目标检测数据集第044期-基于yolo标注格式的水稻病害检测数据集(含免费分享)

但该技术的落地离不开高质量、标注规范的病害数据集 —— 现有农业数据集多聚焦于作物果实识别或常见虫害，针对水稻叶斑病的专项数据集较少，且存在样本数量不足、病害类别覆盖不全、标注精度低等问题，难以满足模型训练需求。该数据集专为水稻叶斑病的图像识别与分类任务设计，可直接用于训练图像分类、目标检测及图像分割类模型（如 ResNet、YOLO、U-Net 等），助力开发适用于田间场景的水稻叶斑病智能诊断系

畅想未来2020

1125人浏览 · 2025-09-30 09:55:52

畅想未来2020 · 2025-09-30 09:55:52 发布

目标检测数据集第044期-基于yolo标注格式的水稻病害检测数据集(含免费分享)

超实用水稻病害检测数据集分享，助力计算机视觉研究！

目标检测数据集第044期-基于yolo标注格式的水稻病害检测数据集(含免费分享)

超实用水稻病害检测数据集分享，助力计算机视觉研究！

1、背景

水稻作为全球主要粮食作物之一，其产量与品质直接关系到粮食安全与农业经济发展。而水稻病害是制约产量的关键因素，其中叶斑病因传播速度快、危害范围广，常导致水稻减产甚至绝收。今天为大家介绍的 “水稻叶斑病标注数据集”，正是为解决水稻叶斑病自动化检测难题而生，为智能农业病害识别技术研发提供核心数据支撑。

传统的水稻叶斑病诊断依赖农业技术员人工巡查，存在明显局限：一是人工巡查效率低，难以覆盖大规模稻田，尤其在病害高发期，技术员需逐株检查，耗时耗力；二是诊断准确性受经验影响大，不同叶斑病症状相似，新手技术员易出现误判，错过最佳防治时机；三是巡查存在滞后性，等发现病害时，往往已造成一定范围的传播，增加了防治成本。

随着人工智能与计算机视觉技术在农业领域的应用，基于图像的病害智能检测成为新方向。但该技术的落地离不开高质量、标注规范的病害数据集 —— 现有农业数据集多聚焦于作物果实识别或常见虫害，针对水稻叶斑病的专项数据集较少，且存在样本数量不足、病害类别覆盖不全、标注精度低等问题，难以满足模型训练需求。

2、数据详情

核心定位

该数据集专为水稻叶斑病的图像识别与分类任务设计，可直接用于训练图像分类、目标检测及图像分割类模型（如 ResNet、YOLO、U-Net 等），助力开发适用于田间场景的水稻叶斑病智能诊断系统，实现病害的快速识别、类别判定与病变区域定位。

数据构成

• 样本来源与规模：数据集样本均采集自真实稻田，涵盖我国南方水稻主产区（如长江中下游、华南地区）及不同种植季节（早稻、中稻、晚稻）的水稻叶片图像，共包含 3500 余张高清图像及对应标注文件。其中，训练集包含 2767 张图像及标注，用于模型核心参数学习；验证集包含 400 张图像及标注，用于训练过程中模型超参数调优与性能验证；测试集包含 400 张图像及标注，用于最终评估模型在未知样本上的泛化能力，数据划分比例符合农业图像模型训练的常规标准，有效避免模型过拟合。
• 病害类别划分：数据集精准覆盖水稻生产中常见的 8 类叶斑病，每类病害样本数量均衡，确保模型对各类病害的识别能力均衡。

标注规范与格式

• 标注内容：数据集采用 “类别标注 + 区域标注” 双重标注模式，确保信息完整性。类别标注明确每张图像对应的病害类型（或正常叶片）；区域标注则针对病叶图像，通过边界框精准框选叶片上的病变区域，标注病变区域在图像中的位置坐标（采用归一化坐标，取值范围 0-1，适配主流模型输入要求）。
• 数据格式：图像文件以 JPG 格式存储，分辨率统一像素，清晰呈现叶片纹理与病斑细节；标注文件提供 TXT 格式（适配 YOLO 系列目标检测模型，每行标注对应一个病变区域的 “类别 ID + 归一化坐标”）。训练集、验证集、测试集的图像与标注文件分别存储于独立文件夹（如 “images/train”“labels/val”），目录结构清晰。

3、应用场景

农业生产领域

• 稻田物联网监测系统：用于训练稻田物联网监测设备的 “视觉感知模块”，在稻田中部署带摄像头的物联网传感器，传感器可定期拍摄叶片图像并上传至云端，云端模型实时分析图像，若发现病害，实现 “早发现、早防治”，减少病害扩散带来的产量损失。

学术与科研领域

• 病害识别算法优化：为高校、农业科研机构提供标准化数据集，支持开展 “小样本病害识别”“复杂背景下病斑检测”“多病害同时识别” 等方向的研究。例如，研究者可基于该数据集优化模型的特征提取能力，解决稻田中杂草遮挡叶片、土壤背景干扰病斑识别等问题；也可利用数据集探索 “迁移学习” 在农业病害识别中的应用，减少模型对大规模样本的依赖。

农业教育与技术推广领域

• 农业技术培训教材开发：将数据集内的典型病叶图像与健康叶片图像整理成教学素材，用于农业技术员培训 —— 通过对比展示不同病害的病斑特征（如稻瘟病斑的梭形与细菌性条斑病斑的条形差异）。

农业科技企业产品研发

• 智慧农业解决方案升级：农业科技企业可将基于该数据集训练的病害识别模型集成到智慧农业解决方案中，为规模化种植基地提供 “从种植到病害防治” 的全流程服务。

4、使用申明

本数据集仅可用于学术研究，不得将其用于商业目的。

在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。

⭐数据获取说明

下方回复关键词【水稻病害检测数据集】可查询yolo格式的水稻病害检测数据集的获取方式(免费网盘链接)，感谢您，祝前程似锦！

深瞳智检

九章云极普惠算力

更多推荐

Kandinsky-5.0-I2V-Lite-5s惊艳效果展示：赛博朋克街景→霓虹闪烁+雨滴滑落动态视频

本文介绍了如何在星图GPU平台上自动化部署Kandinsky-5.0-I2V-Lite-5s镜像，实现高效图生视频转换。该工具能将静态赛博朋克街景图片快速转换为动态视频，添加霓虹闪烁、雨滴滑落等效果，适用于短视频制作、广告创意等场景，显著提升内容创作效率。

九章云极普惠算力

终极指南：如何用facenet-pytorch快速构建企业级人脸识别系统

在当今数字化时代，人脸识别技术已成为身份验证、安全监控和智能交互的核心驱动力。facenet-pytorch作为一款基于PyTorch的开源人脸识别工具包，凭借其高效的MTCNN人脸检测和InceptionResnetV1特征提取能力，为开发者提供了从零构建专业级人脸识别系统的完整解决方案。本文将带你一步步探索这个强大工具的使用方法，从环境搭建到实际应用，让你在短时间内掌握人脸识别的核心技术。