【免费数据集010期】Grape Leaf Diseases 葡萄叶病害检测数据集（4类）：面向智慧农业的叶片病害识别基准

Grape Leaf Diseases 葡萄叶病害检测数据集（4类）：面向智慧农业的叶片病害识别基准

数据集简介

Grape Leaf Diseases数据集是一个专注于葡萄叶片病害检测的专业计算机视觉数据集，专为智慧农业领域的病害自动识别任务构建。该数据集针对葡萄种植中常见的叶片病害问题，收集了真实种植场景下的叶片图像并完成专业标注，为病害检测算法的训练与评估提供了可靠基准。

该数据集总计包含4195张葡萄叶片图像，覆盖4类目标类别，包括3种常见病害和健康叶片。图像采集自真实葡萄园场景，涵盖不同光照、角度和生长阶段的叶片样本，标注框总数达4415个，无空标签文件，标注覆盖率100%。

数据集主要用于葡萄叶片病害目标检测 、作物病害分类 、智慧农业视觉监测系统开发等任务，可支持从基础算法研究到实际农业生产应用的全流程技术验证。

数据集采用标准YOLO格式划分为训练集和验证集两个子集：

训练集：包含3358张图像，占总数据量的80%，标注框数量3534个，用于模型的特征学习与参数优化
验证集：包含837张图像，占总数据量的20%，标注框数量881个，用于模型性能的阶段性评估与超参数调优

该数据集以其真实场景覆盖 、专业病害标注 和类别均衡性良好 的特点，成为葡萄病害检测领域重要的基准数据集，为智慧农业中的作物病害自动识别技术研究提供了高质量的数据支撑。

01 数据集概览

字段	详情
数据集名称	Grape Leaf Diseases 葡萄叶病害检测数据集
类别数量	4
总图像数量	4195张
训练集规模	3358张（80%），含3534个标注框
验证集规模	837张（20%），含881个标注框
测试集支持	无
标注格式	YOLO格式（归一化边界框）
标注质量	无空标签文件，标注覆盖率100%，边界框平均宽0.8687、高0.9155
采集场景	真实葡萄园环境，涵盖不同光照、角度、生长阶段
图像分辨率	最小150×150，最大5456×3632，平均291×283，其中256×256分辨率占比96.8%
类别均衡性	类别不均衡分数2.15，整体均衡性良好
数据增强建议	建议采用旋转、翻转、亮度调整、对比度增强等方式缓解分辨率差异问题
其他信息	无小目标（归一面积<0.005），目标尺度以中大型为主

02 类别定义与特征

类别ID	英文名称	中文术语	视觉特征
0	Grape__BlackRot	葡萄黑腐病	叶片表面出现圆形或不规则形褐色病斑，病斑边缘呈红褐色，后期病斑上会出现黑色小点，叶片逐渐干枯
1	Grape__Esca	葡萄埃斯卡病	叶片表面呈现黄色或红褐色斑点，病斑呈不规则形状，常伴有叶脉坏死，严重时叶片出现穿孔或大面积枯萎
2	Grape__Healthy	健康葡萄叶	叶片颜色鲜绿，表面无病斑、坏死或畸形，叶脉清晰，整体形态完整
3	Grape__LeafBlight	葡萄叶枯病	叶片边缘或尖端出现褐色坏死区域，逐渐向叶片中心扩展，病斑呈不规则形，后期叶片大面积干枯卷曲

03 数据集目录结构

text 复制代码

Grape_Leaf_Diseases/
├── train/
│   ├── images/     # 训练集图像（3358张）
│   └── labels/      # 训练集YOLO标注（.txt）
├── val/
│   ├── images/      # 验证集图像（837张）
│   └── labels/      # 验证集YOLO标注（.txt）
└── data.yaml        # YOLO26配置文件

04 应用场景

智慧葡萄园病害监测：部署在葡萄园的智能摄像头实时采集叶片图像，通过模型自动识别病害类型，实现病害的早期预警与精准防控，减少农药使用量。
移动农业检测终端：集成在植保无人机或手持智能设备中，在田间快速扫描葡萄叶片，实时输出病害检测结果，辅助农户进行现场诊断。
农业大数据分析：基于大量病害检测数据，分析不同区域、不同季节的病害发生规律，为葡萄种植的精细化管理提供数据支撑。
作物病害识别算法研究：作为基准数据集，用于对比不同目标检测算法在葡萄病害识别任务中的性能，推动农业计算机视觉技术的发展。
农业科普与培训：结合可视化检测结果，用于种植户的病害识别培训，提升农户对葡萄常见病害的认知水平。

05 模型训练与部署

YOLO26 配置文件（data.yaml）

yaml 复制代码

# Grape Leaf Diseases 葡萄叶病害检测数据集配置
train: ../train/images  # 训练集图像路径
val: ../val/images      # 验证集图像路径
test: ''                # 无测试集

nc: 4                   # 类别数量
names:                  # 类别名称列表
  - Grape__BlackRot
  - Grape__Esca
  - Grape__Healthy
  - Grape__LeafBlight

训练参数建议与命令

根据数据集规模（4195张图像）和图像特征，推荐以下训练参数：

epochs=45：中等规模数据集，45轮训练可充分收敛
batch_size=16：平衡训练效率与显存占用的通用最优值
imgsz=640：适配目标尺度，同时缓解原始分辨率差异问题
optimizer=SGD：针对均衡数据集，泛化性优于Adam
amp=True：开启混合精度训练，节省显存并加速训练

单GPU训练命令

bash 复制代码

yolo train data=data.yaml model=yolo26n.pt epochs=45 batch=16 imgsz=640 optimizer=SGD amp=True cache=True workers=8 save_period=11 device=0

多GPU训练命令

bash 复制代码

yolo train data=data.yaml model=yolo26n.pt epochs=45 batch=32 imgsz=640 optimizer=SGD amp=True cache=True workers=8 save_period=11 device=0,1

模型验证与导出

bash 复制代码

# 模型验证
yolo val data=data.yaml model=runs/detect/train/weights/best.pt imgsz=640

# 导出为ONNX格式（用于部署）
yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640

Python 训练代码

python 复制代码

from ultralytics import YOLO
if __name__ == '__main__':
    model = YOLO('yolo26n.pt')
    results = model.train(
        data='data.yaml',
        epochs=45,
        batch=16,
        imgsz=640,
        workers=8,
        device=0,
        optimizer='SGD',
        amp=True,
        cache=True,
        save_period=11,
    )

06 数据集获取方式

后台回复关键词 葡萄叶病害检测数据集，即可获取数据集下载链接及使用说明。

07 使用声明与引用规范

本数据集仅用于学术研究与非商业用途，禁止用于商业产品开发或盈利性活动
使用数据集发表论文或研究成果时，需在致谢部分注明数据集来源
请勿对数据集进行二次分发或修改后重新发布
数据集提供者不对因使用本数据集导致的任何损失承担责任

08 相关数据集推荐

PlantVillage 植物病害数据集：包含14种作物的26类病害图像，覆盖更广泛的作物种类
Apple Leaf Disease Dataset：专注于苹果叶片病害的检测数据集，包含4类病害和健康叶片
Citrus Leaf Disease Dataset：针对柑橘类作物的叶片病害检测数据集，涵盖5类病害类型
Tomato Leaf Disease Detection Dataset：包含10类番茄叶片病害的大规模数据集，适合复杂病害识别任务