【YOLOv8 农业实战】11 组大豆 + 棉花深度学习数据集分享｜附格式转换 + 加载代码

农业目标检测是智能农业、精准种植、病虫害预警的核心技术支撑，而高质量标注数据集是提升模型识别精度的关键。大豆和棉花作为我国重要经济作物，其叶片识别、病害检测、田间分割等场景的数据集需求迫切。

本次整理 11 组聚焦大豆、棉花的农业专用数据集，涵盖叶片病害识别、田间分割、花包检测、杂草识别等核心场景，适配 YOLOv5/YOLOv8 等主流模型。本文不仅提供数据集详细信息，还附上标注格式转换、数据加载实操代码，助力科研与项目落地，全程规避违规风险。

一、数据集核心参数（技术适配版）

所有数据集均经过合规性筛选，已标注类数据标注精度≥94%，可直接用于模型训练或二次优化，具体信息如下：

序号	数据集名称	核心规格	标注信息	适用场景
1	大豆单株田间分割数据集	594 张	已标注，YOLOv8 格式（边界框 + 分割掩码），精度 95%	大豆单株计数、株型分析、田间长势监测
2	大豆田间分割数据集	466 张	已标注，YOLOv8 格式，覆盖不同种植密度场景	大豆田间覆盖度计算、群体长势评估
3	大豆叶片病害识别数据集	1034 张，含叶斑病、锈病、健康 3 类	未标注，原始图片集，病害特征鲜明	大豆病害分类模型训练、数据集自制标注
4	大豆叶片分割数据集（含病虫害镂空）	1295 张	已标注，YOLOv8 格式，区分健康区域与病害镂空区域	大豆病害严重程度评估、叶片损伤量化
5	大豆叶片识别数据集	230 张	已标注，YOLOv8 格式，聚焦叶片个体识别	大豆叶片计数、叶面积估算、生长周期监测
6	大豆叶片大规模数据集	5711 张	已标注，CSV 格式（含类别标签、特征参数）	大豆叶片特征分析、大样本模型预训练
7	豆类叶片（健康 / 病害 / 虫害）分割识别数据集	1028 张	已标注，YOLO 格式（兼容 v5/v8），3 类场景标签	豆类作物综合病虫害检测、跨作物模型迁移
8	棉花花包识别数据集	754 张	已标注，YOLOv8 格式，花包定位精准	棉花产量预估、花包发育阶段监测
9	棉花花包识别数据集 1	600 张	已标注，YOLOv8 格式，含不同光照条件样本	棉花花包检测模型优化、抗干扰性训练
10	棉花图像识别数据集	464 张	已标注，YOLOv5 格式，支持格式转换后使用	棉花植株识别、田间分布监测
11	无人机视角大豆田杂草识别数据集	197 张	已标注，YOLOv8 格式，无人机高空视角	大豆田杂草精准防除、自动化除草设备适配

💡 提示：第 7 组数据集支持跨豆类作物迁移学习，第 11 组无人机视角数据可直接用于农业无人机巡检系统开发。

二、技术实操：数据集格式转换 + 加载代码

1. 标注格式转换（解决多格式兼容问题）

（1）CSV 格式转 YOLOv8 格式（适配第 6 组数据集）

python

运行

复制代码

import pandas as pd
import os
import cv2

# 数据集路径配置
csv_path = "soybean_leaf_data.csv"  # CSV标注文件路径
img_dir = "images/"  # 图片存放目录
save_label_dir = "labels/"  # 转换后标签保存目录
os.makedirs(save_label_dir, exist_ok=True)

# 读取CSV文件（假设CSV含列：image_name, class_id, x1, y1, x2, y2）
df = pd.read_csv(csv_path)
class_names = ["健康叶片", "病害叶片", "虫害叶片"]  # 需根据实际CSV类别调整

for img_name, group in df.groupby("image_name"):
    img_path = os.path.join(img_dir, img_name)
    img = cv2.imread(img_path)
    h, w = img.shape[:2]  # 获取图片尺寸
    
    label_path = os.path.join(save_label_dir, img_name.replace(".jpg", ".txt"))
    with open(label_path, "w", encoding="utf-8") as f:
        for _, row in group.iterrows():
            class_id = row["class_id"]
            # 转换为YOLOv8格式（x_center, y_center, w, h，归一化）
            xc = (row["x1"] + row["x2"]) / 2 / w
            yc = (row["y1"] + row["y2"]) / 2 / h
            bw = (row["x2"] - row["x1"]) / w
            bh = (row["y2"] - row["y1"]) / h
            f.write(f"{class_id} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}\n")

print("CSV转YOLOv8格式完成！")

（2）YOLOv5 转 YOLOv8 格式（适配第 10 组数据集）

python

运行

复制代码

import os

# 仅需统一标签文件命名与类别索引，YOLOv5与YOLOv8核心格式兼容
def yolov5_to_yolov8(label_dir):
    for label_file in os.listdir(label_dir):
        if label_file.endswith(".txt"):
            # 读取YOLOv5标签
            with open(os.path.join(label_dir, label_file), "r") as f:
                lines = f.readlines()
            # 直接保存为YOLOv8格式（无需修改内容，仅确保类别索引一致）
            with open(os.path.join(label_dir, label_file), "w") as f:
                f.writelines(lines)

# 调用函数转换
yolov5_to_yolov8("yolov5_labels/")
print("YOLOv5转YOLOv8格式完成！")

2. YOLOv8 数据集加载与验证

python

运行

复制代码

from ultralytics import YOLO
import yaml
import os

# 编写数据集配置文件（agri_data.yaml）
data_config = {
    "path": "./agri_dataset",  # 数据集根目录
    "train": "images/train",    # 训练集图片路径
    "val": "images/val",        # 验证集图片路径
    "nc": 8,                    # 类别总数（根据实际数据集调整）
    "names": ["大豆单株", "大豆叶片", "大豆叶斑病", "大豆锈病", 
              "棉花花包", "杂草", "豆类病害叶片", "豆类虫害叶片"]  # 类别名称
}

# 保存配置文件
with open("agri_data.yaml", "w", encoding="utf-8") as f:
    yaml.dump(data_config, f, allow_unicode=True)

# 加载预训练模型并验证数据集格式
model = YOLO("yolov8n.pt")
# 格式验证（仅验证不训练）
model.val(data="agri_data.yaml", imgsz=640, batch=16, verbose=True)
print("数据集格式验证通过，可直接用于训练！")

3. 训练调参建议（针对农业数据集特点）

小样本数据集（如 197 张杂草数据、230 张叶片识别数据）：采用迁移学习，冻结主干网络前 8 层，学习率设为 0.0005，迭代 60 轮，搭配 MixUp 数据增强提升泛化能力。
中大规模数据集（如 5711 张大豆叶片数据、1034 张病害数据）：解冻全部网络层，学习率设为 0.001，迭代 100 轮，使用早停机制（patience=8）避免过拟合。
农业场景优化：针对田间光照变化、遮挡问题，在数据增强中增加亮度对比度调整（±20%）、随机遮挡（比例≤10%），提升模型在实际田间环境的鲁棒性。

三、数据集价值与应用场景（技术落地导向）

1. 科研价值

为农业信息技术、机器学习领域提供真实场景数据支撑，可用于优化作物识别、病害检测、语义分割等模型，推动精准农业技术创新。

2. 实际应用场景

智能病虫害预警：基于大豆叶片病害数据集训练模型，集成到田间传感器或无人机巡检系统，实现病害实时识别与预警。
产量预估：通过大豆单株分割、棉花花包识别数据集，结合株型、花包数量等特征，建立产量预测模型。
精准除草：利用无人机视角杂草识别数据集，适配自动化除草设备，实现杂草精准定位与防除。
科研与教学：适用于高校农业工程、计算机视觉专业的实验教学，以及相关领域的课题研究。

四、后续分享计划

后续将聚焦农业目标检测落地痛点，补充以下内容：1. 大豆 / 棉花病虫害细分场景数据集（如不同生育期病害）；2. YOLOv8 模型轻量化部署教程（适配边缘计算设备、农业无人机）；3. 农业数据集标注实战（LabelStudio 使用指南）。

如需获取数据集详细获取方式，可关注博主或者私信。