YOLOv11农田烟草叶片病害目标检测数据集 数据集基本信息目标类别 [‘Black shank’, ‘Healthy Leaf’, ‘Tobacco leaf curl disease -TLCD-’, ‘Tobacco mosaic virus -TMV-’, ‘brown sport’, ‘frogeye leaf spot’]中文类别[‘黑胫病’, ‘健康叶片’, ‘烟草卷叶病’, ‘烟草花叶病毒’, ‘棕色斑点’, ‘靶斑病’]训练集382 张验证集48 张测试集40 张总计470 张 data.yaml 配置信息该数据集提供了data.yaml文件内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:6names:[Black shank,Healthy Leaf,Tobacco leaf curl disease -TLCD-,Tobacco mosaic virus -TMV-,brown sport,frogeye leaf spot]️ 标注可视化 数据集分析YOLOv11农田烟草叶片病害目标检测数据集该数据集专注于农田环境中烟草叶片的病害检测通过精准标注不同类型的病害特征为农业病害智能识别提供了高质量的数据支撑。数据集涵盖了多种常见烟草病害包括黑胫病、烟草花叶病毒、烟草卷叶病、靶斑病以及棕色斑点等能够有效支持农业病害的早期诊断与防控。从数据分布来看该数据集包含382张训练集图像、48张验证集图像和40张测试集图像总计470张。训练集占比最大能够充分覆盖各类病害的多样性和复杂性验证集和测试集比例适中确保模型在训练过程中的性能评估和最终测试的可靠性。整体分布合理符合机器学习任务对数据划分的标准要求。在标注质量方面该数据集表现出极高的精准度和规范性。每张图像中的病害区域均被精确框选并配有清晰的类别标签避免了误标或漏标现象。标注边界与病害特征高度吻合为模型训练提供了可靠的基础有助于提升检测算法的准确性和鲁棒性。该数据集可广泛应用于农业病害监测与管理领域特别是在烟草种植基地的病害智能识别系统中具有重要价值。通过结合无人机航拍或田间固定摄像头能够实现对烟草叶片病害的实时监测与预警助力农业生产效率的提升和病害防控的精准化。此外该数据集还可为农业人工智能研究提供丰富的样本支持推动相关技术的创新发展。YOLOv11训练步骤一、环境安装pipinstallultralytics# 依赖要求Python≥3.8PyTorch≥1.8。安装完成后可通过 yolo checks 验证环境。二、数据集准备YOLO格式1. 目录结构数据集必须严格按以下结构组织dataset/ ├── train/ │ ├── images/ # 训练图片jpg/png │ └── labels/ # YOLO格式标注txt ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件2. YOLO标注格式每个*.txt文件对应一张图片每行格式为class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值0~1。3. data.yaml 配置文件# data.yamlpath:../dataset# 数据集根目录相对或绝对路径train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径可选# 类别信息nc:2# 类别数量names:[class1,class2]# 类别名称列表三、模型选择YOLO11 提供 5 种尺度官方命名规则为yolo11{n/s/m/l/x}.pt模型参数量适用场景yolo11n2.6M边缘设备、速度优先yolo11s9.4M平衡精度与速度yolo11m20.1M常规GPU训练yolo11l25.3M高精度需求yolo11x56.9M极致精度、算力充足四、模型训练方式1Python API推荐创建train.pyfromultralyticsimportYOLOdefmain():# 加载预训练模型推荐基于COCO预训练权重微调modelYOLO(yolo11m.pt)# 训练参数train_params{data:data.yaml,# 数据集配置文件epochs:100,# 训练轮次imgsz:640,# 输入图像尺寸batch:16,# 批次大小根据显存调整device:0,# GPU设备号cpu表示CPU训练workers:8,# 数据加载线程数optimizer:SGD,# 优化器SGD/Adam/AdamWlr0:0.01,# 初始学习率patience:50,# 早停耐心值save:True,# 保存模型project:runs/train,# 项目保存路径name:exp,# 实验名称single_cls:False,# 单类别检测设为Trueclose_mosaic:10,# 最后N轮关闭马赛克增强}# 开始训练resultsmodel.train(**train_params)# 输出最佳模型路径print(fBest model saved at:{results.best})if__name____main__:main()三种模型加载方式对比# 方式A从YAML构建全新模型从头训练适合网络结构改进modelYOLO(yolo11m.yaml)# 方式B加载预训练权重最常用推荐modelYOLO(yolo11m.pt)# 方式C构建新模型并迁移预训练权重改进网络后使用modelYOLO(yolo11m.yaml).load(yolo11m.pt)方式2命令行 CLI# 基础训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100imgsz640batch16device0# 多GPU训练yolo detect traindatadata.yamlmodelyolo11m.ptepochs100device0,1# 从YAML预训练权重训练yolo detect traindatadata.yamlmodelyolo11m.yamlpretrainedyolo11m.ptepochs100五、关键训练参数说明参数说明建议值epochs训练总轮次100~300imgsz输入尺寸640标准batch批次大小8/16/32根据显存device训练设备0单GPU、0,1多GPU、cpu、mpsApple芯片workers数据加载线程8~16Windows建议≤8optimizer优化器SGD默认、Adam、AdamWlr0/lrf初始/最终学习率0.01 / 0.01momentumSGD动量0.937weight_decay权重衰减0.0005single_cls单类别模式True/Falseresume恢复中断训练True需指定last.ptamp自动混合精度True默认开启省显存六、模型验证创建val.pyfromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重modelYOLO(runs/train/exp/weights/best.pt)# 验证metricsmodel.val(datadata.yaml,splitval,# 验证集val 或 testimgsz640,batch16,iou0.6,# NMS IoU阈值device0,save_jsonFalse,# 是否保存COCO格式JSON)# 输出关键指标print(fmAP50-95:{metrics.box.map})# mAP0.5:0.95print(fmAP50:{metrics.box.map50})# mAP0.5print(fmAP75:{metrics.box.map75})# mAP0.75if__name____main__:main()CLI 方式yolo detect valmodelruns/train/exp/weights/best.ptdatadata.yaml七、模型推理/预测创建predict.pyfromultralyticsimportYOLOimportcv2defmain():modelYOLO(runs/train/exp/weights/best.pt)# 单张图片推理resultsmodel.predict(sourcetest_images/,# 图片路径、文件夹、URL或摄像头索引0imgsz640,conf0.25,# 置信度阈值iou0.45,# NMS IoU阈值device0,saveTrue,# 保存结果图showFalse,# 是否弹窗显示)# 遍历结果forresultinresults:boxesresult.boxes# 检测框masksresult.masks# 分割掩码如使用分割模型probsresult.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2box.xyxy[0].tolist()confbox.conf[0].item()clsint(box.cls[0].item())print(fClass:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}])if__name____main__:main()CLI 方式yolo detect predictmodelruns/train/exp/weights/best.ptsourcetest_images/saveTrue## 数据集下载 小郭AI日志数据集YOLOv11农田烟草叶片病害目标检测数据集-470张-tobacco-plant-1.zip https://pan.baidu.com/s/1GtiJtqzzwYp6Zhg59sxb_w 提取码fteeCLI 方式yolo detect predictmodelruns/train/exp/weights/best.ptsourcetest_images/saveTrue## 数据集下载 小郭AI日志
