智慧农业YOLO模型如何训练 黄瓜叶片果实病害检测数据集 黄瓜叶片病害检测数据集

智慧农业-YOLO黄瓜叶片果实病害检测数据集

数据集详情

  • 检测类别：
    Anthracnose
    Bacterial-Wilt
    Belly-Rot
    Downy-Mildew
    Fresh-Cucumber
    Fresh-Leaf
    Gummy-Stem-Blight
    Pythium-Fruit-Rot

  • 图片总量：1375张

  • 训练集：1101张

  • 验证集：137张

  • 测试集：137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（

YOLO黄瓜叶片果实病害检测数据集

一、数据集信息表

项目详细说明
数据集名称黄瓜叶片果实病害检测数据集
总图片数量1375 张
数据集划分训练集：1101 张
验证集：137 张
测试集：137 张
检测类别（共8类）0: Anthracnose（炭疽病）
1: Bacterial-Wilt（青枯病）
2: Belly-Rot（脐腐病）
3: Downy-Mildew（霜霉病）
4: Fresh-Cucumber（健康果实）
5: Fresh-Leaf（健康叶片）
6: Gummy-Stem-Blight（蔓枯病）
7: Pythium-Fruit-Rot（瓜果腐霉病）
标注状态全量完成标注，开箱即用
数据格式标准YOLO格式，同时兼容其他主流标注格式，可按需转换
适用场景智慧农业、大棚果蔬病害智能诊断、农作物长势监测、农业无人机巡检、农业AI项目、计算机视觉毕业设计/课程实训

二、应用场景

  1. 设施农业智能监测：温室、大棚内黄瓜植株实时巡检，自动识别叶片、果实各类病害，提前干预防治。
  2. 农作物病害诊断：辅助农户、农技人员快速判断病害类型，精准匹配用药与养护方案。
  3. 农业无人机巡检：搭载视觉模型，大范围田间黄瓜种植区航拍检测，提升田间管理效率。
  4. 农业科研分析：用于作物病害样本统计、发病规律研究、植保数据分析。
  5. 教学与项目开发：农业视觉方向课程设计、毕业设计、YOLO算法实战训练。

三、核心标签

#YOLO#目标检测#黄瓜病害检测#智慧农业#农作物识别#叶片病害#果实病害#农业AI#数据集#计算机视觉#毕业设计

四、数据集目录结构

cucumber_disease/ ├── images/ │ ├── train/ # 1101张 训练集图片 │ ├── val/ # 137张 验证集图片 │ └── test/ # 137张 测试集图片 ├── labels/ │ ├── train/ # 对应YOLO格式txt标注文件 │ ├── val/ │ └── test/ └── cucumber.yaml # 数据集配置文件

五、数据集配置文件cucumber.yaml

path:./cucumber_diseasetrain:images/trainval:images/valtest:images/testnc:8names:0:Anthracnose1:Bacterial-Wilt2:Belly-Rot3:Downy-Mildew4:Fresh-Cucumber5:Fresh-Leaf6:Gummy-Stem-Blight7:Pythium-Fruit-Rot

六、环境依赖

pipinstallultralytics torch opencv-python numpy

七、模型训练代码train_cucumber.py

fromultralyticsimportYOLOdefmain():# 加载预训练模型，支持 YOLOv8 / YOLOv11 等版本model=YOLO("yolov8s.pt")# 开始训练results=model.train(data="./cucumber_disease/cucumber.yaml",epochs=120,imgsz=640,batch=16,device=0,# 使用GPU 0，无GPU改为 device="cpu"workers=4,patience=20,project="runs/train",name="cucumber_disease",exist_ok=True,pretrained=True,mosaic=1.0)print("训练完成，权重存放路径：runs/train/cucumber_disease/weights")# 测试集模型评估metrics=model.val(data="./cucumber_disease/cucumber.yaml",split="test")print(f"mAP@50:{metrics.box.map50:.4f}")print(f"mAP@50-95:{metrics.box.map:.4f}")if__name__=="__main__":main()

八、图像推理测试代码predict_cucumber.py

fromultralyticsimportYOLOimportcv2# 加载训练好的最优权重model=YOLO("runs/train/cucumber_disease/weights/best.pt")# 单张图片推理img_path="test.jpg"results=model.predict(source=img_path,conf=0.25,iou=0.45,save=True)# 结果可视化展示detect_img=results[0].plot()cv2.imshow("Cucumber Disease Detection",detect_img)cv2.waitKey(0)cv2.destroyAllWindows()