玉米病叶识别数据集介绍本数据集专注于玉米叶片病害的识别任务包含多种常见病害类型褐斑病、玉米锈病、玉米黑粉病、霜霉病、灰叶斑点病、叶枯病等。数据集共包含4924张高质量标注图片采用YOLO、COCO和VOC三种主流标注格式方便不同框架和模型使用。数据集划分数据集类型比例图片数量训练集90%4425张验证集7%332张测试集3%167张数据预处理调整尺寸统一拉伸至640×640像素确保输入尺寸一致对比度增强采用自适应直方图均衡化技术提升图像细节可见度数据增强策略为提升模型泛化能力每个训练样本应用以下增强操作输出倍数每个样本生成3个增强版本翻转操作水平翻转旋转增强90°顺时针、逆时针、上下颠倒旋转裁剪缩放最小缩放0%最大缩放20%随机旋转-15°至15°范围内随机旋转仿射变换水平方向±10°垂直方向±10°剪切色彩调整色调-15°至15°饱和度-25%至25%亮度-20%至20%曝光度-15%至15%噪声与模糊高斯模糊最高2.5像素随机噪声最高0.1%像素边界框增强亮度调整范围-15%至15%病害样本展示以下是数据集中部分病害样本的可视化展示玉米黑粉病样本褐斑病样本1褐斑病样本2玉米锈病样本数据集下载数据集按不同格式和版本提供下载YOLOv11格式https://download.csdn.net/download/pbymw8iwm/90130013YOLOv9格式https://download.csdn.net/download/pbymw8iwm/90130014YOLOv8格式https://download.csdn.net/download/pbymw8iwm/90130017YOLOv5格式https://download.csdn.net/download/pbymw8iwm/90130081COCO格式https://download.csdn.net/download/pbymw8iwm/90130082VOC格式https://download.csdn.net/download/pbymw8iwm/90130083YOLO模型训练指南以下是使用本数据集进行YOLO模型训练的详细步骤数据准备下载对应格式的数据集并解压到当前工作目录获取训练脚本从Git仓库克隆训练代码git clone https://gitcode.com/pbymw8iwm/YOLOProject.git复制训练脚本将仓库中的训练脚本复制到数据集目录下选择模型版本根据需求选择对应的训练脚本YOLOv8训练python train_yolov8.pyYOLOv5训练python train_yolov5.pyYOLOv9训练python train_yolov9.py配置训练参数根据需要调整超参数如学习率、批次大小、训练轮数等开始训练运行对应的训练脚本开始模型训练训练过程可视化模型验证与测试训练完成后可以使用以下代码进行模型验证和测试# 需要安装pip install ultralytics from ultralytics import YOLO import cv2 1. 加载训练好的YOLO模型 加载训练得到的最佳权重文件 model YOLO(best.pt) 2. 推理配置 image_path 326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg # 测试图片路径 save_result True # 是否保存标注结果 3. 执行推理 results model.predict( sourceimage_path, conf0.01, # 置信度阈值低于该值忽略 saveFalse, # 关闭默认保存使用自定义保存 verboseFalse # 关闭冗余日志输出 ) 4. 解析检测结果 print( * 50) print(YOLO 推理结果目标区域 标注信息) print( * 50) 读取原始图片用于绘制检测框 img cv2.imread(image_path) 遍历所有检测目标 for idx, result in enumerate(results): boxes result.boxes # 获取所有检测框 for box in boxes: # 提取目标区域坐标 # xyxy格式左上角x, 左上角y, 右下角x, 右下角y x1, y1, x2, y2 box.xyxy[0].cpu().numpy() width x2 - x1 height y2 - y1 # 提取标注信息 cls_id int(box.cls[0]) # 类别ID cls_name model.names[cls_id] # 类别名称 confidence float(box.conf[0]) # 置信度 # 打印检测信息 print(f目标 {idx 1}:) print(f 病害类别{cls_name}) print(f 置信度{confidence:.2%}) print(f 目标区域坐标) print(f 左上角 ({x1:.1f}, {y1:.1f})) print(f 右下角 ({x2:.1f}, {y2:.1f})) print(f 宽×高{width:.1f} × {height:.1f}) print(- * 30) # 在图片上绘制检测框 cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(img, f{cls_name} {confidence:.2f}, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) 5. 保存并显示结果 if save_result: cv2.imwrite(yolo_result.jpg, img) print(✅ 标注图片已保存为yolo_result.jpg) 显示检测结果可选 cv2.imshow(YOLO检测结果, img) cv2.waitKey(0) cv2.destroyAllWindows()代码说明模型加载使用YOLO(best.pt)加载训练好的最佳权重推理配置可调整置信度阈值、是否保存结果等参数结果解析提取目标坐标、类别、置信度等关键信息可视化输出在原始图片上绘制检测框并保存结果总结本数据集为玉米病害识别研究提供了高质量的标注数据支持多种YOLO版本和标注格式。通过合理的数据增强策略和详细的训练指南研究人员和开发者可以快速构建高性能的玉米病害检测模型。数据集中的样本覆盖了多种常见病害类型具有良好的代表性和实用性。