智慧农业-无人机枸杞树病害检测数据集 深度学习框架基于YOLOV8枸杞病害检测系统 无人机智慧农业枸杞病害巡检
无人机枸杞树病害目标检测测数据集
数量：1539张数据集
"训练集：1083""验证集：304"“测试集：152”
类别数量：2个对象类别
类别类型：“healthy健康作物”, “stressed病害作物（如点片状发病区、连片扩散区、叶片卷曲程度、病斑面积占比、初期病斑、局部黄化、大面积枯萎、组织坏死）”
| 数据集类型 | 图片数量 |
|---|---|
| 总计 | 1539 |
| 训练集 | 1083 |
| 验证集 | 304 |
| 测试集 | 152 |
类别信息如下表所示：
| 类别索引 | 类别名称 | 描述 |
|---|---|---|
| 0 | healthy（健康作物） | 表示没有受到病害影响的枸杞树区域。 |
| 1 | stressed（病害作物） | 包括点片状发病区、连片扩散区、叶片卷曲程度、病斑面积占比、初期病斑、局部黄化、大面积枯萎、组织坏死等多种病害情况。 |
这个表格简要概括了您提供的数据集的基本结构和内容。如果您需要更详细的信息或有特定格式的需求，请告知我进一步调整。
1
1
✅ 一、数据集概览表
| 项目 | 内容 |
|---|---|
| 数据集名称 | 无人机枸杞树病害检测数据集 |
| 总图像数 | 1,539 张（航拍 RGB 图像） |
| 类别数量 | 2 类 |
| 类别标签 | 0: healthy（健康作物）1: stressed（病害作物） |
| 病害类型 | 点片状发病区、连片扩散区、叶片卷曲、病斑面积占比高、初期病斑、局部黄化、大面积枯萎、组织坏死等 |
| 数据划分 | - 训练集（train）：1,083 张- 验证集（val）：304 张- 测试集（test）：152 张 |
| 标注格式 | YOLO 格式（.txt 文件，归一化坐标） |
| 兼容模型 | YOLOv5 / YOLOv6 / YOLOv8 / YOLOv11 等 |
✅ 二、目录结构（标准 YOLO 格式）
确保你的数据组织如下：
goji_blight_dataset/ ├── images/ │ ├── train/ # 1083 张 │ ├── val/ # 304 张 │ └── test/ # 152 张 ├── labels/ │ ├── train/ # 对应 .txt 标签 │ ├── val/ │ └── test/ └── data.yaml # 配置文件（必须） ✅ 三、data.yaml 配置文件
创建 goji_blight_dataset/data.yaml：
# goji_blight_dataset/data.yamltrain: ./images/train val: ./images/val test: ./images/test nc:2names:['healthy','stressed']⚠️ 路径为相对路径，与训练脚本同级。
✅ 四、YOLOv8 完整训练代码（Python）
保存为 train_goji_blight.py：
# -*- coding: utf-8 -*-""" 无人机枸杞树病害检测 - YOLOv8 训练脚本 支持：2 类目标检测（healthy / stressed） 作者：AI助手 """import os from ultralytics import YOLO import torch # -----------------------------# 1. 检查数据集路径是否存在# ----------------------------- dataset_path ="goji_blight_dataset"ifnot os.path.exists(dataset_path):raise FileNotFoundError(f"❌ 数据集路径 '{dataset_path}' 不存在！请检查目录结构。")# -----------------------------# 2. 自动选择设备（GPU/CPU）# ----------------------------- device ='cuda'if torch.cuda.is_available()else'cpu'print(f"🚀 使用设备: {device}")# -----------------------------# 3. 加载预训练 YOLOv8 模型# -----------------------------# 推荐使用 yolov8s（平衡速度与精度），若部署到边缘设备可用 yolov8n model = YOLO('yolov8s.pt')# 首次运行会自动下载权重# -----------------------------# 4. 开始训练（关键参数已优化）# ----------------------------- results = model.train(# 数据配置 data=os.path.join(dataset_path,'data.yaml'),# 指向 data.yaml# 训练参数 epochs=100,# 训练轮数（100 足够收敛） imgsz=1280,# 输入图像尺寸（提升小病斑检出率） batch=16,# 批大小（RTX 3060 可设 16~32） name='goji_yolov8s_1280',# 实验名称，结果保存在 runs/detect/ 下# 设备 device=device,# 数据增强（针对航拍作物图像定制） hsv_h=0.015,# 色调扰动（模拟不同光照） hsv_s=0.7,# 饱和度（应对绿/黄/枯色变化） hsv_v=0.5,# 亮度（应对阴影/强光） degrees=10.0,# 旋转 ±10°（模拟无人机偏航） translate=0.1,# 平移 10% scale=0.5,# 缩放（模拟飞行高度变化） mosaic=1.0,# ✅ 必开！将小病斑拼接到新背景，提升召回率 mixup=0.1, flipud=0.0,# 不上下翻转（农田通常不倒置） fliplr=0.5,# 左右翻转（合理）# 训练策略 patience=20,# 早停：20 轮验证损失无改善 save_period=10,# 每 10 轮保存一次 checkpoint workers=8,# 数据加载线程数 cache=False# 若内存充足可设 True 加速训练)print("✅ 训练完成！")print(f"📌 最佳模型路径: runs/detect/goji_yolov8s_1280/weights/best.pt")✅ 五、命令行快速训练（可选）
yolo detect train \data=goji_blight_dataset/data.yaml \model=yolov8s.pt \epochs=100\imgsz=1280\batch=16\name=goji_yolov8s_1280 \device=0✅ 六、模型评估（测试集性能）
# evaluate_model.pyfrom ultralytics import YOLO # 加载最佳模型 model = YOLO('runs/detect/goji_yolov8s_1280/weights/best.pt')# 在测试集上评估 metrics = model.val( data='goji_blight_dataset/data.yaml', split='test'# 指定使用 test 集)# 打印关键指标print("📊 测试集评估结果:")print(f" [email protected] : {metrics.box.map50:.4f}")print(f" [email protected]:0.95: {metrics.box.map:.4f}")print(f" Precision : {metrics.box.mp:.4f}")print(f" Recall : {metrics.box.mr:.4f}")💡 预期性能：[email protected] > 0.85（高质量航拍数据集）Recall > 0.80（避免漏检病害区域）
✅ 七、推理脚本（单图 + 批量）
1. 单图推理并保存结果
# infer_single.pyfrom ultralytics import YOLO model = YOLO('best.pt')# 替换为你的 best.pt 路径# 推理单张图像 results = model.predict( source='goji_field.jpg',# 输入图像路径 conf=0.3,# 置信度阈值（病害检测可设低些） iou=0.45,# NMS IoU 阈值 save=True,# 保存带框图像到 runs/detect/... show=False# 不显示窗口)print("✅ 检测结果已保存！")2. 批量处理并生成病害报告
# infer_batch_report.pyfrom ultralytics import YOLO import os import pandas as pd model = YOLO('best.pt') input_dir ='field_images/'# 待检测图像目录 output_dir ='detected_results/' os.makedirs(output_dir, exist_ok=True) report =[]for img_name in os.listdir(input_dir):if img_name.lower().endswith(('.jpg','.png','.jpeg')): img_path = os.path.join(input_dir, img_name) results = model.predict(img_path, conf=0.3, save=True)for r in results:# 统计每张图的病害区域数量 stressed_count =sum(1for cls in r.boxes.cls ifint(cls)==1) healthy_count =len(r.boxes)- stressed_count report.append({'image': img_name,'healthy_regions': healthy_count,'stressed_regions': stressed_count,'total_detections':len(r.boxes)})# 保存 CSV 报告 df = pd.DataFrame(report) df.to_csv(os.path.join(output_dir,'goji_health_report.csv'), index=False)print(f"✅ 病害统计报告已生成: {output_dir}/goji_health_report.csv")