南瓜叶片病害图像分类数据集（2000张图片已划分、已标注）| AI训练适用于目标检测任务

南瓜叶片病害图像分类数据集（2000张图片已划分、已标注）| AI训练适用于目标检测任务

本数据集共包含 2000 张南瓜叶片图像，涵盖 5 种常见病害与健康叶片状态。每张图像分辨率为 640×640 像素，图像质量清晰，适用于深度学习图像分类任务。

数据集已经完成标准训练集划分：

• 训练集：1400 张
• 验证集：400 张
• 测试集：200 张
  应用：
  疾病诊断：开发机器学习模型，自动检测和分类南瓜叶部病害。
  农业研究：研究各种南瓜病害的视觉症状，以增进理解和管理实践。
  教育工具：为农业科学和植物病理学教育提供资源。
  数据可访问性：
  数据集以标准图像格式（例如 JPEG、PNG）提供下载。数据集按病害类别和健康叶片分类，方便访问和整理。
  同时提供 中英文类别名称，方便国内外研究者使用。

示例训练命令（YOLOv8 分类任务）：

yolo classify train data=main\datasets model=yolov8n-cls.pt epochs=200 imgsz=224

数据集下载

链接:https://pan.baidu.com/s/1Bfs0wgwggHTQhdsNmLbIZw?pwd=8jva
提取码:8jva 复制这段内容后打开百度网盘手机App，操作更方便哦
classes.txt

"Bacterial Leaf Spot"
"Downy Mildew"
"Healthy"
"Mosaic Disease"
"Powdery Mildew"

中文名称

数据集介绍

数据集概述

南瓜是重要的经济作物之一，在世界范围内广泛种植。然而，在南瓜种植过程中，各类病害经常会对产量和品质造成严重影响。及时发现并识别南瓜叶片病害，对于提高农业生产效率、减少农药滥用以及保障作物健康具有重要意义。

本数据集专门针对 南瓜叶片病害图像分类任务构建，包含 2000 张高清叶片图像，涵盖 五类常见病害与健康状态。数据集经过人工筛选与整理，并按照机器学习训练流程完成标准数据划分，可直接用于深度学习模型训练与评估。

数据集具有以下特点：

• 图像分辨率统一（640×640）
• 类别划分清晰
• 数据量适中
• 中英文标签支持
• 适用于多种深度学习框架

研究人员可以利用该数据集训练图像分类模型，实现对南瓜叶片病害的自动识别。

背景

在现代农业生产中，植物病害是影响作物产量和质量的重要因素之一。南瓜在生长过程中容易受到多种真菌、细菌以及病毒病害的侵袭，例如：

• 白粉病
• 霜霉病
• 细菌性叶斑病
• 花叶病毒病

传统的病害识别主要依赖农业专家或农户通过肉眼观察叶片症状进行判断，这种方式存在以下问题：

1. 主观性较强
   不同人员判断结果可能存在差异。
2. 效率较低
   大面积农田人工巡检耗时耗力。
3. 专业门槛高
   普通农户难以准确识别不同病害。

随着人工智能和计算机视觉技术的发展，利用深度学习模型进行植物病害识别已经成为农业智能化的重要研究方向。通过构建高质量的叶片病害图像数据集，可以训练自动识别模型，实现：

• 农作物病害自动诊断
• 智能农业监测
• 精准农业管理

该南瓜叶片病害数据集正是在这一背景下构建，为农业智能识别研究提供可靠的数据基础。

数据集详情

1 数据规模

本数据集共包含 2000 张南瓜叶片图像。

数据集划分如下：

所有图像分辨率为：

640 × 640

2 数据组织结构

数据集采用 图像分类常见的目录结构：

dataset/
│
├── train
│   ├── Bacterial Leaf Spot
│   ├── Downy Mildew
│   ├── Healthy
│   ├── Mosaic Disease
│   └── Powdery Mildew
│
├── val
│   ├── Bacterial Leaf Spot
│   ├── Downy Mildew
│   ├── Healthy
│   ├── Mosaic Disease
│   └── Powdery Mildew
│
└── test
    ├── Bacterial Leaf Spot
    ├── Downy Mildew
    ├── Healthy
    ├── Mosaic Disease
    └── Powdery Mildew

每个类别文件夹中存放对应类别的图像数据，方便直接用于深度学习训练。

3 图像格式

数据集采用标准图像格式：

• JPEG
• PNG

图像质量较高，适合用于模型训练和研究。

4 数据特点

本数据集具有以下特点：

1 病害类型明确

数据集包含五种典型类别：

• 细菌性叶斑病
• 霜霉病
• 花叶病
• 白粉病
• 健康叶片

类别区分明显，有利于模型学习特征。

2 图像质量统一

所有图像统一为 640×640 分辨率，减少数据预处理成本。

3 适合分类任务

数据集结构天然适合：

• CNN 图像分类
• YOLOv8 分类模型
• Transformer 视觉模型

适用场景

该数据集适用于多种研究和应用场景。

1 植物病害自动识别

可以训练深度学习模型，实现南瓜叶片病害自动检测，例如：

• 白粉病识别
• 霜霉病识别
• 细菌性叶斑病识别

帮助农户快速判断作物健康状况。

2 智慧农业系统

在智慧农业系统中，可结合：

• 农田摄像设备
• 无人机巡检
• 手机拍照识别

构建实时农作物健康监测系统。

3 农业科研

该数据集可用于研究：

• 植物病害图像特征
• 深度学习分类模型性能
• 农业视觉识别算法

为农业智能化研究提供数据支持。

4 教学与课程实验

适合用于以下课程教学：

• 计算机视觉
• 深度学习
• 农业信息化
• 植物病理学

学生可以利用该数据集完成课程实验或毕业设计。

心得

在构建植物病害数据集的过程中，可以明显感受到 数据质量对模型性能的重要影响。相比复杂模型结构，高质量的数据往往能够带来更稳定的训练效果。

在农业视觉任务中，还存在一些典型挑战，例如：

• 病害区域较小
• 背景复杂
• 光照条件变化
• 叶片形态差异

因此在训练模型时，可以结合以下技术提升效果：

• 数据增强（旋转、翻转、裁剪）
• 迁移学习
• 注意力机制
• 轻量化模型设计

通过合理的数据处理和模型优化，可以显著提高植物病害识别的准确率。

结语

随着人工智能技术在农业领域的不断发展，利用计算机视觉进行植物病害识别已经成为智慧农业的重要研究方向。高质量的数据集是推动相关技术进步的重要基础。

本 南瓜叶片病害图像分类数据集提供了 2000 张高质量叶片图像，并涵盖 5 种典型病害类型，可广泛应用于图像分类模型训练、农业科研以及教学实践。

希望该数据集能够为农业智能识别研究提供帮助，推动农业信息化与智能化的发展。