企业官网建设流程全解析

怎么做视频网站,安阳网站如何做优化,数字货币交易网站开发怎么做,深圳设计产业园苹果叶部叶片病害检测数据集 九类 8000张高清标注#xff0c;手动标注#xff0c;YOLO直接训练 SCI验证过的数据集规格一: 1️⃣ 8000张高质量图像 尺寸统一614614 2️⃣ 双格式标注支持#xff1a;VOC(XML)YOLO(TXT) 3️⃣ 九大病害完整覆盖#xff1a; ✔️ 褐斑病 Brown…苹果叶部叶片病害检测数据集九类8000张高清标注手动标注YOLO直接训练 SCI验证过的数据集规格一:1️⃣ 8000张高质量图像 尺寸统一614×6142️⃣ 双格式标注支持VOC(XML)YOLO(TXT)3️⃣ 九大病害完整覆盖✔️ 褐斑病 Brown Spot✔️ 花叶病 Mosaic✔️ 灰斑病 Grey spot✔️ 锈病 Rust✔️ 蛙眼病 Frogeye leaf spot✔️ 白粉病 Powdery mildew✔️ 黑星病 Scab✔️ 交链孢病 Alternaria Boltch✔️ 健康叶片 health可直接用于训练4️⃣ 单图多标签标注 框体总量超150005️⃣ 已助力SCI论文发表 经学术验证适用场景▸ YOLOv5/v7/v8/v11全系算法训练▸ 植物病理智能诊断系统▸ 农业AI科研项目▸ 毕业设计/期刊论文数据源“SCI同款苹果叶部病害检测数据集”的结构化信息表格清晰呈现其规格、类别、标注质量及适用场景SCI同款苹果叶部病害检测数据集9类项目内容说明数据集名称苹果叶部病害检测数据集SCI 同款总图像数量8,000 张高清图像图像尺寸统一为 614 × 614 像素便于直接训练无需裁剪/缩放标注状态✅已全部手动标注✅经过多轮人工校验✅可直接用于 YOLO 训练标注格式双格式支持•PASCAL VOC.xml•YOLO.txt目标框总数15,000 个边界框平均每图约 1.88 个目标含单图多病害共存类别数量9 类覆盖主要苹果叶部病害 健康对照应用场景• 植物病理智能诊断• 农业AI科研• 毕业设计 / SCI论文数据源• 病害监测系统九大病害类别详情表类别ID英文名称中文名称特征简述0Brown Spot褐斑病叶面褐色圆形斑点边缘清晰1Mosaic花叶病叶片黄绿相间 mosaic 状斑驳2Grey spot灰斑病灰色椭圆形病斑常伴晕圈3Rust锈病橙黄色粉状锈斑背面隆起4Frogeye leaf spot蛙眼病病斑中心灰白形似蛙眼5Powdery mildew白粉病叶面覆盖白色粉状霉层6Scab黑星病黑色硬质病斑常致叶片卷曲7Alternaria Blotch交链孢病深褐色不规则大斑易破裂8health健康叶片无病斑、色泽均匀的正常叶片✅所有类别均包含在标注文件中标签 ID 与上述顺序一致推荐目录结构YOLO 格式apple_leaf_disease/ ├── images/ │ ├── train/ # ~6400 张 │ └── val/ # ~1600 张 ├── labels/ │ ├── train/ │ └── val/ └── data.yaml # YOLO 配置文件额外赠送数据集用于泛化验证数据集名称描述用途PlantDoc公开植物病害数据集含多种作物番茄、苹果、葡萄等跨作物泛化测试ALDODApple Leaf Disease Open Dataset公开苹果叶病数据集对比实验、消融研究 所有数据集均经作者亲测有效可用于提升模型鲁棒性与论文可信度。✅兼容性与训练支持模型系列是否支持说明YOLOv5✅直接使用data.yamlYOLOv7✅需调整配置文件YOLOv8 / v10✅推荐使用 Ultralytics 官方 APIYOLOv11假设✅兼容标准 YOLO 格式Faster R-CNN✅使用 VOC XML 格式DETR / RT-DETR✅可转换为 COCO 格式YOLO 配置文件示例data.yaml# data.yamlpath:./apple_leaf_diseasetrain:images/trainval:images/valnc:9names:[Brown Spot,Mosaic,Grey spot,Rust,Frogeye leaf spot,Powdery mildew,Scab,Alternaria Blotch,health]学术价值亮点✅已助力多篇 SCI/EI 论文发表✅标注质量高人工精标 多轮交叉验证✅真实场景覆盖不同光照、角度、遮挡、病害共存✅科研友好提供双格式 对比数据集总结该数据集是农业AI与植物病理学研究的高质量资源专为苹果叶部病害智能识别设计开箱即用极大降低科研与工程落地门槛特别适合用于高水平论文、毕业设计、智慧农业系统开发。以下是基于您提供的“SCI同款苹果叶部病害检测数据集9类8000张614×614YOLO格式”的完整 YOLOv8 训练与推理代码包含✅ 数据集划分脚本✅data.yaml配置✅ 模型训练代码含数据增强优化✅ 单图/批量推理示例✅ 模型评估与结果可视化所有代码可直接运行适配YOLOv8Ultralytics。 一、项目目录结构apple_leaf_yolo/ ├── dataset/ # 原始数据已标注 │ ├── images/ # 所有图像614x614 │ └── labels/ # YOLO .txt 标签 ├── split_dataset.py # 划分 train/val ├── data.yaml # YOLO 配置文件 ├── train.py # 训练脚本 ├── predict_single.py # 单图预测 └── evaluate.py # 模型评估 假设您已将 8000 张图像和对应.txt标签放入dataset/images/和dataset/labels/ 二、步骤1划分训练集与验证集8:2脚本split_dataset.py# split_dataset.pyimportosimportrandomimportshutilfrompathlibimportPath random.seed(42)# 路径配置IMG_DIRdataset/imagesLBL_DIRdataset/labels# 获取所有图像imageslist(Path(IMG_DIR).glob(*.jpg))list(Path(IMG_DIR).glob(*.png))random.shuffle(images)# 划分比例80% train, 20% valnlen(images)n_trainint(n*0.8)train_imgsimages[:n_train]val_imgsimages[n_train:]# 创建子目录forsplitin[train,val]:os.makedirs(fdataset/images/{split},exist_okTrue)os.makedirs(fdataset/labels/{split},exist_okTrue)# 移动图像和标签defmove_files(file_list,split):forimg_pathinfile_list:# 移动图像shutil.move(str(img_path),fdataset/images/{split}/{img_path.name})# 移动对应标签lbl_pathPath(LBL_DIR)/(img_path.stem.txt)iflbl_path.exists():shutil.move(str(lbl_path),fdataset/labels/{split}/{lbl_path.name})move_files(train_imgs,train)move_files(val_imgs,val)print(f✅ 划分完成训练集:{len(train_imgs)}张验证集:{len(val_imgs)}张) 三、步骤2创建data.yaml# data.yamlpath:./datasettrain:images/trainval:images/valnc:9names:[Brown Spot,Mosaic,Grey spot,Rust,Frogeye leaf spot,Powdery mildew,Scab,Alternaria Blotch,health]⚠️ 注意类别顺序必须与标注时的class_id一致0~8 四、步骤3训练 YOLOv8 模型脚本train.py# train.pyfromultralyticsimportYOLO# 加载预训练模型推荐 yolov8s 提升精度或 yolov8n 加快速度modelYOLO(yolov8s.pt)# 可选: yolov8n, yolov8m, yolov8l# 开始训练针对植物病害优化resultsmodel.train(datadata.yaml,epochs100,imgsz640,# 接近原图 614自动填充至 640batch16,# 根据 GPU 显存调整RTX 3060 可用 16nameapple_leaf_yolov8s,device0,# 使用 GPUpatience25,# 早停25 轮无提升则停止hsv_h0.015,# 色调扰动模拟光照变化hsv_s0.7,hsv_v0.4,degrees10.0,# 旋转增强±10°translate0.1,scale0.2,mosaic0.8,# Mosaic 增强提升小目标和多病共存检测flipud0.0,fliplr0.5,close_mosaic10# 最后10轮关闭 Mosaic)print(✅ 训练完成模型保存在 runs/detect/apple_leaf_yolov8s/)训练建议若显存不足改用yolov8n.ptbatch32农业图像纹理复杂Mosaic 和 HSV 增强对泛化至关重要 五、步骤4单图预测带可视化脚本predict_single.py# predict_single.pyfromultralyticsimportYOLOimportcv2# 加载最佳模型modelYOLO(runs/detect/apple_leaf_yolov8s/weights/best.pt)defpredict_image(image_path,output_pathprediction.jpg):# 推理conf 阈值设为 0.25因病斑可能较小resultsmodel(image_path,imgsz640,conf0.25,iou0.45,saveFalse)# 绘制结果annotated_imgresults[0].plot()# 保存cv2.imwrite(output_path,annotated_img)print(f✅ 预测完成结果保存至{output_path})# 打印检测结果boxesresults[0].boxesforboxinboxes:cls_idint(box.cls.item())conffloat(box.conf.item())class_namemodel.names[cls_id]print(f→{class_name}| 置信度:{conf:.2f})# 使用示例if__name____main__:predict_image(test_leaf.jpg,result.jpg) 六、步骤5模型评估mAP、混淆矩阵脚本evaluate.py# evaluate.pyfromultralyticsimportYOLO modelYOLO(runs/detect/apple_leaf_yolov8s/weights/best.pt)# 在验证集上评估metricsmodel.val(datadata.yaml,imgsz640)print( 评估结果:)print(fmAP0.5 :{metrics.box.map50:.4f})print(fmAP0.5:0.95 :{metrics.box.map:.4f})print(fPrecision :{metrics.box.mp:.4f})print(fRecall :{metrics.box.mr:.4f})# 自动生成混淆矩阵、PR曲线等保存在 runs/detect/apple_leaf_yolov8s/val/ 七、支持其他 YOLO 版本YOLOv5 示例若需使用YOLOv5只需将data.yaml中路径改为绝对路径YOLOv5 要求使用官方 YOLOv5 仓库训练gitclone https://github.com/ultralytics/yolov5cdyolov5 pipinstall-r requirements.txt python train.py --img640--batch16--epochs100--data../apple_leaf_yolo/data.yaml --weights yolov5s.pt本方案专为农业AI科研与应用设计利用高质量标注 YOLOv8 强大能力实现苹果叶部九大病害高精度识别。