Advertisement

《数据集》水稻叶片病害的目标检测数据集

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
本数据集专注于水稻叶片病害目标检测，汇集了大量标注清晰的图像样本，旨在促进农业领域机器学习模型的研发与优化。 该数据集包含YOLO和VOC格式的水稻叶片病害识别内容，共包括四类：BrownSpot、RiceBlast、BacterialBlight，总图片数量为1448张。文件中包含了图片、txt标签以及指定类别信息的yaml文件，并且有xml标签。已经将数据划分为训练集、验证集和测试集，可以直接用于YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9及后续版本（如YOLOv10）等系列算法的训练。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 《数据集》水稻叶片病害的目标检测数据集
    优质
    本数据集专注于水稻叶片病害目标检测，汇集了大量标注清晰的图像样本，旨在促进农业领域机器学习模型的研发与优化。 该数据集包含YOLO和VOC格式的水稻叶片病害识别内容，共包括四类：BrownSpot、RiceBlast、BacterialBlight，总图片数量为1448张。文件中包含了图片、txt标签以及指定类别信息的yaml文件，并且有xml标签。已经将数据划分为训练集、验证集和测试集，可以直接用于YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9及后续版本（如YOLOv10）等系列算法的训练。
     
  • 【目标检测数据集】11960张水稻病害检测图片（VOC+YOLO格式）.zip
    优质
    本资源提供一套用于水稻病害识别的目标检测数据集，包含11960张标注清晰的图像，并以VOC和YOLO两种格式呈现，适用于深度学习模型训练。 数据集采用了Pascal VOC格式与YOLO格式（不含分割路径的txt文件），仅包含jpg图片及其对应的VOC格式xml文件和yolo格式txt文件。 该数据集中共有11963张图片，每一张都有相应的标注信息： - Pascal VOC xml 文件数量：11963个 - YOLO txt 标注文件数量：11963个 这些图像被分为十二类进行标记： 标注类别数为 12 种，具体包括以下几种类型及其对应的框的数量: - BLBD: 框数 = 1030 - BLSD: 框数 = 1067 - BSD: 框数 = 1064 - DPD: 框数 = 1465 - FSD: 框数 = 2154 - Healty: 框数 = 1266 - NBD: 框数 = 1412 - NBSD: 框数 = 975 - Non-Rice: 框数 = 1298 - RBD: 框数 = 1070 - RRSD: 框数 = 972 - SBD: 框数 = 1303 总计标注框数量为：15,076个。 使用了labelImg工具进行标记，遵循对类别画矩形框的规则。
     
  • 基于Yolov5的水稻病虫害目标检测数据集（含图片和标签）
    优质
    本数据集为基于Yolov5的水稻病虫害设计，包含大量标注图像与对应标签，适用于训练高效准确的目标检测模型。 本数据集包含5932张照片，并分为四类：Bacterial blight（白叶枯病）1584张、Blast（稻瘟病）1440张、Brownspot（褐斑病）1600张和Tungro（水稻东格鲁病）1308张。其中，训练集包含4948张照片，测试集包含984张。 所有图片的标签均已手动标注完毕，并可以直接用于YOLOV模型进行训练。
     
  • 番茄叶片病害识别的数据集（目标检测）
    优质
    本数据集专注于番茄叶片病害的目标检测，旨在通过收集大量标记图片，帮助研究人员与开发者训练模型自动识别不同类型的番茄叶病，促进农业精准化管理。 该数据集适用于YOLO系列（包括YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9及更高版本）、Faster R-CNN 和 SSD 等模型的训练，包含番茄叶片病害识别的相关信息。类别分为：blight-disease（疫病）、mosaic-virus（花叶病毒）和redspider-infection（红蜘蛛感染）。数据集共包含6446张图片，并配有相应的txt标签、指定类别的yaml文件以及xml格式的标注文件。已将图像及对应的txt标签划分为训练集、验证集与测试集，可以直接用于上述YOLO系列算法模型的训练过程。
     
  • 病害感染影响下的水稻叶片图像数据集
    优质
    本数据集包含了多种病害条件下水稻叶片的图像，旨在为研究植物病害识别提供全面的数据支持。 该数据集包含120张水稻染病叶片的jpg图像，根据疾病类型分为三类，每类有40张图片。
     
  • 大豆病害的目标检测数据集
    优质
    本数据集专为大豆病害设计，包含多种病症图像，旨在促进农业领域深度学习技术的应用与发展，助力精准农业实践。 大豆病害数据集为计算机视觉领域的目标检测任务提供了研究基础与实验平台。该数据集包含大量经过精心标注的大豆植株图像，涵盖了大豆在生长过程中可能遭遇的各种病害类型。其主要目的是帮助研究人员及开发者训练出能够准确识别和定位大豆病害区域的算法模型。 这些图像中的病害表现形式多样，从初期斑点到严重叶片枯萎不等，每种病害形态特征都被精确标注，这对于提高病害检测准确性至关重要。目标检测模型需要区分不同类型的病害，以便农业工作者能够及时采取相应的防治措施。 构建数据集是一个复杂的过程，包括图像采集、病害标注和数据清洗等多个步骤。研究者深入田间地头采集含有各种病害的大豆植株图像，并确保这些图像是在不同的光照条件、背景环境及病害发展程度下拍摄的，以保证数据集广泛性和多样性。随后，专业人员对图像中的病害区域进行精确标注，包括病害种类、位置和可能扩展范围等信息。 此外，还进行了严格的检查来维护图像质量和标注准确性。由于目标检测任务需要足够的分辨率和清晰度以便模型捕捉到细微特征，这一特性使得大豆病害数据集成为宝贵的资源，尤其对于利用深度学习与机器学习技术解决实际农业问题的研究人员来说更为重要。 该数据集不仅适用于计算机视觉领域，还涉及农业科学、植物病理学及生物信息学等学科。通过跨学科合作可以更好地理解病害生物学机理，并将其知识融入到模型训练和算法优化中，从而提高检测模型的实用性和精确度。 在实际应用中，目标检测模型可以帮助农民和技术员快速识别作物病害，这对于提升作物健康管理和质量控制具有重要意义。及时的病害检测与分析可使农业工作者有效采取预防及治疗措施，减少经济损失并提升整体产量和品质。 大豆病害数据集（目标检测）为推动智能农业发展提供了强有力的支持。随着深度学习和计算机视觉技术的进步，基于该数据集的研究成果将逐步应用于实际农业生产中，并有望对全球粮食安全与可持续农业发展做出贡献。
     
  • 在自然环境中，四种水稻叶片的病虫害数据集
    优质
    本数据集涵盖了四种主要稻种在自然环境下的病虫害情况，包含详细的叶片病变与虫害图像及描述信息，旨在支持农业科研和智能监测系统开发。 在自然环境下收集的水稻叶片病虫害数据集中，白叶枯病有1548张图片，稻瘟病有1440张图片，褐斑病有1600张图片，水稻東格魯桿狀病毒有1308张图片。这些构成了完整的自然环境下水稻叶片病虫害的数据集。
     
  • 手标葡萄叶片病害数据集
    优质
    手标葡萄叶片病害数据集包含大量标注清晰的葡萄叶图像，旨在为研究与识别葡萄常见的几种主要病害提供全面的数据支持。 我国是世界上最大的葡萄生产国和消费国之一，葡萄产业已经成为许多地区脱贫致富的重要支柱产业。然而，葡萄病害对果实的品质及产量造成严重影响，因此快速且精准地识别不同类型的病害以及评估其严重程度对于增产增收至关重要。 为了应对这一挑战，在plant_village数据集的基础上进行了标注，并使用VOC格式进行扩充，建立了专门用于目标检测的葡萄叶片病害数据集。通过应用数据增强技术对收集到的样本图片进行处理和扩展，进一步丰富了该数据库的内容。 传统的农业生产方式依赖于人工识别、诊断并作出决策，这种方式效率低下且劳动成本高昂。因此迫切需要实现智能化诊断来提高工作效率，并降低人力成本。作为信息技术的重要组成部分之一，人工智能技术为推动农业信息化及智能化提供了有力支持。 随着深度学习等先进技术的迅速发展，在农作物病虫害识别、检测、分割与计数等方面已经取得了一系列研究成果，这有助于精准防控病虫害的发生和发展，减少经济损失并促进生物育种工作的发展。
     
  • 水稻叶片病虫害分类数据集（含代码与教程）.zip
    优质
    本资料包提供了一个全面的水稻叶片病虫害图像数据集，并附带详细的分类代码和使用教程，旨在帮助研究人员和从业者识别及研究水稻常见病虫害。 水稻叶片病虫害分类数据集提供了一套完整的教程与TensorFlow代码示例，并附有作者在B站发布的教学视频，帮助学习者快速掌握相关技术。详细的数据集信息可以在相关的博客文章中找到。