据集名称：坏绿红黄实例分割数据集
图片数量：
训练集：2342张图片
验证集：329张图片
测试集：306张图片
总计：2977张图片
分类类别：
- bad（坏）：表示对象处于坏或不良状态。
- green（绿色）：表示对象处于绿色状态。
- red（红色）：表示对象处于红色状态。
- yellow（黄色）：表示对象处于黄色状态。
标注格式：YOLO格式，包含实例分割多边形点和类别标签，适用于实例分割任务。
数据格式：JPEG图片，来源于实际场景。
二、适用场景
交通信号灯状态监测系统开发：数据集支持实例分割任务，帮助构建能够自动识别和分割交通信号灯或其他对象状态的AI模型，用于智能交通管理。
工业自动化与质量检测：集成至生产线检测系统，实时识别产品状态（如好坏、颜色指示），提升生产效率和质量控制。
监控与安全应用：用于视频监控系统中对象状态的实时分析，如检测异常状态或特定颜色事件。
学术研究与算法开发：支持计算机视觉实例分割算法的研究和优化，适用于多种行业应用。
三、数据集优势
精准实例分割标注：每张图片均包含精确的多边形标注，确保对象边界定位准确，支持细粒度分析。
多样状态类别：包含四种常见状态类别（坏、绿色、红色、黄色），覆盖多种应用场景，增强模型泛化能力。
任务适配性强：标注兼容主流深度学习框架（如YOLO等），可直接用于实例分割模型训练，并易于扩展到其他任务。
实际应用价值高：专注于对象状态检测，为自动化系统、智能监控等提供可靠数据支撑。
叶子关键点检测数据集_20251116_215927.zip
数据集介绍：叶子关键点检测数据集
一、基础信息
• 数据集名称：叶子关键点检测数据集
• 图片数量：
训练集：924张图片
验证集：88张图片
测试集：44张图片
总计：1056张图片
• 训练集：924张图片
• 验证集：88张图片
• 测试集：44张图片
• 总计：1056张图片
• 分类类别：
Leaf（叶子）
• Leaf（叶子）
• 标注格式：YOLO格式，包含关键点坐标，适用于关键点检测任务。
• 数据格式：JPEG图片
二、适用场景
• 植物学与农业AI研究：用于叶子形态分析、生长监测、病害检测等应用，帮助开发智能农业系统。
• 生物学教育与培训：作为教学资源，用于学生和研究人员学习植物结构和关键点检测技术。
• 计算机视觉算法开发：支持关键点检测模型的训练、验证和测试，适用于学术研究和工业应用。
三、数据集优势
• 精准标注：关键点由专业标注人员或自动化工具精确标注，确保数据质量和高准确性。
• 任务专用：专注于叶子关键点检测，提供高质量数据用于特定计算机视觉任务，提升模型性能。
• 兼容性强：YOLO格式兼容主流深度学习框架，如YOLO、PyTorch等，便于直接加载和使用。
• 实用价值高：适用于实际农业和生物学应用，支持AI模型开发和创新。
农作物病害实例分割数据集_20251116_192509.zip
农作物病害实例分割数据集
一、基础信息
数据集名称：农作物病害实例分割数据集
图片数量：
训练集：729张图片
验证集：206张图片
测试集：105张图片
总计：1040张图片
分类类别：
- 辣椒叶健康（bell pepper leaf-healthy）：健康的辣椒叶片。
- 辣椒叶不健康（bell pepper leaf-unhealthy）：有病害的辣椒叶片。
- 黄瓜叶健康（cucumber leaf - healthy）：健康的黄瓜叶片。
- 黄瓜叶不健康（cucumber leaf - unhealthy）：有病害的黄瓜叶片。
- 黄瓜果实健康（cucumber veggie - healthy）：健康的黄瓜果实。
- 黄瓜果实不健康（cucumber veggie - unhealthy）：有病害的黄瓜果实。
- 黄瓜花叶病（cucumber-mosaic）：黄瓜花叶病毒引起的病害。
- 黄瓜白粉病（cucumber-powdery-mildew）：黄瓜白粉病病害。
- 生菜细菌性叶斑病（lettuce-bacterial leaf spot）：生菜细菌性叶斑病。
- 生菜霜霉病（lettuce-downy mildew）：生菜霜霉病。
- 生菜健康（lettuce-healthy）：健康的生菜叶片。
- 生菜花叶病毒（lettuce-mosaic-virus）：生菜花叶病毒病害。
- 生菜白粉病（lettuce-powdery mildew）：生菜白粉病。
- 生菜 septoria（lettuce-septoria）：生菜 septoria 病害。
- 生菜枯萎和叶枯病（lettuce-wilt and leaf blight）：生菜枯萎和叶枯病。
- 草莓果实健康（strawberry fruit-healthy）：健康的草莓果实。
- 草莓叶健康（strawberry leaf-healthy）：健康的草莓叶片。
- 草莓角斑病（strawberry-angular-leafspot）：草莓角斑病。
- 番茄早疫病（tomato-early blight）：番茄早疫病。
- 番茄健康（tomato-healthy）：健康的番茄叶片。
标注格式：YOLO格式，适用于实例分割任务，标注包含多边形点以精确分割病害区域。
数据格式：图片来源于农业图像采集，覆盖多种农作物和病害状态。
二、适用场景
农业病害智能检测系统开发：
数据集支持实例分割任务，帮助构建能够自动识别并分割农作物病害区域的AI模型，辅助农民和农业专家进行病害诊断和管理。
精准农业与智慧农场应用：
集成至农业监控系统，实现实时病害检测和预警，提升农作物产量和质量。
学术研究与创新：
支持计算机视觉在农业领域的应用研究，促进AI与农业的交叉学科发展。
农业教育与培训：
可用于农业院校或培训课程，作为学生学习病害识别和AI技术应用的实践资源。
三、数据集优势
多样性与全面性：
包含5种常见农作物（辣椒、黄瓜、生菜、草莓、番茄）的20个健康与病害类别，覆盖叶片和果实，具有高度的多样性。
精准标注与高质量：
标注采用实例分割的YOLO格式，能精确标识病害区域的形状，提升模型训练的准确性。
实用性与真实性：
数据来源于真实农业场景，适用于实际农业环境中的病害识别任务。
任务适配性强：
标注兼容主流深度学习框架，如YOLOv5、YOLOv8等，支持实例分割任务，并可扩展到其他视觉任务。
农作物病害实例分割数据集_20251117_001317.zip
数据集介绍：农作物病害实例分割数据集
一、基础信息
• 数据集名称：农作物病害实例分割数据集
• 图片数量：
训练集：258张图片
验证集：23张图片
测试集：9张图片
总计：290张图片
• 训练集：258张图片
• 验证集：23张图片
• 测试集：9张图片
• 总计：290张图片
• 分类类别：
Bacterialblight（细菌性枯萎病）：一种常见的植物细菌性病害，导致叶片枯萎和坏死。
BrownStreakDisease（褐条病）：影响作物的病毒性病害，表现为叶片褐条症状。
MosaicDisease（花叶病）：由病毒引起，叶片出现花叶状斑驳。
• Bacterialblight（细菌性枯萎病）：一种常见的植物细菌性病害，导致叶片枯萎和坏死。
• BrownStreakDisease（褐条病）：影响作物的病毒性病害，表现为叶片褐条症状。
• MosaicDisease（花叶病）：由病毒引起，叶片出现花叶状斑驳。
• 标注格式：YOLO格式，用于实例分割任务，包含多边形标注，精确标注病害区域边界。
• 数据格式：常见图片格式（如JPEG/PNG），来源于农业图像采集。
二、适用场景
• 农业病害AI诊断系统开发：帮助构建自动识别和分割植物病害区域的AI模型，辅助农民和农业专家进行早期诊断和防治。
• 精准农业与智能监测：集成至农业物联网平台，实现实时病害检测，提升作物管理效率。
• 学术研究与农业科技：支持植物病理学与人工智能的交叉研究，推动农业技术创新。
• 农业教育与实践培训：用于农业院校和培训课程，作为植物病害识别和分割的教学材料。
三、数据集优势
• 精准标注与专业性：标注针对病害区域进行实例分割，确保边界精确，由专业标注员或领域专家验证。
• 类别覆盖典型病害：包含三种常见农作物病害，涵盖细菌性和病毒性病害，具有代表性。
• 任务适配性强：标注兼容YOLO等主流框架，直接适用于实例分割任务，便于模型开发和部署。
• 农业应用价值高：专注于农作物健康监测，为病害预防和产量提升提供可靠数据支持。
蓝莓实例分割数据集_20251117_001904.zip
蓝莓实例分割数据集
一、基础信息
• 数据集名称：蓝莓实例分割数据集
• 图片数量：训练集411张，验证集115张，测试集59张，总计585张图片
• 分类类别：蓝莓
• 标注格式：YOLO格式，包含实例分割多边形坐标
• 数据格式：图片数据
二、适用场景
• 农业自动化应用：用于蓝莓果实的精确分割和检测，支持智能农业系统中的自动化收获与质量监控。
• 计算机视觉算法开发：适用于实例分割模型的训练与测试，推动AI在农业领域的创新研究。
• 学术与教育用途：作为高校或培训机构在农业AI和计算机视觉课程中的教学资源，辅助学生学习实例分割技术。
三、数据集优势
• 精准标注：每个蓝莓实例均标注详细的多边形坐标，确保分割任务的准确性和可靠性。
• 任务专用性：专注于蓝莓实例分割，为特定农业应用提供高度相关的数据支持。
• 格式兼容性：YOLO格式兼容主流深度学习框架，便于直接加载和集成到各种AI项目中。
辣椒植物病害目标检测数据集_20251116_191106.zip
一、基础信息
数据集名称：辣椒植物病害目标检测数据集
图片数量：
训练集：703张图片
验证集：87张图片
测试集：41张图片
总计：831张农业图片
分类类别：
卷曲病（curl）：辣椒植物常见病害，叶片卷曲变形。
健康（healthy）：辣椒植物正常生长状态。
斑点病（spot）：叶片出现斑点状病变。
白粉虱（whitefly）：害虫感染导致的植物损害。
黄化病（yellowish）：叶片黄化症状。
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：图片数据，来源于农业环境采集。
二、适用场景
农业病害识别系统开发：
数据集支持目标检测任务，帮助构建能够自动识别辣椒植物病害区域的AI模型，辅助农民及时诊断和处理病害。
智能农业应用集成：
可集成至农业管理平台或移动应用，提供实时病害监测功能，为作物健康管理提供数据支持。
学术研究与创新：
支持植物病理学与计算机视觉交叉领域的研究，助力农业AI技术发展和论文发表。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学习植物病害识别和防治的教学资源。
三、数据集优势
精准标注与多样性：
数据经过专业标注，确保边界框定位准确，类别标签清晰。
包含5个常见辣椒植物病害和健康状态类别，覆盖多种病害类型，提升模型泛化能力。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接加载用于目标检测任务。
农业应用价值高：
专注于辣椒植物病害早期检测，有助于减少作物损失，提高农业生产效率。
草莓病害目标检测数据集_20251117_003236.zip
草莓病害目标检测数据集
一、基础信息
数据集名称：草莓病害目标检测数据集
图片数量：
- 训练集：1437张图片
- 验证集：452张图片
- 测试集：55张图片
- 总计：1944张图片
分类类别：
- Angular Leafspot（角斑病）
- Anthracnose Fruit Rot（炭疽病果腐病）
- Blossom Blight（花枯病）
- Gray Mold（灰霉病）
- Healthy-Leaf -Strawberry（健康草莓叶）
- Healthy-Strawberry（健康草莓）
- Leaf Spot（叶斑病）
- Mulch（覆盖物）
- Powdery Mildew Fruit（果白粉病）
- Powdery Mildew Leaf（叶白粉病）
- non-edible-Strawberry（不可食用草莓）
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
二、适用场景
农业病害AI诊断系统开发：数据集支持目标检测任务，帮助构建能够自动识别草莓病害区域并分类的AI模型，辅助农民和农业专家快速诊断作物健康状况。
智能农业应用研发：集成至农场管理或精准农业系统，提供实时病害监测和预警功能，优化作物保护策略。
学术研究与农业创新：支持植物病理学与计算机视觉交叉领域的研究，推动农业AI技术的发展和实际应用。
农业教育与培训：数据集可用于农业院校或相关培训机构，作为学生学习病害识别和农业管理的实践资源。
三、数据集优势
精准标注与多样性：每张图片经过专业标注，确保病害分类准确，边界框定位精确。包含11个草莓病害和健康状态类别，覆盖常见病害类型和健康样本，具有高度多样性和代表性。
高质量数据：数据来源于真实农业场景，适用于模型对病害特征的细粒度学习和泛化能力提升。
任务适配性强：标注兼容主流深度学习框架（如YOLO等），可直接用于目标检测任务，支持快速模型开发和性能评估。
农业价值突出：专注于草莓病害的早期检测和分类，为作物健康管理、病害防控和农业可持续发展提供重要数据支撑。
叶片病害实例分割数据集_20251117_011010.zip
叶片病害实例分割数据集
一、基础信息
• 数据集名称：叶片病害实例分割数据集
• 图片数量：
训练集：795张图片
验证集：100张图片
测试集：20张图片
总计：915张农业相关图片
• 训练集：795张图片
• 验证集：100张图片
• 测试集：20张图片
• 总计：915张农业相关图片
• 分类类别：
细菌性斑点：由细菌引起的常见植物病害，导致叶片出现斑点状损伤。
卷叶：叶片卷曲现象，可能由病毒或环境因素引发，影响植物生长。
健康叶片：无病害的正常叶片状态，作为基准参考。
• 细菌性斑点：由细菌引起的常见植物病害，导致叶片出现斑点状损伤。
• 卷叶：叶片卷曲现象，可能由病毒或环境因素引发，影响植物生长。
• 健康叶片：无病害的正常叶片状态，作为基准参考。
• 标注格式：YOLO格式，适用于实例分割任务，包含对象类别和边界多边形坐标。
• 数据格式：JPEG图片，来源于农业图像采集，细节清晰，适用于计算机视觉分析。
二、适用场景
• 农业病害智能检测系统开发：数据集支持实例分割任务，帮助构建能够自动识别并分割叶片病害区域的AI模型，辅助农民和农业专家及时诊断和处理植物健康问题。
• 精准农业应用研发：集成至农业管理平台或移动应用，提供实时叶片健康监测功能，优化作物灌溉、施肥和病虫害防治决策。
• 植物病理学研究：支持农业科学与人工智能交叉领域的研究，助力探索病害传播模式、环境影响及防治策略，推动学术创新。
• 农业教育与培训：数据集可用于农业院校、培训机构或在线课程，作为学生学习植物病害识别、分类和实例分割技术的重要实践资源。
三、数据集优势
• 精准标注与类别多样性：每张图片均经过专业标注，确保实例分割边界的准确性；包含三种关键叶片状态（细菌性斑点、卷叶和健康叶片），覆盖常见病害和健康情况，提升模型泛化能力。
• 高质量数据与实用性：图片来源于真实农业环境，细节丰富，适用于模型对叶片纹理和形状的细粒度学习；数据量适中，便于快速实验和部署。
• 任务适配性强：标注兼容主流深度学习框架（如YOLO等），可直接用于实例分割任务，支持从模型训练到评估的全流程，并可扩展至其他农业视觉任务。
• 农业应用价值突出：专注于植物健康监测，为早期病害 detection、精准农业管理和可持续农业发展提供可靠数据支撑，具有较高的实践意义。
草莓疾病关键点检测数据集_20251117_003441.zip
数据集介绍：草莓疾病关键点检测数据集
一、基础信息
数据集名称：草莓疾病关键点检测数据集
图片数量：
- 训练集：1228张图片
- 验证集：349张图片
- 测试集：181张图片
总计：1758张图片
分类类别：
- Angular Leafspot（角斑病）：草莓叶片上的角状斑点疾病。
- Anthracnose Fruit Rot（炭疽病果腐病）：导致草莓果实腐烂的炭疽病。
- Blossom Blight（花腐病）：影响草莓花朵的腐烂病。
- Gray Mold（灰霉病）：常见真菌病，导致果实和叶片霉变。
- Leaf Spot（叶斑病）：叶片上出现斑点。
- Powdery Mildew Fruit（白粉病果）：果实上的白粉病。
- Powdery Mildew Leaf（白粉病叶）：叶片上的白粉病。
标注格式：YOLO格式，包含关键点坐标和类别标签，适用于关键点检测任务。
数据格式：来源于农业图像数据库，细节清晰。
二、适用场景
草莓疾病AI诊断系统开发：数据集支持关键点检测任务，帮助构建能够自动识别草莓疾病区域并分类的AI模型，辅助农民快速诊断。
农业健康应用研发：集成至农业管理应用，提供实时疾病识别功能，为用户提供早期预警和种植建议。
学术研究与农业创新：支持植物病理学与人工智能交叉领域的研究，助力发表高水平农业AI论文。
农业教育与培训：数据集可用于农业院校或培训机构，作为学生学习草莓疾病分类和诊断的重要资源。
三、数据集优势
精准标注与多样性：标注准确，关键点定位精确，覆盖7种常见草莓疾病类别，具有高度多样性。
任务适配性强：标注兼容主流深度学习框架（如YOLO等），可直接加载使用，支持关键点检测任务。
农业价值突出：专注于草莓疾病的早期检测，为作物健康管理和产量提升提供重要数据支撑。
黄麻与杂草分割数据集_20251116_212505.zip
黄麻与杂草分割数据集
一、基础信息
数据集名称：黄麻与杂草分割数据集
图片数量：
训练集：798张图片
验证集：74张图片
测试集：38张图片
总计：910张农业相关图片
分类类别：
黄麻（Jute）：一种重要的经济作物，常用于纺织和农业领域。
杂草（Weed）：农田中常见的非目标植物，可能影响作物生长。
标注格式：YOLO格式，包含多边形标注点，适用于实例分割任务。数据来源于农业场景，图片内容聚焦于植物识别。
二、适用场景
农业自动化与精准农业系统开发：
数据集支持实例分割任务，帮助构建能够自动识别黄麻和杂草区域的AI模型，辅助农田管理和杂草控制。
农业机器人应用：
集成至农业机器人或无人机系统，实现实时植物分割和监测，提升作物产量和效率。
学术研究与创新：
支持农业与计算机视觉交叉领域的研究，助力发表相关AI论文和技术开发。
农业教育与培训：
数据集可用于农业院校或培训机构，作为植物识别和分割技术学习的重要资源。
三、数据集优势
精准标注与实用性：
标注数据采用YOLO格式，多边形标注点准确覆盖植物区域，确保模型训练的高效性和可靠性。
类别聚焦与多样性：
包含黄麻和杂草两个关键类别，覆盖农业常见场景，数据样本多样，提升模型的泛化能力。
任务适配性强：
标注兼容主流深度学习框架，可直接用于实例分割任务，并支持扩展至其他计算机视觉应用。
农业价值突出：
专注于作物与杂草的区分，为农业自动化和精准管理提供关键数据支持，助力可持续农业发展。
植物病害关键点检测数据集_20251117_005616.zip
植物病害关键点检测数据集
一、基础信息
• 数据集名称：植物病害关键点检测数据集
• 图片数量：训练集1054张图片，验证集40张图片，测试集37张图片
• 分类类别：Colletotrichum、oidium、sana
• 标注格式：YOLO格式，适用于关键点检测任务
• 数据格式：图像数据
二、适用场景
• 农业病害智能检测系统开发：用于自动识别和定位植物病害关键点，帮助农民和农业专家进行早期诊断和防治。
• 植物健康管理应用：集成至农业监测设备或移动平台，提供实时病害识别功能，提升作物管理效率。
• 学术研究与创新：支持农业与计算机视觉交叉领域研究，推动AI技术在植物保护中的应用。
• 农业教育与培训：作为教学资源，用于培训学生和从业人员识别常见植物病害。
三、数据集优势
• 精准标注：采用YOLO格式标注，关键点定位准确，适用于细粒度分析和模型训练。
• 类别多样性：包含三种植物病害类别，覆盖多种常见病害类型，增强模型泛化能力。
• 任务适配性强：专为关键点检测任务设计，兼容主流深度学习框架，便于直接应用。
• 应用价值突出：专注于植物病害检测，有助于减少农业损失和提高作物产量。
Bobji与Leaf实例分割数据集_20251116_194425.zip
数据集介绍：Bobji与Leaf实例分割数据集
一、基础信息
• 数据集名称：Bobji与Leaf实例分割数据集
• 图片数量：训练集738张图片，验证集57张图片，测试集56张图片，总计851张图片
• 分类类别：Bobji、Leaf
• 标注格式：YOLO格式，包含实例分割多边形标注，适用于实例分割任务
• 数据格式：JPEG图片
二、适用场景
• 农业监测与植物识别：用于自动检测和分割叶子对象，支持作物健康监测和植物生长状态分析。
• 实例分割算法开发：适用于训练和评估实例分割模型，如Mask R-CNN等，提升对象分割精度。
• 环境与生物学研究：助力植物形态分析和生态系统监控，为科研提供准确的分割数据。
• 智能计数与可视化：基于实例分割结果，实现对象计数和可视化应用，适用于工业和研究领域。
三、数据集优势
• 精准实例标注：每张图片均提供YOLO格式的实例分割多边形标注，确保边界定位精确，支持细粒度分析。
• 明确类别聚焦：专注于Bobji和Leaf两个类别，数据集中，便于模型学习特定对象特征。
• 强任务适配性：标注兼容主流深度学习框架，直接用于实例分割任务，并可扩展至其他计算机视觉应用。
• 实用数据规模：包含851张图片，提供训练、验证和测试集，支持模型开发与评估的全流程。
草莓病害目标检测数据集_20251117_004743.zip
一、基础信息
数据集名称：草莓病害目标检测数据集
图片数量：
训练集：1,675张图片
验证集：490张图片
测试集：293张图片
总计：2,458张图片
分类类别：
- Angular Leafspot（角斑病）：草莓叶片上出现的角状斑点病害。
- Anthracnose Fruit Rot（炭疽病果腐病）：导致草莓果实腐烂的炭疽病。
- Blossom Blight（花枯病）：影响草莓花朵的枯死病害。
- Gray Mold（灰霉病）：常见真菌病害，导致果实和叶片霉变。
- Leaf Spot（叶斑病）：叶片上出现斑点，影响光合作用。
- Powdery Mildew Fruit（白粉病果）：果实表面出现白粉状霉层。
- Powdery Mildew Leaf（白粉病叶）：叶片表面出现白粉状霉层。
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：图片来源于农业图像数据库，格式为常见图像格式如JPEG或PNG。
二、适用场景
农业病害智能检测系统开发：
数据集支持目标检测任务，帮助构建能够自动识别草莓病害区域并分类的AI模型，辅助农民快速诊断和处理病害。
精准农业应用：
集成至农业无人机或地面监控系统，实现大面积草莓园的病害实时监测和预警。
学术研究与创新：
支持农业科学与人工智能交叉领域的研究，助力开发更高效的病害管理算法。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学生学习草莓病害识别和分类的重要资源。
三、数据集优势
精准标注与多样性：
每张图片均经过准确标注，确保病害类别和边界框定位精确。覆盖7种常见草莓病害，包括角斑病、炭疽病果腐病等，具有高度多样性。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接加载使用，适用于目标检测任务。
实际应用价值突出：
专注于草莓病害的早期检测，有助于减少病害传播，提升草莓产量和质量，为精准农业提供数据支持。
农作物病害目标检测数据集_20251116_222351.zip
农作物病害目标检测数据集
一、基础信息
数据集名称：农作物病害目标检测数据集
图片数量：
训练集：2609张图片
验证集：1163张图片
测试集：909张图片
总计：4681张农业图像
分类类别：
豆角角斑病：豆类作物常见叶部病害，导致叶片出现角状斑点。
豆角健康：健康无病害的豆类作物状态。
豆角锈病：豆类锈菌感染引起的叶片锈斑症状。
草莓角斑病：草莓叶片角斑病害，影响植株生长。
草莓炭疽病果腐病：草莓果实炭疽菌感染导致的腐烂问题。
草莓花腐病：草莓花朵受病原侵染引发的腐烂现象。
草莓灰霉病：草莓常见真菌病害，造成果实和叶片霉变。
草莓白粉病（果实）：草莓果实白粉菌感染，表面出现白色粉状物。
草莓白粉病（叶片）：草莓叶片白粉菌感染，影响光合作用。
番茄叶霉病：番茄叶片霉变病害，可能导致产量下降。
番茄早期锈病：番茄锈病早期症状，叶片出现锈色斑点。
番茄红蜘蛛：番茄受红蜘蛛侵害，引发叶片褪色和枯萎。
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：农业图像，来源于作物监测场景，覆盖多种病害状态。
二、适用场景
农业病虫害AI监测系统开发：
数据集支持目标检测任务，帮助构建能够自动识别作物病害区域并分类的AI模型，辅助农民和农业专家快速诊断病虫害问题。
智能农业应用研发：
集成至农业管理平台或移动应用，提供实时病害识别功能，为用户提供早期预警和防治建议，提升作物管理水平。
学术研究与农业创新：
支持农业科学与人工智能交叉领域的研究，助力开发高效病害检测算法，推动精准农业发展。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学生学习作物病害识别和防治技术的重要资源。
三、数据集优势
精准标注与多样性：
标注基于YOLO格式，边界框定位准确，涵盖12种常见农作物病害和健康状态，包括豆类、草莓和番茄等多种作物，具有高度多样性和代表性。
实用性强：
图像来源于实际农业监测场景，覆盖不同生长阶段的病害表现，提升模型在真实环境中的泛化能力。
任务适配性高：
标注兼容主流深度学习框架（如YOLO等），可直接用于目标检测任务，并支持扩展到其他农业视觉应用。
农业价值显著：
专注于早期病害检测（如锈病、白粉病等），帮助减少作物损失，提高农业生产效率和可持续性。
橄榄树病虫害实例分割数据集_20251116_222133.zip
数据集介绍：橄榄树病虫害实例分割数据集
一、基础信息
• 数据集名称：橄榄树病虫害实例分割数据集
• 图片数量：
训练集：1169张图片
验证集：123张图片
测试集：125张图片
总计：1417张农业图像
• 训练集：1169张图片
• 验证集：123张图片
• 测试集：125张图片
• 总计：1417张农业图像
• 分类类别：
橄榄蝇：一种危害橄榄树的害虫，导致果实损坏和产量下降。
结核病：橄榄结核病，一种细菌性病害，形成肿瘤状结构影响树木健康。
黑色蚧壳虫：常见害虫，吸食树液并削弱树木生长。
状态良好：健康橄榄树状态，无病虫害迹象。
孔雀眼：橄榄孔雀眼病，真菌病害，叶片出现特征性眼状斑点。
木虱：木虱害虫，传播疾病并导致叶片卷曲和脱落。
• 橄榄蝇：一种危害橄榄树的害虫，导致果实损坏和产量下降。
• 结核病：橄榄结核病，一种细菌性病害，形成肿瘤状结构影响树木健康。
• 黑色蚧壳虫：常见害虫，吸食树液并削弱树木生长。
• 状态良好：健康橄榄树状态，无病虫害迹象。
• 孔雀眼：橄榄孔雀眼病，真菌病害，叶片出现特征性眼状斑点。
• 木虱：木虱害虫，传播疾病并导致叶片卷曲和脱落。
• 标注格式：YOLO格式，包含实例分割多边形标注，适用于实例分割任务。
• 数据格式：JPEG图片，来源于农业环境图像采集，涵盖多种光照和背景条件。
二、适用场景
• 农业病虫害智能检测系统开发：支持构建AI模型，自动识别和分割橄榄树病虫害区域，辅助农民进行精准治理和决策。
• 智能农业应用集成：可集成至农业管理平台，提供实时病害监测和预警功能，提升果园管理效率。
• 学术研究与创新：适用于农业AI、植物保护及计算机视觉交叉领域的研究，推动病虫害识别技术的进步。
• 农业教育与培训：用于农业院校和培训机构，作为学习病虫害识别和实例分割技术的重要资源。
三、数据集优势
• 精准实例分割标注：每个病虫害区域由专家进行多边形标注，确保边界定位精确，支持细粒度分析。
• 类别多样性与代表性：覆盖6种常见橄榄树病虫害和健康状态，包括害虫和病害，增强模型在真实农业场景中的泛化能力。
• 格式兼容与易用性：YOLO标注格式兼容主流深度学习框架（如YOLO、PyTorch等），便于快速加载和训练。
• 农业实践价值突出：专注于橄榄树健康管理，帮助早期发现和处理病虫害，支持可持续农业和产量提升。
草莓病害实例分割数据集_20251117_004001.zip
数据集介绍：草莓病害实例分割数据集
一、基础信息
• 数据集名称：草莓病害实例分割数据集
• 图片数量：训练集：3013张图片，验证集：860张图片，测试集：431张图片，总计：4304张图片
• 分类类别：
Angular Leafspot（角斑病）：细菌性病害，导致草莓叶片出现角状水浸斑。
Anthracnose Fruit Rot（炭疽病果实腐烂）：真菌病害，引起果实腐烂和病斑。
Blossom Blight（花腐病）：花部病害，导致花朵枯萎和腐烂。
Gray Mold（灰霉病）：由灰葡萄孢菌引起，常见于果实和花朵，形成灰色霉层。
Leaf Spot（叶斑病）：叶片病害，出现圆形或不规则斑点。
Powdery Mildew Fruit（白粉病果实）：白粉菌感染果实，表面覆盖白粉。
Powdery Mildew Leaf（白粉病叶）：白粉菌感染叶片，影响光合作用。
• Angular Leafspot（角斑病）：细菌性病害，导致草莓叶片出现角状水浸斑。
• Anthracnose Fruit Rot（炭疽病果实腐烂）：真菌病害，引起果实腐烂和病斑。
• Blossom Blight（花腐病）：花部病害，导致花朵枯萎和腐烂。
• Gray Mold（灰霉病）：由灰葡萄孢菌引起，常见于果实和花朵，形成灰色霉层。
• Leaf Spot（叶斑病）：叶片病害，出现圆形或不规则斑点。
• Powdery Mildew Fruit（白粉病果实）：白粉菌感染果实，表面覆盖白粉。
• Powdery Mildew Leaf（白粉病叶）：白粉菌感染叶片，影响光合作用。
• 标注格式：YOLO格式，用于实例分割任务，包含多边形点标注。
• 数据格式：JPEG图片。
二、适用场景
• 农业AI病害检测系统开发：数据集支持实例分割任务，帮助构建能够自动识别和分割草莓病害区域的AI模型，辅助农民精准施药和管理。
• 精准农业应用研发：集成至农业智能系统中，提供实时病害监测和预警功能，提升作物健康管理。
• 学术研究与创新：支持植物保护与计算机视觉交叉领域的研究，推动农业AI技术发展。
• 农业教育与培训：用于农业院校或培训机构，作为学习病害识别和分割的实践资源。
三、数据集优势
• 精准标注与多样性：每张图片均由专家标注，确保实例分割的准确性；覆盖7种常见草莓病害，包括不同生长阶段和环境条件，具有高度多样性。
• 任务适配性强：标注兼容主流深度学习框架（如YOLO等），可直接用于实例分割模型训练；支持从分割扩展到检测、分类等多种任务需求。
• 农业价值突出：专注于草莓病害的实例分割，为早期病害发现和防治提供重要数据支撑，有助于减少农药使用和提高作物产量。
植物健康与疾病目标检测数据集_20251116_235758.zip
一、基础信息
数据集名称：植物健康与疾病目标检测数据集
图片数量：
训练集：3642张图片
验证集：346张图片
测试集：163张图片
总计：4151张图片
分类类别：
- 霜霉病叶（DOWNYMILDEWLEAF）：由霜霉病引起的叶片病害，常见于潮湿环境。
- 叶螨叶（LEAFMINNERLEAF）：受叶螨侵害的叶片，表现为叶片 mines 或损害。
- 白粉病叶（POWDERMILDEWLEAF）：受白粉病感染的叶片，表面有白色粉末状物质。
- 疾病花（diseasflower）：出现病害症状的花朵，可能影响授粉和结果。
- 疾病豆荚（diseaspod）：受病害影响的豆荚，可能导致减产。
- 健康花（healthyflower）：无病害的健康花朵，正常生长状态。
- 健康叶（healthyleaf）：无病害的健康叶片，光合作用正常。
- 健康豆荚（healthypod）：无病害的健康豆荚，保证作物产量。
- 锈病（rust）：由锈菌引起的植物病害，常见于谷物和豆类。
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：标准图片格式，来源于农业图像数据。
二、适用场景
植物疾病AI诊断系统开发：数据集支持目标检测任务，帮助构建能够自动识别植物疾病和健康部位的AI模型，辅助农业工作者快速诊断和采取措施。
精准农业管理：集成至农业智能系统中，提供实时植物健康监测功能，优化资源分配和病虫害防治。
学术研究与创新：支持农业科学与人工智能交叉领域的研究，推动智能农业技术的发展。
农业教育与培训：数据集可用于农业院校或培训机构的课程，作为学生学习植物疾病识别和分类的实践资源。
三、数据集优势
类别多样性与覆盖广泛：包含9个植物健康与疾病类别，覆盖叶片、花朵、豆荚等多个部位，增强模型在真实农业环境中的适用性。
标注质量高：标注数据采用YOLO格式，边界框精确，类别标签准确，便于模型训练。
即插即用兼容性：标注格式兼容主流深度学习框架（如YOLO、PyTorch、TensorFlow等），可直接加载使用，减少数据预处理时间。
农业应用价值显著：专注于植物健康监测和疾病早期检测，有助于提高作物产量、减少化学农药使用，促进可持续农业。
苹果病害实例分割数据集_20251116_185008.zip
苹果病害实例分割数据集
一、基础信息
数据集名称：苹果病害实例分割数据集
图片数量：
训练集：765张图片
验证集：45张图片
总计：810张农业图片
分类类别：
- 白粉病（Powdery Mildew）：常见的真菌病害，影响苹果树叶和果实。
- 锈病（Rust）：由锈菌引起的病害，导致叶片出现橙色斑点。
- 疮痂病（Scab）：真菌病害，在果实和叶片上形成疮痂状病变。
标注格式：
YOLO格式，包含实例分割多边形标注和类别标签，适用于实例分割任务。
数据格式：图片来源于农业图像数据库，细节清晰。
二、适用场景
农业病害智能识别系统开发：
数据集支持实例分割任务，帮助构建能够自动识别和分割苹果病害区域的AI模型，辅助农民快速诊断病害。
精准农业应用研发：
集成至农业管理平台，提供实时病害监测功能，为果园管理提供决策支持。
学术研究与创新：
支持农业与人工智能交叉领域的研究，助力发表高水平农业AI论文。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学习病害识别和治理的重要资源。
三、数据集优势
精准标注与针对性：
每张图片均针对三种常见苹果病害进行标注，确保分类准确，分割区域精确。
覆盖主要苹果病害类型，具有高度实用性。
图像质量适用：
图片来源于实际农业环境，适用于模型对病害特征的细粒度学习。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接加载使用，支持实例分割任务。
农业价值突出：
专注于苹果常见病害的检测，为病害的早期发现和防治提供重要数据支撑。
柑橘病害实例分割数据集_20251116_185414.zip
苹果病害实例分割数据集
一、基础信息
数据集名称：苹果病害实例分割数据集
图片数量：
训练集：765张图片
验证集：45张图片
总计：810张农业图片
分类类别：
- 白粉病（Powdery Mildew）：常见的真菌病害，影响苹果树叶和果实。
- 锈病（Rust）：由锈菌引起的病害，导致叶片出现橙色斑点。
- 疮痂病（Scab）：真菌病害，在果实和叶片上形成疮痂状病变。
标注格式：
YOLO格式，包含实例分割多边形标注和类别标签，适用于实例分割任务。
数据格式：图片来源于农业图像数据库，细节清晰。
二、适用场景
农业病害智能识别系统开发：
数据集支持实例分割任务，帮助构建能够自动识别和分割苹果病害区域的AI模型，辅助农民快速诊断病害。
精准农业应用研发：
集成至农业管理平台，提供实时病害监测功能，为果园管理提供决策支持。
学术研究与创新：
支持农业与人工智能交叉领域的研究，助力发表高水平农业AI论文。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学习病害识别和治理的重要资源。
三、数据集优势
精准标注与针对性：
每张图片均针对三种常见苹果病害进行标注，确保分类准确，分割区域精确。
覆盖主要苹果病害类型，具有高度实用性。
图像质量适用：
图片来源于实际农业环境，适用于模型对病害特征的细粒度学习。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接加载使用，支持实例分割任务。
农业价值突出：
专注于苹果常见病害的检测，为病害的早期发现和防治提供重要数据支撑。
草莓病害实例分割数据集_20251117_004519.zip
草莓病害实例分割数据集
一、基础信息
• 数据集名称：草莓病害实例分割数据集
• 图片数量：训练集1732张图片、验证集490张图片、测试集238张图片，总计2460张图片
• 分类类别：
Angular Leafspot（角斑病）：常见草莓叶片病害，特征为角状病斑
Anthracnose Fruit Rot（炭疽病果腐病）：果实腐烂病害，由炭疽菌引起
Blossom Blight（花枯病）：花朵枯萎病害，影响草莓授粉
Gray Mold（灰霉病）：常见真菌病害，导致果实和叶片霉变
Leaf Spot（叶斑病）：叶片斑点病害，可能由多种病原引起
Powdery Mildew Fruit（白粉病果）：果实表面白粉状霉层病害
Powdery Mildew Leaf（白粉病叶）：叶片表面白粉状霉层病害
• Angular Leafspot（角斑病）：常见草莓叶片病害，特征为角状病斑
• Anthracnose Fruit Rot（炭疽病果腐病）：果实腐烂病害，由炭疽菌引起
• Blossom Blight（花枯病）：花朵枯萎病害，影响草莓授粉
• Gray Mold（灰霉病）：常见真菌病害，导致果实和叶片霉变
• Leaf Spot（叶斑病）：叶片斑点病害，可能由多种病原引起
• Powdery Mildew Fruit（白粉病果）：果实表面白粉状霉层病害
• Powdery Mildew Leaf（白粉病叶）：叶片表面白粉状霉层病害
• 标注格式：YOLO格式，适用于实例分割任务，精确标注病害区域边界
• 数据格式：图片数据，来源于农业图像采集
二、适用场景
• 智能农业病害检测系统开发：数据集支持实例分割任务，帮助构建能够自动识别并定位草莓病害区域的AI模型，辅助农民进行早期病害诊断和精准管理。
• 农业研究与创新：支持植物病理学与人工智能交叉领域的研究，加速开发高效的病害预警和防治方案。
• 农业教育与培训：可用于农业院校或培训机构的实践教学，帮助学生和从业人员学习草莓病害识别与分类技术。
• 农业机器人集成：集成至农业机器人或无人机系统，实现大面积农田的自动化病害监测与数据收集。
三、数据集优势
• 精准实例分割标注：每张图片均经过精细标注，使用实例分割技术精确勾勒病害区域形状，确保模型学习到细节特征，提升检测准确性。
• 类别多样性与全面性：覆盖7种常见草莓病害，包括叶片、花朵和果实等多个部位，涵盖不同病害阶段，增强模型的泛化能力和实用性。
• 格式兼容与易用性：标注兼容主流深度学习框架（如YOLO），可直接加载用于实例分割模型的训练和评估，简化开发流程。
• 农业应用价值突出：专注于草莓病害检测，为智慧农业提供关键数据支撑，有助于减少作物损失、优化农药使用和提高农业生产效率。
草莓病害实例分割数据集_20251117_003623.zip
草莓病害实例分割数据集
一、基础信息
数据集名称：草莓病害实例分割数据集
图片数量：
训练集：1437张图片
验证集：307张图片
测试集：715张图片
总计：2459张农业场景图片
分类类别：
Angular Leafspot、Anthracnose Fruit Rot、Blossom Blight、Gray Mold、Leaf Spot、Powdery Mildew Fruit、Powdery Mildew Leaf
标注格式：
YOLO格式，包含实例分割的多边形坐标点标注，适用于实例分割任务。
数据格式：来源于农业图像数据库，覆盖草莓植株和果实的多种病害场景。
二、适用场景
草莓病害AI诊断系统开发：
数据集支持实例分割任务，帮助构建能够自动识别和分割草莓病害区域的AI模型，辅助农民和农业专家进行精准病害诊断与监测。
精准农业应用研发：
集成至农业智能管理系统，提供实时病害识别功能，优化作物保护策略和资源分配。
学术研究与农业创新：
支持农业与计算机视觉交叉领域的研究，推动智能农业技术的发展和论文发表。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学生学习植物病害识别和管理的实践资源。
三、数据集优势
精准标注与多样性：
标注基于YOLO格式，提供精确的病害区域多边形坐标，确保分割边界准确。
覆盖7种常见草莓病害类别，包括叶部与果实病害，具有高度多样性和代表性。
高质量农业场景数据：
图片来源于真实农业环境，涵盖不同生长阶段的草莓植株，提升模型在复杂场景下的泛化能力。
任务适配性强：
标注兼容主流深度学习框架，直接支持实例分割任务，并可扩展至其他计算机视觉应用。
应用价值突出：
专注于草莓病害的早期检测与分类，为农业生产中的病害预防和治理提供关键数据支撑。
叶子目标检测数据集_20251116_220715.zip
一、基础信息
数据集名称：叶子目标检测数据集
图片数量：
训练集：1,866张图片
验证集：180张图片
测试集：88张图片
总计：2,134张图片
分类类别：
叶子（Leaf）：植物叶子目标，用于检测任务。
标注格式：
YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：JPEG图片，来源于植物图像数据库。
二、适用场景
农业AI系统开发：
数据集支持目标检测任务，帮助构建能够自动识别和定位叶子的AI模型，用于植物健康监测、生长分析和病害识别。
生物学研究：
支持植物学研究和分类分析，助力科学家进行叶子形态和分布研究。
环境监测：
集成至环境或农业监测系统，用于森林或农作物监测，提供实时叶子检测功能。
教育用途：
数据集可用于教育机构，作为植物学教学和AI目标检测培训的实践资源。
三、数据集优势
精准标注与多样性：
每张图片均经过标注，确保叶子边界框定位精确，类别标签准确。
包含多种视角和条件下的叶子图像，增强数据多样性和模型泛化能力。
任务适配性强：
标注兼容主流深度学习框架（如YOLO），可直接加载使用，适用于目标检测任务。
应用价值突出：
专注于叶子检测，为农业自动化、植物研究和环境监测提供重要数据支撑。
多作物植物病害实例分割数据集_20251116_184428.zip
数据集介绍：多作物植物病害实例分割数据集
一、基础信息
• 数据集名称：多作物植物病害实例分割数据集
• 图片数量：
训练集：867张图片
验证集：312张图片
测试集：176张图片
总计：1,355张农业图像
• 训练集：867张图片
• 验证集：312张图片
• 测试集：176张图片
• 总计：1,355张农业图像
• 分类类别：
BeanAngularLeafSpot（豆类角斑病）：豆类植物常见细菌性病害，导致叶片出现角状斑点。
BeanHealthy（豆类健康叶片）：无病害的健康豆类叶片。
BeanRust（豆类锈病）：真菌性病害，叶片出现锈色孢子堆。
Strawberry leafspot（草莓叶斑病）：草莓叶片真菌病害，形成褐色斑点。
StrawberryAngularLeafSpot（草莓角斑病）：草莓细菌性角斑病。
StrawberryAnthracnoseFruitRot（草莓炭疽病果腐病）：果实炭疽病导致腐烂。
StrawberryBlossomBlight（草莓花腐病）：花朵感染病害。
StrawberryGrayMold（草莓灰霉病）：常见真菌病害，导致果实和叶片霉变。
StrawberryPowderyMildewFruit（草莓白粉病果实）：白粉病感染果实。
StrawberryPowderyMildewLeaf（草莓白粉病叶片）：白粉病感染叶片。
TomatoLeafMold（番茄叶霉病）：番茄常见真菌病害。
TomatoRustEarly（番茄早期锈病）：锈病早期症状。
TomatoSpiderMites（番茄红蜘蛛危害）：害虫危害导致叶片损伤。
• BeanAngularLeafSpot（豆类角斑病）：豆类植物常见细菌性病害，导致叶片出现角状斑点。
• BeanHealthy（豆类健康叶片）：无病害的健康豆类叶片。
• BeanRust（豆类锈病）：真菌性病害，叶片出现锈色孢子堆。
• Strawberry leafspot（草莓叶斑病）：草莓叶片真菌病害，形成褐色斑点。
• StrawberryAngularLeafSpot（草莓角斑病）：草莓细菌性角斑病。
• StrawberryAnthracnoseFruitRot（草莓炭疽病果腐病）：果实炭疽病导致腐烂。
• StrawberryBlossomBlight（草莓花腐病）：花朵感染病害。
• StrawberryGrayMold（草莓灰霉病）：常见真菌病害，导致果实和叶片霉变。
• StrawberryPowderyMildewFruit（草莓白粉病果实）：白粉病感染果实。
• StrawberryPowderyMildewLeaf（草莓白粉病叶片）：白粉病感染叶片。
• TomatoLeafMold（番茄叶霉病）：番茄常见真菌病害。
• TomatoRustEarly（番茄早期锈病）：锈病早期症状。
• TomatoSpiderMites（番茄红蜘蛛危害）：害虫危害导致叶片损伤。
• 标注格式：YOLO格式，包含实例分割多边形坐标和类别标签，适用于实例分割任务。
• 数据格式：JPEG图像，来源于农业田间拍摄。
二、适用场景
• 农业病害智能识别系统开发：数据集支持实例分割任务，帮助构建能够自动分割植物病害区域并分类的AI模型，辅助农民和农业专家快速诊断。
• 精准农业与智慧农场应用：集成至农业管理平台，提供实时病害监测和预警功能，优化作物保护策略。
• 学术研究与创新：支持植物病理学与人工智能交叉领域的研究，推动农业AI技术发展。
• 农业教育与培训：数据集可用于农业院校或培训机构，作为学习植物病害识别和管理的教学资源。
三、数据集优势
• 精准标注与多样性：标注经过严格处理，确保病害区域分割精确。覆盖豆类、草莓、番茄等多种作物和13个病害类别，具有高度多样性。
• 高质量图像：图像来源于真实农业环境，适用于模型对病害特征的细粒度学习。
• 任务适配性强：标注兼容主流深度学习框架（如YOLO等），可直接用于实例分割任务，并支持扩展到其他计算机视觉任务。
• 农业应用价值突出：专注于常见植物病害的检测，为病害早期发现和防治提供数据支撑，提升农业生产效率。
马铃薯叶子病害实例分割数据集_20251116_185913.zip
马铃薯叶子病害实例分割数据集
一、基础信息
• 数据集名称：马铃薯叶子病害实例分割数据集
• 图片数量：
训练集：3304张图片
验证集：354张图片
测试集：354张图片
总计：4012张图片
• 训练集：3304张图片
• 验证集：354张图片
• 测试集：354张图片
• 总计：4012张图片
• 分类类别：
potatoleafearlyblight（马铃薯叶子早疫病）：由真菌引起的早期病害，导致叶子出现病斑和褪色。
potatoleafhealthy（健康马铃薯叶子）：无病害症状，叶子呈现正常生长状态。
potatoleaflateblight（马铃薯叶子晚疫病）：严重真菌病害，可导致叶子枯死和作物损失。
• potatoleafearlyblight（马铃薯叶子早疫病）：由真菌引起的早期病害，导致叶子出现病斑和褪色。
• potatoleafhealthy（健康马铃薯叶子）：无病害症状，叶子呈现正常生长状态。
• potatoleaflateblight（马铃薯叶子晚疫病）：严重真菌病害，可导致叶子枯死和作物损失。
• 标注格式：YOLO格式，包含实例分割的多边形标注和类别标签，适用于实例分割任务。
• 数据格式：图片数据，适用于计算机视觉模型训练。
二、适用场景
• 农业病害智能检测系统开发：数据集支持实例分割任务，帮助构建能够精确识别和分割马铃薯叶子病害区域的AI模型，辅助农民进行早期病害诊断和防治。
• 精准农业与作物监测：可集成至无人机或农业机器人视觉系统，实现大面积农田的自动病害监测，提升农业管理效率。
• 植物病理学研究：支持植物病害与人工智能交叉领域的研究，助力开发新型病害预测和防治方法。
• 农业教育与培训：数据集可用于农业院校或培训机构的实践教学，帮助学生和从业者学习病害识别和AI技术应用。
三、数据集优势
• 高度专注的数据内容：专注于马铃薯叶子常见病害，包括早疫病和晚疫病，以及健康状态，数据针对性强，直接服务于农业需求。
• 精细的实例分割标注：采用YOLO格式提供多边形分割标注，确保病害区域的精确识别，支持模型进行细粒度特征学习。
• 充足的数据规模：包含超过4000张图片，覆盖训练、验证和测试集，保障模型训练的有效性和泛化能力。
• 清晰的类别定义：三个类别明确区分病害类型和健康状态，简化模型学习过程，提升分类准确性和实用性。
番石榴病害实例分割数据集_20251116_204328.zip
番石榴病害实例分割数据集
一、基础信息
数据集名称：番石榴病害实例分割数据集
图片数量：
训练集：2,972张图片
验证集：424张图片
测试集：853张图片
分类类别：
Canker（溃疡病）：番石榴常见病害，表现为枝干或果实上的溃疡斑块。
Dot（斑点病）：果实或叶片上出现的小斑点，可能影响品质。
Healthy（健康状态）：无病害感染的正常番石榴样本。
Mummification（僵化病）：果实干瘪僵化，常见于真菌感染。
Phytopthora（疫病）：由疫霉菌引起，导致根腐或果实腐烂。
Rust（锈病）：叶片或果实上出现锈色斑点，影响光合作用。
Scab（疮痂病）：果实表面形成疮痂状病变，降低市场价值。
Styler_Root（根腐病）：根部腐烂，影响植株生长和产量。
标注格式：YOLO格式，包含实例分割的多边形坐标，适用于实例分割任务。
数据格式：来源于农业图像数据库的图片，细节清晰，覆盖多种病害状态。
二、适用场景
农业病害智能检测系统开发：
数据集支持实例分割任务，帮助构建能够自动识别和分割番石榴病害区域的AI模型，辅助农民或农业专家快速诊断和监测病害。
精准农业应用研发：
集成至农业管理系统中，提供实时病害识别功能，为作物保护决策提供数据支持。
学术研究与农业创新：
支持植物病理学与计算机视觉交叉领域的研究，助力农业AI技术的发展和论文发表。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学习番石榴病害识别和防治的重要教学资源。
三、数据集优势
精准标注与多样性：
每张图片均由农业专家标注，确保病害分类准确，分割边界精确。
包含8个常见番石榴病害和健康类别，覆盖从轻微斑点到严重根腐等多种状态，具有高度多样性。
高质量图片与广泛覆盖：
图片来源于实际农业环境，涵盖不同生长阶段和病害严重程度，提升模型的泛化能力。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接用于实例分割任务，并支持扩展至其他计算机视觉应用。
农业价值突出：
专注于番石榴病害的早期检测和分类，为作物健康管理和产量提升提供关键数据支撑。
新鲜与腐烂水果蔬菜检测数据集_20251116_203459.zip
新鲜与腐烂水果蔬菜检测数据集
一、基础信息
数据集名称：新鲜与腐烂水果蔬菜检测数据集
图片数量：
- 训练集：2,731张图片
- 验证集：320张图片
- 测试集：158张图片
总计：3,209张图片，涵盖多种水果蔬菜场景
分类类别：
- Fresh Apple（新鲜苹果）
- Fresh Banana（新鲜香蕉）
- Fresh Orange（新鲜橙子）
- Fresh Potato（新鲜土豆）
- Fresh Strawberry（新鲜草莓）
- Fresh Tomato（新鲜番茄）
- Random Images（随机图像）
- Rotten Apple（腐烂苹果）
- Rotten Banana（腐烂香蕉）
- Rotten Orange（腐烂橙子）
- Rotten Potato（腐烂土豆）
- Rotten Strawberry（腐烂草莓）
- Rotten Tomato（腐烂番茄）
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。数据来源于实际场景，涵盖不同状态的水果蔬菜图像。
二、适用场景
农业质量检测与自动化分拣：
数据集支持目标检测任务，帮助构建AI模型自动识别水果蔬菜的新鲜与腐烂状态，适用于农场、仓库或加工厂的自动化分拣系统，提升效率和减少浪费。
零售与供应链管理：
集成至超市或生鲜零售系统，实时监控商品质量，提供库存管理和消费者提示功能，优化商品陈列和减少损失。
食品加工与安全监控：
用于食品加工生产线，自动检测原料状态，确保产品质量和安全，支持合规性检查。
教育与研究：
适用于农业科技和计算机视觉领域的学术研究，作为教学资源帮助学生和开发者学习目标检测模型的应用。
三、数据集优势
多样性与覆盖广泛：
包含13个类别，覆盖常见水果蔬菜的新鲜和腐烂状态，样本丰富，提升模型对不同场景的适应能力。
标注精准与实用性：
标注基于YOLO格式，边界框定位准确，便于直接用于主流深度学习框架的训练和评估。
实际应用价值高：
专注于农业和零售领域的实际需求，帮助减少食品浪费和优化资源管理，具有显著的经济和社会效益。
任务适配性强：
支持目标检测任务，并可扩展至分类或质量评估等衍生应用，满足多种AI开发需求。
农作物病害目标检测数据集_20251116_222721.zip
农作物病害目标检测数据集
一、基础信息
数据集名称：农作物病害目标检测数据集
图片数量：
训练集：2,617张图片
验证集：740张图片
测试集：365张图片
总计：3,722张图片
分类类别：
Angular Leafspot（角斑病）：叶片上常见的角状斑点病害，影响植物生长。
Anthracnose Fruit Rot（炭疽病果腐病）：导致果实腐烂的常见真菌病害。
Blossom Blight（花腐病）：影响花朵的病害，可能导致落花和减产。
Gray Mold（灰霉病）：由真菌引起，常见于潮湿环境，导致组织腐烂。
Leaf Spot（叶斑病）：叶片上出现斑点，可能由多种病原体引起。
Powdery Mildew Fruit（果实白粉病）：果实表面覆盖白色粉状霉菌，影响品质。
Powdery Mildew Leaf（叶片白粉病）：叶片上出现白粉状霉菌，阻碍光合作用。
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：图片来源于农业领域，涵盖多种植物病害场景。
二、适用场景
农业病害智能识别系统开发：
数据集支持目标检测任务，帮助构建能够自动检测和分类农作物病害的AI模型，辅助农民和农业专家快速诊断病害，提升作物管理效率。
智能农业应用研发：
集成至农业监控系统或移动应用，提供实时病害识别功能，为精准农业和病虫害防治提供数据支持。
学术研究与农业创新：
支持农业科学与人工智能交叉领域的研究，助力开发高效的病害预警和防控策略。
农业教育与培训：
数据集可用于农业院校或培训项目，作为学生学习植物病害识别和管理的实践资源。
三、数据集优势
精准标注与多样性：
每张图片均经过专业标注，确保边界框定位准确，类别标签可靠。
包含7种常见农作物病害类别，覆盖叶片、花朵和果实等多种部位，具有广泛的代表性。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接用于目标检测模型的训练和评估。
数据量充足，训练集、验证集和测试集分布合理，支持模型泛化能力的提升。
农业应用价值突出：
专注于常见农作物病害的检测，为早期病害诊断和防治提供重要数据基础，有助于减少农业损失和提高产量。
草莓病害检测数据集_20251117_002618.zip
一、基础信息
数据集名称：草莓病害检测数据集
图片数量：
训练集：1,721张图片
验证集：492张图片
测试集：247张图片
总计：2,460张图片
分类类别：
Angular Leafspot（角斑病）、Anthracnose Fruit Rot（炭疽病果实腐烂）、Blossom Blight（花腐病）、Gray Mold（灰霉病）、Leaf Spot（叶斑病）、Powdery Mildew Fruit（白粉病果实）、Powdery Mildew Leaf（白粉病叶片）
标注格式：
YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：图片数据，来源于农业图像采集。
二、适用场景
农业病害AI识别系统开发：
数据集支持目标检测任务，帮助构建能够自动识别草莓植物病害区域并分类的AI模型，辅助农民和农业专家快速诊断和处理。
精准农业应用研发：
集成至农业智能管理系统中，提供实时病害监测功能，为作物保护提供数据支持。
学术研究与创新：
支持植物病理学与人工智能交叉领域的研究，助力农业科技发展。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学习草莓病害识别和防治的重要资源。
三、数据集优势
精准标注与多样性：
每张图片均经过标注，确保类别准确，边界框定位精确。
包含7种常见草莓病害类别，覆盖叶部和果实病害，具有高度多样性。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接加载使用，适用于目标检测任务。
实用价值突出：
专注于草莓病害的检测，为农业病害预防和治疗提供重要数据支撑，有助于提升作物产量和质量。
辣椒叶子健康检测数据集_20251116_193643.zip
辣椒叶子健康检测数据集
一、基础信息
数据集名称：辣椒叶子健康检测数据集
图片数量：
训练集：2352张图片
验证集：167张图片
测试集：84张图片
总计：2603张图片
分类类别：
- 叶子斑点（Bercak Daun）：表示叶子表面出现病斑，可能由病害或环境因素引起。
- 黄叶（Daun Kuning）：叶子变黄，常见于营养缺乏或早期病害阶段。
- 健康叶（Daun sehat）：叶子处于正常健康状态，无可见异常。
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：图片文件，来源于农业场景，细节清晰。
二、适用场景
智能农业监测系统开发：数据集支持目标检测任务，帮助构建自动识别辣椒叶子健康状况的AI模型，辅助农民及时检测病害并采取干预措施。
农业研究与创新：支持植物病理学和精准农业研究，用于开发病害预警模型和优化作物管理策略。
农业教育与应用：可用于农业院校或培训项目，作为学生学习叶子病害识别和诊断的实践资源。
移动农业应用集成：集成到智能手机或无人机系统中，提供实时叶子健康监测功能，提升田间管理效率。
三、数据集优势
精准标注与实用性：标注基于真实农业数据，确保类别和边界框准确，适用于实际场景的模型训练。
类别覆盖全面：包含三种关键叶子状态（斑点、黄叶、健康），覆盖常见健康问题，提升模型多样性。
任务适配性强：YOLO格式兼容主流深度学习框架，便于快速部署到目标检测任务中。
实际应用价值：专注于农业健康监测，为智能农业解决方案提供数据支撑，帮助提高作物产量和减少损失。
辣椒植物健康状态实例分割数据集_20251116_191329.zip
数据集介绍：辣椒植物健康状态实例分割数据集
一、基础信息
• 数据集名称：辣椒植物健康状态实例分割数据集
• 图片数量：
训练集：1670张图片
验证集：98张图片
测试集：49张图片
总计：1817张图片
• 训练集：1670张图片
• 验证集：98张图片
• 测试集：49张图片
• 总计：1817张图片
• 分类类别：
CurlVirus（卷叶病毒）：常见的辣椒病毒病，导致叶片卷曲和生长受阻。
Healthy（健康）：健康的辣椒植物状态，作为正常对照。
Leafspot（叶斑病）：由真菌或细菌引起的叶部斑点病害。
Whitefly（白粉虱）：常见害虫，吸食植物汁液并传播病毒。
• CurlVirus（卷叶病毒）：常见的辣椒病毒病，导致叶片卷曲和生长受阻。
• Healthy（健康）：健康的辣椒植物状态，作为正常对照。
• Leafspot（叶斑病）：由真菌或细菌引起的叶部斑点病害。
• Whitefly（白粉虱）：常见害虫，吸食植物汁液并传播病毒。
• 标注格式：YOLO格式，包含实例分割的多边形标注，适用于实例分割任务。
• 数据格式：JPEG图片，来源于农业环境拍摄。
二、适用场景
• 农业AI健康监测系统开发：数据集支持实例分割任务，帮助构建能够自动识别和分割辣椒植物病害区域和害虫的AI模型，辅助农民进行精准施药和病害管理。
• 智能农业应用研发：集成至农业物联网平台，提供实时植物健康分析功能，提升农场管理效率。
• 学术研究与创新：支持农业植物保护与计算机视觉结合的研究，推动AI在农业中的应用。
• 农业教育与实践：数据集可用于农业院校的教学，帮助学生识别植物病害和害虫。
三、数据集优势
• 精准标注与多样性：标注经过仔细校验，确保实例分割的准确性。包含4个关键类别，覆盖辣椒常见健康问题，数据具有代表性。
• 高实用性：图片来源于真实农场环境，适用于实际农业场景的模型训练。
• 任务适配性强：标注兼容YOLO等深度学习框架，便于直接用于实例分割模型开发。
• 农业效益显著：专注于辣椒作物保护，有助于减少病害损失和提高农产品质量。
植物叶子病害目标检测数据集_20251116_225623.zip
一、基础信息
数据集名称：植物叶子病害目标检测数据集
图片数量：
训练集：2,310张图片
验证集：256张图片
测试集：242张图片
总计：2,808张图片
分类类别：
- 0: 类别0
- Leaf: 叶子
- Symptoms: 病害症状
- fr: fr
- hand: 手部
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。
数据格式：JPEG图片，来源于农业图像数据库。
二、适用场景
农业植物病害AI诊断系统开发：
数据集支持目标检测任务，帮助构建能够自动识别植物叶子病害症状并分类的AI模型，辅助农民和农业专家快速诊断。
智能农业机器人视觉系统：
集成至农业机器人或监控系统，实现实时病害检测和作物健康管理，提升农业生产效率。
学术研究与创新：
支持农业与计算机视觉交叉领域的研究，为植物病害识别和分类算法开发提供数据支撑。
教育与培训：
可用于农业院校或培训机构，作为学生学习植物病害识别和AI技术应用的重要资源。
三、数据集优势
多类别覆盖：
包含5个类别，覆盖叶子、病害症状、果实和手部等多种对象，提供丰富的学习样本，增强模型泛化能力。
标注精准：
使用YOLO格式标注，边界框定位准确，类别标签清晰，确保数据质量。
数据多样性：
图片来源于实际农业场景，包含不同植物病害类型，提升模型在真实环境中的鲁棒性。
任务适配性强：
标注兼容主流深度学习框架（如YOLO等），可直接用于目标检测任务开发，支持快速模型迭代。
辣椒病害检测数据集_20251116_190641.zip
辣椒病害检测数据集
一、基础信息
数据集名称：辣椒病害检测数据集
图片数量：
训练集：720张图片
验证集：67张图片
测试集：33张图片
总计：820张农业相关图片
分类类别：
CurlVirus（卷叶病毒）：一种常见辣椒病毒病，导致叶片卷曲和生长异常。
Healthy（健康）：正常健康的辣椒植株，作为对照参考。
Leafspot（叶斑病）：由真菌或细菌引起的叶片斑点病变，影响光合作用。
Whitefly（白粉虱）：害虫类别，可能传播病毒并损害植株。
标注格式：YOLO格式，包含边界框和类别标签，适用于目标检测任务。数据来源于农业图像采集，涵盖多种生长环境。
二、适用场景
农业病害智能识别系统开发：
数据集支持目标检测任务，帮助构建能够自动识别辣椒常见病害和害虫的AI模型，辅助农民及时采取防治措施。
智能农业应用研发：
集成至农业管理平台，提供实时病害监测功能，为作物健康管理提供数据支持。
农业学术研究与创新：
支持植物保护与人工智能交叉领域的研究，助力农业科技论文发表和技术推广。
农业教育与培训：
数据集可用于农业院校或培训机构，作为学习病害识别和分类的教学资源。
三、数据集优势
精准标注与实用性：
标注基于实际农业场景，确保类别准确，边界框定位精确，适用于目标检测模型训练。
类别覆盖常见病害与害虫：
包含4个关键类别，涵盖病毒病、健康状态、真菌病害和害虫，具有高度代表性和实用性。
数据多样性与泛化能力：
图片来源于不同环境，提升模型在复杂农业条件下的适应性和鲁棒性。
任务适配性强：
标注兼容主流深度学习框架，可直接用于目标检测任务，并支持扩展至其他农业视觉应用。
植物病害实例分割数据集_20251116_233551.zip
植物病害实例分割数据集
一、基础信息
• 数据集名称：植物病害实例分割数据集
• 图片数量：
训练集：1,810张图片
验证集：216张图片
测试集：145张图片
总计：2,171张图片
• 训练集：1,810张图片
• 验证集：216张图片
• 测试集：145张图片
• 总计：2,171张图片
• 分类类别：
Bacterialspot（细菌性斑点病）：常见的细菌性病害，影响植物叶片。
Earlyblight（早疫病）：由真菌引起，导致叶片早衰。
FINE-mint（薄荷细斑病）：薄荷植物的特定病害。
Fine-mint（薄荷细斑病）：类似上述类别。
Lateblight（晚疫病）：严重真菌病害，常见于土豆和番茄。
LeafMold（叶霉病）：真菌性病害，导致叶片发霉。
PepperbellBacterialspot（胡椒细菌性斑点病）：胡椒植物的细菌性斑点病。
Pepperbellhealthy（健康胡椒）：健康的胡椒植物叶片。
PotatoEarlyblight（土豆早疫病）：土豆植物的早疫病。
PotatoLateblight（土豆晚疫病）：土豆植物的晚疫病。
Septorialeafspot（Septoria叶斑病）：真菌性叶斑病。
SpidermitesTwospottedspidermite（二斑叶螨）：害虫引起的损害。
Spoiled-Mint-Leaves（腐败薄荷叶）：薄荷叶的腐败现象。
YellowLeaf_CurlVirus（黄叶卷曲病毒）：病毒性病害，导致叶片黄化和卷曲。
healthy（健康）：健康的植物叶片。
• Bacterialspot（细菌性斑点病）：常见的细菌性病害，影响植物叶片。
• Earlyblight（早疫病）：由真菌引起，导致叶片早衰。
• FINE-mint（薄荷细斑病）：薄荷植物的特定病害。
• Fine-mint（薄荷细斑病）：类似上述类别。
• Lateblight（晚疫病）：严重真菌病害，常见于土豆和番茄。
• LeafMold（叶霉病）：真菌性病害，导致叶片发霉。
• PepperbellBacterialspot（胡椒细菌性斑点病）：胡椒植物的细菌性斑点病。
• Pepperbellhealthy（健康胡椒）：健康的胡椒植物叶片。
• PotatoEarlyblight（土豆早疫病）：土豆植物的早疫病。
• PotatoLateblight（土豆晚疫病）：土豆植物的晚疫病。
• Septorialeafspot（Septoria叶斑病）：真菌性叶斑病。
• SpidermitesTwospottedspidermite（二斑叶螨）：害虫引起的损害。
• Spoiled-Mint-Leaves（腐败薄荷叶）：薄荷叶的腐败现象。
• YellowLeaf_CurlVirus（黄叶卷曲病毒）：病毒性病害，导致叶片黄化和卷曲。
• healthy（健康）：健康的植物叶片。
• 标注格式：YOLO格式，包含实例分割的多边形坐标和类别标签，适用于实例分割任务。
• 数据格式：标准图片格式，来源于农业图像数据库。
二、适用场景
• 农业病害智能诊断系统开发：数据集支持实例分割任务，帮助构建能够自动识别和分割植物病害区域的AI模型，辅助农民和农业专家快速诊断病害。
• 智能农业与精准农业应用：集成至农业监控系统和无人机巡检平台，提供实时病害检测和预警功能，优化作物管理。
• 学术研究与创新：支持植物病理学、计算机视觉和人工智能的交叉研究，助力发表高水平农业AI论文。
• 农业教育与培训：数据集可用于农业院校或培训机构，作为学生学习植物病害识别和分类的重要资源。
三、数据集优势
• 类别多样性与覆盖广泛：包含15个类别，覆盖多种常见植物病害和健康状态，包括细菌性、真菌性、病毒性病害和害虫损害，具有高度代表性。
• 精准标注与任务适配：每张图片均采用YOLO格式进行实例分割标注，多边形坐标精确界定病害区域，兼容主流深度学习框架，直接适用于实例分割任务。
• 数据量充足与质量可靠：总计超过2,000张图片，训练集、验证集和测试集划分合理，支持模型的有效训练和评估。
• 实际应用价值突出：专注于农业领域的病害检测，有助于早期发现和治疗植物病害，提高农作物产量和质量，促进可持续农业发展。
RSS订阅
22
1
