棉花叶片病害检测数据集

【棉花叶片病害检测数据集】nc: 5
names: ['blight', 'curl', 'healthy', 'wilt', 'wilt_png']
名称：【'枯萎病', '卷叶病', '健康'，'萎蔫病'，‘萎蔫病图像’】共3474张，8:1:1比例划分，（train;2888张，val：293张，test：294张标注文件为YOLO适用的txt格式。可以直接用于模型训练。

棉花叶片病害检测数据集

项目背景：

棉花作为一种重要的经济作物，在全球范围内有着广泛的种植。然而，棉花叶片病害严重影响了棉花的产量和品质。为了提高病害的识别效率和准确性，利用深度学习技术进行病害检测成为了新的研究热点。本数据集旨在为棉花叶片病害的检测提供高质量的标注数据，支持科研人员和开发者进行模型训练和评估。

数据集概述：

名称：棉花叶片病害检测数据集
规模：共计3,474张图像
数据划分：按照8:1:1的比例划分，分别为训练集、验证集和测试集
- 训练集：2,888张图像
- 验证集：293张图像
- 测试集：294张图像
病害类别：
- 枯萎病（blight）
- 卷叶病（curl）
- 健康（healthy）
- 萎蔫病（wilt）
- 萎蔫病图像（wilt_png）
标注格式：YOLO适用的.txt格式

数据集特点：

全面性：涵盖多种常见的棉花叶片病害，包括枯萎病、卷叶病、萎蔫病等，确保数据集的多样性和实用性。
高质量标注：每张图像都有详细的标注信息，确保数据的准确性和可靠性。
适用范围广：适用于多种深度学习框架，方便科研人员和开发者直接使用。

数据集内容：

枯萎病：标注了受到枯萎病影响的棉花叶片图像。
卷叶病：标注了受到卷叶病影响的棉花叶片图像。
健康：标注了健康的棉花叶片图像。
萎蔫病：标注了受到萎蔫病影响的棉花叶片图像。
萎蔫病图像：额外提供了一些萎蔫病图像，用于补充数据集的多样性。

数据集用途：

病害识别：可用于训练和评估深度学习模型，特别是在棉花叶片病害的识别方面。
早期预警：帮助实现病害的早期预警，减少病害扩散的风险。
科研与教育：为棉花病害检测领域的研究和教学提供丰富的数据支持。

使用场景：

农田监测：在农田监测系统中，利用该数据集训练的模型可以自动识别棉花叶片病害。
病害监测：在病害监测系统中，利用该数据集可以提高监测的准确性和速度。
农业管理：在农业管理和保护工作中，利用该数据集可以提前发现潜在的病害风险，提高管理效率。

技术指标：

数据量：共计3,474张图像，覆盖多种病害类型。
数据划分：按照8:1:1的比例划分，确保数据集的充分训练和验证。
标注格式：YOLO适用的.txt格式，方便导入不同的检测框架。

注意事项：

数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。

获取方式：

下载链接：请访问项目主页获取数据集下载链接。
许可证：请仔细阅读数据集的使用许可协议。

关键代码示例：

以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。

数据加载：

1import os
2import cv2
3import numpy as np
4
5# 数据集路径
6DATASET_PATH = 'path/to/dataset'
7TRAIN_DIR = os.path.join(DATASET_PATH, 'train')
8VAL_DIR = os.path.join(DATASET_PATH, 'val')
9TEST_DIR = os.path.join(DATASET_PATH, 'test')
10
11# 加载数据集
12def load_dataset(directory):
13    images = []
14    labels = []
15
16    for img_file in os.listdir(os.path.join(directory, 'images')):
17        if img_file.endswith('.jpg'):
18            img_path = os.path.join(directory, 'images', img_file)
19            label_path = os.path.join(directory, 'labels', img_file.replace('.jpg', '.txt'))
20            
21            image = cv2.imread(img_path)
22            with open(label_path, 'r') as f:
23                label = f.read().strip()
24            
25            images.append(image)
26            labels.append(label)
27
28    return images, labels
29
30train_images, train_labels = load_dataset(TRAIN_DIR)
31val_images, val_labels = load_dataset(VAL_DIR)
32test_images, test_labels = load_dataset(TEST_DIR)

模型训练：

1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='cotton_leaf_disease.yaml', epochs=EPOCHS, batch=BATCH_SIZE)

模型检测：

1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_cotton_disease(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            cv2.putText(image, f'Class: {class_id}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17    
18    return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_cotton_disease(test_image)
23cv2.imshow('Detected Cotton Disease', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()

配置文件 `cotton_leaf_disease.yaml`：

1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 5  # Number of classes
6names: ['枯萎病', '卷叶病', '健康', '萎蔫病', '萎蔫病图像']  # Class names
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_size: [640, 640]  # Image size