小麦病害检测数据集【‘细菌叶斑病‘, ‘褐斑病‘, ‘叶瘤病‘】

news2024/11/15 1:40:56

小麦病害检测数据集】nc=3 标签names:['Bacteria Leaf Blight','Brown Spot', 'Leaf smut'] 名称：【'细菌叶斑病', '褐斑病', '叶瘤病'】共6715张，8:1:1比例划分，（train;5372张，val：671张，test：672张标注文件为YOLO适用的txt格式。可以直接用于模型训练。

小麦病害检测数据集介绍

项目背景：

小麦作为全球重要的粮食作物之一，其健康状况直接关系到食品安全和农业生产的稳定性。小麦病害不仅影响作物产量，还会降低作物品质。传统的病害检测方法依赖于农业专家的经验和实验室分析，这种方法成本高且效率低下。本数据集旨在为小麦病害检测提供高质量的标注数据，支持自动化检测系统的开发与应用。

数据集概述：

名称：小麦病害检测数据集
规模：共计6,715张图像
数据划分：按照8:1:1的比例划分为训练集、验证集和测试集
- 训练集：5,372张图像
- 验证集：671张图像
- 测试集：672张图像
类别：3种病害标签，其中“0”表示细菌叶斑病（Bacteria Leaf Blight）， “1”表示褐斑病（Brown Spot）， “2”表示叶瘤病（Leaf smut）
标注格式：适用于YOLO的.txt格式标注文件，可以直接用于模型训练

数据集特点：

全面性：涵盖小麦常见病害类型，确保数据集的多样性和实用性。
高质量标注：每张图像都已详细标注，确保数据的准确性和可靠性。
适用范围广：适用于多种深度学习框架，方便科研人员和开发者直接使用。
标准格式：采用广泛使用的YOLO格式标注文件，方便导入不同的检测框架。

数据集内容：

细菌叶斑病（Bacteria Leaf Blight）：标注了小麦叶片受到细菌感染的病斑。
褐斑病（Brown Spot）：标注了小麦叶片上的褐色病斑。
叶瘤病（Leaf smut）：标注了小麦叶片受到真菌感染形成的病斑。

数据集用途：

病害检测：可用于训练和评估深度学习模型，特别是在小麦病害检测方面。
作物保护：帮助实现作物病害的早期发现和防治，减少化学农药的使用。
科研与教育：为小麦病害检测领域的研究和教学提供丰富的数据支持。

使用场景：

田间监测：在农田中，利用该数据集训练的模型可以自动识别小麦病害。
质量控制：在农作物质量控制系统中，利用该数据集可以提高检测的准确性和速度。
生产管理：在农作物生产和管理工作中，利用该数据集可以提高工作效率和作物产量。

技术指标：

数据量：共计6,715张图像，覆盖多种小麦病害类型。
数据划分：按照8:1:1的比例划分，确保数据集的充分训练和验证。
标注格式：适用于YOLO的.txt格式标注文件，方便导入不同的检测框架。
标注精度：所有图像均已详细标注，确保数据的准确性和可靠性。

注意事项：

数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。

获取方式：

下载链接：请访问项目主页获取数据集下载链接。
许可证：请仔细阅读数据集的使用许可协议。

关键代码示例：

以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。

数据加载：

1import os
2import cv2
3import numpy as np
4
5# 数据集路径
6DATASET_PATH = 'path/to/dataset'
7IMAGES_DIR = os.path.join(DATASET_PATH, 'images')
8LABELS_DIR = os.path.join(DATASET_PATH, 'labels')
9
10# 加载数据集
11def load_dataset(directory):
12    images = []
13    labels = []
14
15    for img_file in os.listdir(IMAGES_DIR):
16        if img_file.endswith('.jpg'):
17            img_path = os.path.join(IMAGES_DIR, img_file)
18            label_path = os.path.join(LABELS_DIR, img_file.replace('.jpg', '.txt'))
19            
20            image = cv2.imread(img_path)
21            with open(label_path, 'r') as f:
22                label = f.readlines()
23            
24            images.append(image)
25            labels.append(label)
26
27    return images, labels
28
29train_images, train_labels = load_dataset(os.path.join(DATASET_PATH, 'train'))
30val_images, val_labels = load_dataset(os.path.join(DATASET_PATH, 'val'))
31test_images, test_labels = load_dataset(os.path.join(DATASET_PATH, 'test'))

模型训练：

1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='wheat_disease_detection.yaml', epochs=EPOCHS, batch=BATCH_SIZE)

模型检测：

1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_wheat_diseases(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            cv2.putText(image, f'Class: {class_id}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17    
18    return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_wheat_diseases(test_image)
23cv2.imshow('Detected Wheat Diseases', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()

配置文件 wheat_disease_detection.yaml：

1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 3  # Number of classes
6names: ['Bacteria Leaf Blight', 'Brown Spot', 'Leaf smut']  # Class names
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_size: [640, 640]  # Image size

使用指南：