行业资讯
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AnthracnoseBacterial-WiltBelly-RotDowny-MildewFresh-CucumberFresh-LeafGummy-Stem-BlightPythium-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。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。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。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。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.yamlpath:./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.pyfromultralyticsimportYOLOdefmain():# 加载预训练模型支持 YOLOv8 / YOLOv11 等版本modelYOLO(yolov8s.pt)# 开始训练resultsmodel.train(data./cucumber_disease/cucumber.yaml,epochs120,imgsz640,batch16,device0,# 使用GPU 0无GPU改为 devicecpuworkers4,patience20,projectruns/train,namecucumber_disease,exist_okTrue,pretrainedTrue,mosaic1.0)print(训练完成权重存放路径runs/train/cucumber_disease/weights)# 测试集模型评估metricsmodel.val(data./cucumber_disease/cucumber.yaml,splittest)print(fmAP50:{metrics.box.map50:.4f})print(fmAP50-95:{metrics.box.map:.4f})if__name____main__:main()八、图像推理测试代码predict_cucumber.pyfromultralyticsimportYOLOimportcv2# 加载训练好的最优权重modelYOLO(runs/train/cucumber_disease/weights/best.pt)# 单张图片推理img_pathtest.jpgresultsmodel.predict(sourceimg_path,conf0.25,iou0.45,saveTrue)# 结果可视化展示detect_imgresults[0].plot()cv2.imshow(Cucumber Disease Detection,detect_img)cv2.waitKey(0)cv2.destroyAllWindows()
郑州网站建设
网页设计
企业官网
