【深度学习数据集】番茄叶片病害识别数据集介绍番茄叶片出现斑点、霉层或卷曲时不同病害的症状容易混淆。使用深度学习模型识别叶片图片可以辅助判断病害类别并将识别结果保存到样本库中便于后续查询和统计。本文数据集包含 10 类番茄叶片图片适合训练图像分类模型可用于基于深度学习的番茄叶片病害识别与样本管理系统。一、数据集基本信息项目数据说明图片数量18,160 张图片格式JPG类别数量10 类数据类型图像分类标注方式类别文件夹名作为标签数据划分未预先划分训练集、验证集和测试集数据集大小约 342 MB每张图片对应一个类别标签数据集没有病斑位置的边界框标注。因此它适合训练图像分类模型不能直接用于 YOLO 目标检测或病斑定位。二、类别与样本数量数据集包含 9 类病害和 1 类健康叶片类别样本数量分布如下类别文件夹名中文类别图片数量Tomato___Bacterial_spot细菌性斑点病2,127Tomato___Early_blight早疫病1,000Tomato___Late_blight晚疫病1,909Tomato___Leaf_Mold叶霉病952Tomato___Septoria_leaf_spot番茄斑枯病1,771Tomato___Spider_mites Two-spotted_spider_mite二斑叶螨1,676Tomato___Target_Spot靶斑病1,404Tomato___Tomato_Yellow_Leaf_Curl_Virus番茄黄化曲叶病毒5,357Tomato___Tomato_mosaic_virus番茄花叶病毒373Tomato___healthy健康叶片1,591合计18,160类别之间存在明显的不平衡。番茄黄化曲叶病毒有 5,357 张占总量约 29.5%番茄花叶病毒只有 373 张约占 2.1%。如果直接训练模型可能更偏向样本较多的类别。三、图像特点与适用任务数据集按类别文件夹组织文件夹名称就是图像标签。图片主要是在受控环境下拍摄背景较简单适合开展分类模型训练和算法对比。需要注意实验室背景与实际农田中的光照、背景和拍摄角度存在差异。模型在该数据集上的分类效果不能直接代表它在真实田间图片上的表现。适合的任务包括番茄叶片病害图像分类健康叶片与病害叶片识别不同分类模型的性能比较病害识别结果展示与样本记录管理该数据集没有 YOLO 格式的目标框。若要定位病斑或检测单张图中的多片叶子需要另外进行目标框标注并重新构建检测数据集。四、数据集划分与类别不平衡处理数据集没有预先提供训练集、验证集和测试集可以按70% / 15% / 15%划分。划分时建议使用分层抽样让每个子集中都保留各类别样本。对样本较少的类别可以尝试使用类别权重降低模型忽略少数类的可能性对训练集中的少数类别进行适度增强观察每一类的 Precision、Recall 和 F1而不只看整体准确率。增强只应用于训练集验证集和测试集应保留原始图像以便更客观地评估模型。五、模型选择与训练思路该任务是图像分类可以从以下模型开始模型用途ResNet18作为基础分类模型训练流程简单MobileNetV3适合关注推理速度或轻量部署EfficientNet可用于进一步比较分类效果建议先训练一个基础模型再替换网络进行对比。评价指标可以包括 Accuracy、Precision、Recall、F1 和混淆矩阵尤其要关注样本较少的番茄花叶病毒类别是否容易被错分。六、样本管理系统可以实现什么训练好的分类模型可以接入样本管理系统。用户上传叶片图片后系统输出预测类别和置信度并保存图片与识别记录。系统可包含以下功能图片识别上传番茄叶片图片查看预测类别和置信度样本记录保存原始图片、识别结果、时间和操作用户样本查询按病害类别、识别时间筛选历史记录结果复核允许用户修正预测标签保留人工复核结果数据统计展示各类样本数量和近期识别情况模型管理查看当前使用的模型和版本信息样本管理功能由系统数据库和图片存储实现数据集只提供模型训练所需的图像和类别标签。七、总结番茄叶片数据集包含 18,160 张图片和 10 个类别适合训练番茄叶片病害分类模型。数据集规模较大、类别标签清楚可以作为系统的基础训练数据类别不平衡和实验室背景也需要在数据处理和结果分析时考虑。