【YOLO数据集】水稻病害目标检测

📥 1、背景

水稻作为全球半数以上人口的主粮，其稳定生产关乎粮食安全与社会稳定。然而，水稻在生长周期内容易受到稻瘟病、纹枯病、白叶枯病等多种病害的侵袭，这些病害若不及时识别与防控，将导致严重的产量与品质损失。传统的病害识别主要依赖农业专家田间目视检查，这种方法不仅效率低下、主观性强，且难以应对大面积监测的需求，易错过最佳防治时机。随着精准农业与人工智能技术的快速发展，基于计算机视觉的病害自动检测技术应运而生，为实现高效、无损、大规模的病害早期诊断与精准防控提供了革命性工具。特别地，基于深度学习的目标检测方法（如YOLO、Faster R-CNN系列）能够直接从田间复杂背景的图像中定位并识别出病害斑块，极大地提升了自动化水平。然而，水稻病害目标检测在实际应用中仍面临诸多挑战：田间自然环境光照变化剧烈；病害症状在初期表现细微、与健康部位对比度低；叶片重叠、姿态多样导致病灶被遮挡；以及不同病害间可能存在视觉相似性，对模型的判别能力提出了更高要求。因此，研究能够适应复杂田间环境、对小目标及相似类别具有高鲁棒性和高精度的轻量化病害检测模型，对于推动植保智能化、保障粮食安全生产具有重要的理论价值与现实意义。

📌 2、数据集概览

项目	内容
数据集名称	水稻病害目标检测数据集
任务类型	目标检测（Object Detection）
类别	'Bacteria_Leaf_Blight', 'Brown_Spot', 'Leaf_smut'
标注格式	YOLO TXT 格式（`<类别> <中心x> <中心y> <宽度> <高度>`，坐标和尺寸均为相对于图像宽高的归一化值（0-1））
图片总数	6715
标注总数	24197

🗂 3、数据详情

类别ID	类别名称	图片数量	标注数量
0	Bacteria_Leaf_Blight	2863	3217
1	Brown_Spot	1576	13992
2	Leaf_smut	2209	6988
总计	-	6715	24197

✨ 4、效果演示

🧠 5、模型训练

1、安装miniconda

地址： https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe

环境变量（根据实际的安装目录配置）：

复制代码

C:\ProgramData\miniconda3 
C:\ProgramData\miniconda3\Scripts 
C:\ProgramData\miniconda3\Library\bin

2、创建虚拟环境

shell 复制代码

conda create -n yolo python==3.8
# 查看现有环境
conda env list
# 激活环境 
conda activate yolo
# 激活失败 （执行该命令后重新进入cmd）
conda init cmd.exe

3、源码下载

https://github.com/ultralytics/ultralytics

（注意：不同版本的yolo在不同tag）

4、训练脚本

python 复制代码

import warnings  
warnings.filterwarnings('ignore')  
from ultralytics import YOLO  
  
if __name__ == '__main__':  
    model = YOLO('ultralytics/cfg/models/v8/yolov8n.pt')  # 指定YOLO模型对象，并加载指定配置文件中的模型配置  
    # model.load('yolov8s.pt')      #加载预训练的权重文件'yolov8s.pt'，加速训练并提升模型性能  
    model.train(data='ultralytics/cfg/datasets/data36.yaml',  # 指定训练数据集的配置文件路径，这个.yaml文件包含了数据集的路径和类别信息  
                cache=False,  # 是否缓存数据集以加快后续训练速度，False表示不缓存  
                imgsz=640,  # 指定训练时使用的图像尺寸，640表示将输入图像调整为640x640像素  
                epochs=100,  # 设置训练的总轮数为200轮  
                batch=8,  # 设置每个训练批次的大小为16，即每次更新模型时使用16张图片  
                close_mosaic=0,  # 设置在训练结束前多少轮关闭 Mosaic 数据增强，10 表示在训练的最后 10 轮中关闭 Mosaic                workers=16,  # 设置用于数据加载的线程数为8，更多线程可以加快数据加载速度  
                patience=300,  # 在训练时，如果经过50轮性能没有提升，则停止训练（早停机制）  
                device='0',  # 指定使用的设备，'0'表示使用第一块GPU进行训练  
                optimizer='SGD',  # 设置优化器为SGD（随机梯度下降），用于模型参数更新  
                )

5、配置文件 data.yaml

yaml 复制代码

path: D:/data/yoloTrain/水稻病害检测
train: images/train
val: images/val
nc: 3
names: ['Bacteria_Leaf_Blight', 'Brown_Spot', 'Leaf_smut']

🛠 6、配套服务

我们提供一站式视觉解决方案，包括：

模型训练与调优指导
部署环境远程配置
定制标注与数据增强
毕业设计/课题辅导
企业项目合作开发

❓ 7、常见问题

Q：标注格式如何转换？

A：提供Python转换脚本，支持YOLO→VOC/COCO，开箱即用：点击下载转换脚本

我这边客户资料同步身份证号