智慧农业识别-番石榴叶片病检测数据集 YOLO模型如何训练-番石榴叶片病检测数据集

智慧农业识别-番石榴叶片病检测数据集数据集详情检测类别AnthracnoseRed-RustBacterialLeafBrightHealthyLeafLeafSpotWhiteFlyWilt图片总量4587张训练集4053张验证集356张测试集178张标注状态全部已标注即拿即用数据格式支持YOLO格式及其他格式番石榴叶片病害检测数据集一、数据集信息表项目详细说明数据集名称番石榴叶片病害检测数据集总图片数量4587 张数据集划分训练集4053 张验证集356 张测试集178 张检测类别共7类0: Anthracnose炭疽病1: Red-Rust红锈病2: BacterialLeafBright细菌性叶斑亮斑病3: HealthyLeaf健康叶片4: LeafSpot叶斑病5: WhiteFly白粉虱虫害6: Wilt枯萎病标注状态全量完成标注开箱即用无需二次处理数据格式标准YOLO格式兼容多种主流标注格式可按需转换适用场景智慧农业、果园病虫害智能监测、农作物植保诊断、田间无人机巡检、农业AI项目开发、计算机视觉毕业设计与实训二、应用场景果园智能监测番石榴种植园实时巡检自动区分各类叶片病害、虫害与健康叶片助力精准植保。病虫害快速诊断辅助种植户、农技人员快速判定叶片病症缩短诊断时间及时开展防治作业。农业无人机巡检搭载视觉模型实现大范围果园航拍筛查替代人工巡查提升管理效率。农业科研统计用于病害分布、发病规律研究为农作物病害防控提供数据支撑。技术实训与项目开发农业视觉方向课程设计、毕业设计、YOLO目标检测算法实战练习。三、核心标签#YOLO#目标检测#番石榴病害#叶片病害检测#智慧农业#农作物病虫害#农业AI#数据集#计算机视觉#毕业设计四、数据集目录结构guava_disease/ ├── images/ │ ├── train/ # 4053张 训练集图片 │ ├── val/ # 356张 验证集图片 │ └── test/ # 178张 测试集图片 ├── labels/ │ ├── train/ # 对应YOLO格式txt标注文件 │ ├── val/ │ └── test/ └── guava.yaml # 数据集配置文件五、数据集配置文件guava.yamlpath:./guava_diseasetrain:images/trainval:images/valtest:images/testnc:7names:0:Anthracnose1:Red-Rust2:BacterialLeafBright3:HealthyLeaf4:LeafSpot5:WhiteFly6:Wilt六、环境依赖pipinstallultralytics torch opencv-python numpy七、模型训练代码train_guava.pyfromultralyticsimportYOLOdefmain():# 加载预训练模型兼容YOLOv8、YOLOv11等主流版本modelYOLO(yolov8s.pt)# 启动模型训练train_resmodel.train(data./guava_disease/guava.yaml,epochs120,imgsz640,batch16,device0,# 有GPU填写设备编号无GPU改为 devicecpuworkers4,patience20,projectruns/train,nameguava_leaf_disease,exist_okTrue,pretrainedTrue,mosaic1.0)print(训练完成模型权重保存至 runs/train/guava_leaf_disease/weights)# 在测试集上评估模型指标metricsmodel.val(data./guava_disease/guava.yaml,splittest)print(fmAP50:{metrics.box.map50:.4f})print(fmAP50-95:{metrics.box.map:.4f})if__name____main__:main()八、推理测试代码predict_guava.pyfromultralyticsimportYOLOimportcv2# 加载训练完成的最优权重modelYOLO(runs/train/guava_leaf_disease/weights/best.pt)# 单张图片推理检测img_pathtest.jpgresultsmodel.predict(sourceimg_path,conf0.25,iou0.45,saveTrue)# 可视化检测结果result_imgresults[0].plot()cv2.imshow(Guava Leaf Disease Detection,result_img)cv2.waitKey(0)cv2.destroyAllWindows()