小麦病害检测数据集

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】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

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：

1. 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。
2. 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。
3. 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。
4. 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：

1. 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。
2. 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。
3. 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：

1. 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。
2. 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。
3. 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。
•  

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：

yaml

深色版本

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：

1. 数据准备：确保数据集路径正确，并且数据集已准备好。
2. 模型训练：运行训练脚本，等待训练完成。
3. 模型检测：使用训练好的模型进行检测，并查看检测结果。

结语：

本数据集提供了一个高质量的小麦病害检测数据集，支持自动化病害检测、作物保护等多个应用场景。通过利用该数据集训练的模型，可以提高病害检测的效率和准确性。