如何训练自己的数据集之—植物病害数据集大类叶片病害数据集
植物病害数据集大类叶片病害数据集 1.水稻病害数据集 9类 44229 Yolo 2.柑橘叶片病害检测数据集 5类 5588 Yolo 3.小麦病害数据集 yolo 904 12类 玉米病害4类9千张
1.水稻病害数据集 9类 44229 Yolo 2.柑橘叶片病害检测数据集 5类 5588 Yolo 3.小麦病害数据集 yolo904 12类 4玉米病害4类9千张
一，水稻类数据集
1水稻叶病害数据集（目标检测，yolo可使用） 1:水稻叶病害数据集 train文件夹（44229张），test文件夹（4741张），valid文件夹（6000张） 数据集有：Blasst（稻瘟病）、Blight（枯萎病）、Brown Spot（褐斑病）、Dead Heart（枯心病）、Downy（露珠病）、False（假烟病）、Sheath Blight（鞘病）、Streak（叶纹病）、Tungro（东南亚稻田病或水稻东格鲁病毒病），一共九种病害图像和对应的打好的标注， 还有一种是正常的水稻叶，即normal1
此数据集专为水稻叶病害检测设计，包含了多种水稻叶病害的高清图像及相应的标注文件。数据集分为训练集、验证集和测试集三个部分，涵盖了九种常见的水稻叶病害以及正常水稻叶的状态。该数据集可以用于基于YOLO的目标检测算法模型训练。
数据集特点 高清影像：所有图像均为高清影像，适合用于精确的病害检测。详细标注：每张图像都标注了不同病害的位置，可以用于训练模型来识别这些病害。多样性：涵盖了不同病害类型和不同生长阶段的水稻叶，适用于多种环境下的应用。直接可用性：数据集已按照标准YOLO TXT格式标注，无需进一步处理即可直接用于模型训练。多类别：数据集中标注了十种类别，适合进行多目标检测任务。 数据集统计 数据集结构RiceLeafDiseaseDetectionDataset/
├── images/ # 图像文件
│ ├── train/ # 训练集图像
│ │ ├── image_00001.jpg
│ │ ├── image_00002.jpg
│ │ └── ...
│ ├── val/ # 验证集图像
│ │ ├── image_00001.jpg
│ │ ├── image_00002.jpg
│ │ └── ...
│ └── test/ # 测试集图像
│ ├── image_00001.jpg
│ ├── image_00002.jpg
│ └── ...
└── labels/ # YOLO格式标注文件夹
├── train/ # 训练集标签
│ ├── image_00001.txt
│ ├── image_00002.txt
│ └── ...
├── val/ # 验证集标签
│ ├── image_00001.txt
│ ├── image_00002.txt
│ └── ...
└── test/ # 测试集标签
├── image_00001.txt
├── image_00002.txt
└── ...
标注格式示例 YOLO格式每行表示一个物体的边界框和类别：
class_id cx cy w h class_id：类别ID（从0开始编号） 0: Blasst1: Blight2: Brown Spot3: Dead Heart4: Downy5: False6: Sheath Blight7: Streak8: Tungro9: Normalcx：目标框中心点x坐标 / 图像宽度。cy：目标框中心点y坐标 / 图像高度。w：目标框宽度 / 图像宽度。h：目标框高度 / 图像高度。
例如：
0 0.453646 0.623148 0.234375 0.461111
1 0.553646 0.723148 0.134375 0.361111
2 0.353646 0.823148 0.154375 0.261111
使用该数据集进行模型训练 1. 数据预处理与加载首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。
import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms
class RiceLeafDiseaseDetectionDataset(Dataset):
def __init__(self, image_dir, label_dir, transform=None):
self.image_dir = image_dir
self.label_dir = label_dir
self.transform = transform
self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]
def __len__(self):
return len(self.image_files)
def __getitem__(self, idx):
img_name = self.image_files[idx]
img_path = os.path.join(self.image_dir, img_name)
label_path = os.path.join(self.label_dir, img_name.replace('.jpg', '.txt'))
# 加载图像
image = Image.open(img_path).convert('RGB')
if self.transform:
image = self.transform(image)
# 加载标注
with open(label_path, 'r') as file:
lines = file.readlines()
boxes = []
labels = []
for line in lines:
class_id, cx, cy, w, h = map(float, line.strip().split())
xmin = (cx - w / 2) * image.width
ymin = (cy - h / 2) * image.height
xmax = (cx + w / 2) * image.width
ymax = (cy + h / 2) * image.height
boxes.append([xmin, ymin, xmax, ymax])
labels.append(int(class_id))
boxes = torch.tensor(boxes, dtype=torch.float32)
labels = torch.tensor(labels, dtype=torch.int64)
return image, boxes, labels
# 数据增强
transform = transforms.Compose([
transforms.Resize((640, 640)),
transforms.ToTensor(),
])
# 创建数据集
train_dataset = RiceLeafDiseaseDetectionDataset(image_dir='RiceLeafDiseaseDetectionDataset/images/train/', label_dir='RiceLeafDiseaseDetectionDataset/labels/train/', transform=transform)
val_dataset = RiceLeafDiseaseDetectionDataset(image_dir='RiceLeafDiseaseDetectionDataset/images/val/', label_dir='RiceLeafDiseaseDetectionDataset/labels/val/', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False, num_workers=4)
2. 构建模型我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
创建数据配置文件 data/rice_leaf_disease_detection.yaml：
train: path/to/RiceLeafDiseaseDetectionDataset/images/train
val: path/to/RiceLeafDiseaseDetectionDataset/images/val
test: path/to/RiceLeafDiseaseDetectionDataset/images/test # 如果没有单独的测试集，可使用验证集作为测试集
nc: 10 # 类别数
names: ['Blasst', 'Blight', 'Brown Spot', 'Dead Heart', 'Downy', 'False', 'Sheath Blight', 'Streak', 'Tungro', 'Normal']
3. 训练模型使用YOLOv5进行训练。
python train.py --img 640 --batch 16 --epochs 100 --data data/rice_leaf_disease_detection.yaml --weights yolov5s.pt --cache 4. 评估模型
在验证集上评估模型性能。
python val.py --img 640 --batch 16 --data data/rice_leaf_disease_detection.yaml --weights runs/train/exp/weights/best.pt --task test 5. 推理
使用训练好的模型进行推理。
python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5 实验报告
实验报告应包括以下内容：
项目简介：简要描述项目的背景、目标和意义。数据集介绍：详细介绍数据集的来源、规模、标注格式等。模型选择与配置：说明选择的模型及其配置参数。训练过程：记录训练过程中的损失变化、学习率调整等。评估结果：展示模型在验证集上的性能指标（如mAP、准确率）。可视化结果：提供一些典型样本的检测结果可视化图。结论与讨论：总结实验结果，讨论可能的改进方向。附录：包含代码片段、图表等补充材料。 依赖库确保安装了以下依赖库：
pip install torch torchvision
pip install -r yolov5/requirements.txt
总结这个水稻叶病害检测数据集提供了丰富的标注数据，非常适合用于训练和评估病害检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的病害检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。由于数据集规模较大且多样，建议在训练过程中使用数据增强技术以提高模型的泛化能力。
二， 柑橘叶片病害检测数据集
柑橘叶片病害检测数据集】nc=5 标签names: ['Melanose', 'black spot', 'canker', 'greening', 'healthy']
名称：【‘黑色素'，'黑点'，'溃烂'，'绿色'，'健康'’】共5588张，，按8:1:1比例划分（train;4470张，val：558张，test：560张标注文件为YOLO适用的txt格式。可以直接用于模型训练。
此数据集专为柑橘叶片病害检测设计，包含了五种常见病害类型的高清图像及相应的标注文件。数据集按照8:1:1的比例划分为训练集、验证集和测试集，涵盖了多种病害类型以及健康叶片的状态。该数据集可以用于基于YOLO的目标检测算法模型训练。
数据集特点 高清影像：所有图像均为高清影像，适合用于精确的病害检测。详细标注：每张图像都标注了不同病害的位置，可以用于训练模型来识别这些病害。多样性：涵盖了不同病害类型和不同生长阶段的柑橘叶片，适用于多种环境下的应用。直接可用性：数据集已按照标准YOLO TXT格式标注，无需进一步处理即可直接用于模型训练。多类别：数据集中标注了五种类别，适合进行多目标检测任务。 数据集统计 病害类型类别ID训练集数量验证集数量测试集数量Melanose0未知未知未知Black Spot1未知未知未知Canker2未知未知未知Greening3未知未知未知Healthy4未知未知未知总计4,470558560 数据集结构CitrusLeafDiseaseDetectionDataset/
├── images/ # 图像文件
│ ├── train/ # 训练集图像
│ │ ├── image_00001.jpg
│ │ ├── image_00002.jpg
│ │ └── ...
│ ├── val/ # 验证集图像
│ │ ├── image_00001.jpg
│ │ ├── image_00002.jpg
│ │ └── ...
│ └── test/ # 测试集图像
│ ├── image_00001.jpg
│ ├── image_00002.jpg
│ └── ...
└── labels/ # YOLO格式标注文件夹
├── train/ # 训练集标签
│ ├── image_00001.txt
│ ├── image_00002.txt
│ └── ...
├── val/ # 验证集标签
│ ├── image_00001.txt
│ ├── image_00002.txt
│ └── ...
└── test/ # 测试集标签
├── image_00001.txt
├── image_00002.txt
└── ...
标注格式示例 YOLO格式每行表示一个物体的边界框和类别：
class_id cx cy w h class_id：类别ID（从0开始编号） 0: Melanose（黑色素）1: Black Spot（黑点）2: Canker（溃烂）3: Greening（绿色）4: Healthy（健康）cx：目标框中心点x坐标 / 图像宽度。cy：目标框中心点y坐标 / 图像高度。w：目标框宽度 / 图像宽度。h：目标框高度 / 图像高度。
例如：
0 0.453646 0.623148 0.234375 0.461111
1 0.553646 0.723148 0.134375 0.361111
2 0.353646 0.823148 0.154375 0.261111
使用该数据集进行模型训练 1. 数据预处理与加载首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。
import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms
class CitrusLeafDiseaseDetectionDataset(Dataset):
def __init__(self, image_dir, label_dir, transform=None):
self.image_dir = image_dir
self.label_dir = label_dir
self.transform = transform
self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]
def __len__(self):
return len(self.image_files)
def __getitem__(self, idx):
img_name = self.image_files[idx]
img_path = os.path.join(self.image_dir, img_name)
label_path = os.path.join(self.label_dir, img_name.replace('.jpg', '.txt'))
# 加载图像
image = Image.open(img_path).convert('RGB')
if self.transform:
image = self.transform(image)
# 加载标注
with open(label_path, 'r') as file:
lines = file.readlines()
boxes = []
labels = []
for line in lines:
class_id, cx, cy, w, h = map(float, line.strip().split())
xmin = (cx - w / 2) * image.width
ymin = (cy - h / 2) * image.height
xmax = (cx + w / 2) * image.width
ymax = (cy + h / 2) * image.height
boxes.append([xmin, ymin, xmax, ymax])
labels.append(int(class_id))
boxes = torch.tensor(boxes, dtype=torch.float32)
labels = torch.tensor(labels, dtype=torch.int64)
return image, boxes, labels
# 数据增强
transform = transforms.Compose([
transforms.Resize((640, 640)),
transforms.ToTensor(),
])
# 创建数据集
train_dataset = CitrusLeafDiseaseDetectionDataset(image_dir='CitrusLeafDiseaseDetectionDataset/images/train/', label_dir='CitrusLeafDiseaseDetectionDataset/labels/train/', transform=transform)
val_dataset = CitrusLeafDiseaseDetectionDataset(image_dir='CitrusLeafDiseaseDetectionDataset/images/val/', label_dir='CitrusLeafDiseaseDetectionDataset/labels/val/', transform=transform)
test_dataset = CitrusLeafDiseaseDetectionDataset(image_dir='CitrusLeafDiseaseDetectionDataset/images/test/', label_dir='CitrusLeafDiseaseDetectionDataset/labels/test/', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False, num_workers=4)
test_loader = DataLoader(test_dataset, batch_size=4, shuffle=False, num_workers=4)
2. 构建模型我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
创建数据配置文件 data/citrus_leaf_disease_detection.yaml：
train: path/to/CitrusLeafDiseaseDetectionDataset/images/train
val: path/to/CitrusLeafDiseaseDetectionDataset/images/val
test: path/to/CitrusLeafDiseaseDetectionDataset/images/test
nc: 5 # 类别数
names: ['Melanose', 'Black Spot', 'Canker', 'Greening', 'Healthy']
3. 训练模型使用YOLOv5进行训练。
python train.py --img 640 --batch 16 --epochs 100 --data data/citrus_leaf_disease_detection.yaml --weights yolov5s.pt --cache 4. 评估模型
在验证集上评估模型性能。
python val.py --img 640 --batch 16 --data data/citrus_leaf_disease_detection.yaml --weights runs/train/exp/weights/best.pt --task test 5. 推理
使用训练好的模型进行推理。
python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5 实验报告
实验报告应包括以下内容：
项目简介：简要描述项目的背景、目标和意义。数据集介绍：详细介绍数据集的来源、规模、标注格式等。模型选择与配置：说明选择的模型及其配置参数。训练过程：记录训练过程中的损失变化、学习率调整等。评估结果：展示模型在验证集上的性能指标（如mAP、准确率）。可视化结果：提供一些典型样本的检测结果可视化图。结论与讨论：总结实验结果，讨论可能的改进方向。附录：包含代码片段、图表等补充材料。 依赖库确保安装了以下依赖库：
pip install torch torchvision
pip install -r yolov5/requirements.txt
总结这个柑橘叶片病害检测数据集提供了丰富的标注数据，非常适合用于训练和评估病害检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的病害检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。由于数据集规模较大且多样，建议在训练过程中使用数据增强技术以提高模型的泛化能力
3.小麦病害数据集 yolo 904 12类
小麦病害检测数据集】nc=12 分别为：根冠腐烂（Crown and Root Rot）、叶锈病（Leaf Rust）、健康小麦（HealthyWheat）、小麦散斑，又名小麦黑穗病（Wheat Loose Smut）、小麦白粉病（Powdery Mildew）、小麦孢囊线虫病（Wheat cyst nematode）、小麦赤霉病（Wheat scab）、小麦红蜘蛛（Wheat Red Spider）、小麦茎基腐（Wheat stalk rot）、小全蚀病（Wheat Take-all）、小麦纹枯病（wheat sharp eyespot）、小麦蚜虫病（Wheat Aphids）。共904张（也可以数据增强），7:2:1比例划分，（train：631张，val：91张，test：183张。标注文件为YOLO适用的txt格式。可以直接用于模型训练。
此数据集专为小麦病害检测设计，包含了十二种常见病害类型的高清图像及相应的标注文件。数据集按照7:2:1的比例划分为训练集、验证集和测试集，涵盖了多种病害类型以及健康小麦的状态。该数据集可以用于基于YOLO的目标检测算法模型训练。
数据集特点 高清影像：所有图像均为高清影像，适合用于精确的病害检测。详细标注：每张图像都标注了不同病害的位置，可以用于训练模型来识别这些病害。多样性：涵盖了不同病害类型和不同生长阶段的小麦植株，适用于多种环境下的应用。直接可用性：数据集已按照标准YOLO TXT格式标注，无需进一步处理即可直接用于模型训练。多类别：数据集中标注了十二种类别，适合进行多目标检测任务。 数据集统计 数据集结构WheatDiseaseDetectionDataset/
├── images/ # 图像文件
│ ├── train/ # 训练集图像
│ │ ├── image_00001.jpg
│ │ ├── image_00002.jpg
│ │ └── ...
│ ├── val/ # 验证集图像
│ │ ├── image_00001.jpg
│ │ ├── image_00002.jpg
│ │ └── ...
│ └── test/ # 测试集图像
│ ├── image_00001.jpg
│ ├── image_00002.jpg
│ └── ...
└── labels/ # YOLO格式标注文件夹
├── train/ # 训练集标签
│ ├── image_00001.txt
│ ├── image_00002.txt
│ └── ...
├── val/ # 验证集标签
│ ├── image_00001.txt
│ ├── image_00002.txt
│ └── ...
└── test/ # 测试集标签
├── image_00001.txt
├── image_00002.txt
└── ...
标注格式示例 YOLO格式每行表示一个物体的边界框和类别：
class_id cx cy w h class_id：类别ID（从0开始编号） 0: Crown and Root Rot（根冠腐烂）1: Leaf Rust（叶锈病）2: Healthy Wheat（健康小麦）3: Wheat Loose Smut（小麦散斑/小麦黑穗病）4: Powdery Mildew（小麦白粉病）5: Wheat Cyst Nematode（小麦孢囊线虫病）6: Wheat Scab（小麦赤霉病）7: Wheat Red Spider（小麦红蜘蛛）8: Wheat Stalk Rot（小麦茎基腐）9: Wheat Take-all（小全蚀病）10: Wheat Sharp Eyespot（小麦纹枯病）11: Wheat Aphids（小麦蚜虫病）cx：目标框中心点x坐标 / 图像宽度。cy：目标框中心点y坐标 / 图像高度。w：目标框宽度 / 图像宽度。h：目标框高度 / 图像高度。
例如：
0 0.453646 0.623148 0.234375 0.461111
1 0.553646 0.723148 0.134375 0.361111
2 0.353646 0.823148 0.154375 0.261111
使用该数据集进行模型训练 1. 数据预处理与加载首先，我们需要加载数据并将其转换为适合YOLOv5等模型使用的格式。假设你已经安装了PyTorch和YOLOv5。
import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms
class WheatDiseaseDetectionDataset(Dataset):
def __init__(self, image_dir, label_dir, transform=None):
self.image_dir = image_dir
self.label_dir = label_dir
self.transform = transform
self.image_files = [f for f in os.listdir(image_dir) if f.endswith('.jpg')]
def __len__(self):
return len(self.image_files)
def __getitem__(self, idx):
img_name = self.image_files[idx]
img_path = os.path.join(self.image_dir, img_name)
label_path = os.path.join(self.label_dir, img_name.replace('.jpg', '.txt'))
# 加载图像
image = Image.open(img_path).convert('RGB')
if self.transform:
image = self.transform(image)
# 加载标注
with open(label_path, 'r') as file:
lines = file.readlines()
boxes = []
labels = []
for line in lines:
class_id, cx, cy, w, h = map(float, line.strip().split())
xmin = (cx - w / 2) * image.width
ymin = (cy - h / 2) * image.height
xmax = (cx + w / 2) * image.width
ymax = (cy + h / 2) * image.height
boxes.append([xmin, ymin, xmax, ymax])
labels.append(int(class_id))
boxes = torch.tensor(boxes, dtype=torch.float32)
labels = torch.tensor(labels, dtype=torch.int64)
return image, boxes, labels
# 数据增强
transform = transforms.Compose([
transforms.Resize((640, 640)),
transforms.ToTensor(),
])
# 创建数据集
train_dataset = WheatDiseaseDetectionDataset(image_dir='WheatDiseaseDetectionDataset/images/train/', label_dir='WheatDiseaseDetectionDataset/labels/train/', transform=transform)
val_dataset = WheatDiseaseDetectionDataset(image_dir='WheatDiseaseDetectionDataset/images/val/', label_dir='WheatDiseaseDetectionDataset/labels/val/', transform=transform)
test_dataset = WheatDiseaseDetectionDataset(image_dir='WheatDiseaseDetectionDataset/images/test/', label_dir='WheatDiseaseDetectionDataset/labels/test/', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False, num_workers=4)
test_loader = DataLoader(test_dataset, batch_size=4, shuffle=False, num_workers=4)
2. 构建模型我们可以使用YOLOv5模型进行目标检测任务。假设你已经克隆了YOLOv5仓库，并按照其文档进行了环境设置。
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
创建数据配置文件 data/wheat_disease_detection.yaml：
train: path/to/WheatDiseaseDetectionDataset/images/train
val: path/to/WheatDiseaseDetectionDataset/images/val
test: path/to/WheatDiseaseDetectionDataset/images/test
nc: 12 # 类别数
names: ['Crown and Root Rot', 'Leaf Rust', 'Healthy Wheat', 'Wheat Loose Smut', 'Powdery Mildew', 'Wheat Cyst Nematode', 'Wheat Scab', 'Wheat Red Spider', 'Wheat Stalk Rot', 'Wheat Take-all', 'Wheat Sharp Eyespot', 'Wheat Aphids']
3. 训练模型使用YOLOv5进行训练。
python train.py --img 640 --batch 16 --epochs 100 --data data/wheat_disease_detection.yaml --weights yolov5s.pt --cache 4. 评估模型
在验证集上评估模型性能。
python val.py --img 640 --batch 16 --data data/wheat_disease_detection.yaml --weights runs/train/exp/weights/best.pt --task test 5. 推理
使用训练好的模型进行推理。
python detect.py --source path/to/test/image.jpg --weights runs/train/exp/weights/best.pt --conf 0.5 实验报告
实验报告应包括以下内容：
项目简介：简要描述项目的背景、目标和意义。数据集介绍：详细介绍数据集的来源、规模、标注格式等。模型选择与配置：说明选择的模型及其配置参数。训练过程：记录训练过程中的损失变化、学习率调整等。评估结果：展示模型在验证集上的性能指标（如mAP、准确率）。可视化结果：提供一些典型样本的检测结果可视化图。结论与讨论：总结实验结果，讨论可能的改进方向。附录：包含代码片段、图表等补充材料。 数据增强由于数据集较小，可以考虑使用数据增强技术来增加训练集的多样性，从而提高模型的泛化能力。可以使用的数据增强技术包括但不限于：
随机旋转和裁剪随机水平翻转随机颜色变换例如，在数据加载器中添加数据增强：
# 数据增强
transform = transforms.Compose([
transforms.RandomHorizontalFlip(), # 随机水平翻转
transforms.RandomRotation(10), # 随机旋转
transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1), # 随机颜色变换
transforms.Resize((640, 640)),
transforms.ToTensor(),
])
依赖库确保安装了以下依赖库：
pip install torch torchvision
pip install -r yolov5/requirements.txt
总结这个小麦病害检测数据集提供了丰富的标注数据，非常适合用于训练和评估病害检测模型。通过YOLOv5框架，可以方便地构建和训练高性能的病害检测模型。实验报告可以帮助你更好地理解和分析模型的表现，并为进一步的研究提供参考。由于数据集规模较小，建议在训练过程中使用数据增强技术以提高模型的泛化能力。
相关知识
【叶片病虫害数据集】果树叶片病变识别 机器视觉 Python （含数据集）
棉花叶片病害虫害检测数据集
植物病害识别数据集
第30期 植物病害数据集
最全 农作物病害数据集汇总（不定期更新）
基于深度学习的农作物叶片病害检测系统（UI界面+YOLOv5+训练数据集）
数据集划分，Oxford Flower102花卉分类数据集，分为训练集、测试集、验证集
基于深度学习的植物叶片病害识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于YOLOv5深度学习的植物病害检测系统：YOLOv5 + 数据集 + UI界面
基于深度学习的植物病害检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
网址: 如何训练自己的数据集之—植物病害数据集大类叶片病害数据集 https://m.huajiangbk.com/newsview1419901.html
| 上一篇: 除草剂－好事达（小麦） |
下一篇: 小麦黑穗病 |
