文章目录水稻叶片病害检测数据集数据集概览数据特点AI图像识别入门教学YOLO训练与推理1. 环境安装2. 训练代码train.py3. 推理代码infer.py关键词水稻叶片病害检测数据集数据集概览本数据集专为水稻种植领域的智能病害检测场景构建面向农业自动化植保、作物健康监测等核心需求是深度学习目标检测模型训练的优质基础数据适配轻量化与高精度模型训练需求数据规范统一可直接用于模型开发与迭代。数据集采用标准YOLO格式存储文件结构清晰标注精准无冗余无需二次格式转换即可对接主流YOLO系列训练框架大幅降低数据预处理成本适合深度学习数据分析师快速开展模型训练工作。数据信息详情数据类别10类正常叶片、细菌性叶枯病、细菌性条斑病、细菌性穗枯病、稻瘟病、褐斑病、心腐病、霜霉病、胡麻叶斑病、东格鲁病数据数量2600应用价值实现水稻叶片病害的快速识别与分类支撑农业植保自动化决策助力精准施药与产量提升数据特点数据覆盖水稻生长周期内的主要病害类型类别分布均衡可有效避免模型训练时的类别偏置问题。图像采集场景贴近真实农田环境包含不同光照、角度与拍摄距离下的样本提升模型的泛化能力。标注采用边界框格式精准定位病害区域可直接用于目标检测模型的训练与评估。AI图像识别入门教学YOLO训练与推理以下以YOLOv11为例提供完整的训练与推理代码附带中文注释可直接运行。1. 环境安装pipinstallultralytics2. 训练代码train.pyfromultralyticsimportYOLO# 加载YOLOv11模型可选择不同规模如yolov11n/s/m/l/xmodelYOLO(yolov11n.pt)# 开始训练model.train(datadata.yaml,# 数据集配置文件路径epochs50,# 训练轮数imgsz640,# 输入图像尺寸batch8,# 批次大小device0,# 使用GPU训练0表示第一块GPUcpu表示使用CPUworkers4,# 数据加载线程数optimizerAdamW,# 优化器选择lr00.001,# 初始学习率patience10,# 早停轮数防止过拟合namerice_disease_detector# 训练结果保存名称)3. 推理代码infer.pyfromultralyticsimportYOLOimportcv2# 加载训练好的模型权重modelYOLO(runs/detect/rice_disease_detector/weights/best.pt)# 单张图片推理defdetect_image(image_path):# 读取图像imgcv2.imread(image_path)# 模型推理resultsmodel(img,conf0.5)# conf为置信度阈值低于该值的结果将被过滤# 可视化结果forresultinresults:imgresult.plot()# 在图像上绘制检测框和类别# 保存结果cv2.imwrite(result.jpg,img)cv2.imshow(Detection Result,img)cv2.waitKey(0)cv2.destroyAllWindows()# 视频流/摄像头推理defdetect_video(source0):capcv2.VideoCapture(source)# source0表示默认摄像头也可传入视频路径whilecap.isOpened():ret,framecap.read()ifnotret:break# 模型推理resultsmodel(frame,conf0.5)# 可视化结果annotated_frameresults[0].plot()# 显示结果cv2.imshow(Video Detection,annotated_frame)# 按q退出ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()if__name____main__:# 示例对单张图片进行检测detect_image(test_rice_leaf.jpg)# 示例对摄像头视频流进行检测# detect_video()关键词#水稻病害检测 #YOLO格式数据集 #农业计算机视觉 #目标检测 #作物健康监测
智慧农业入门学习 AI图像识别训练自己病虫害数据集 水稻病虫害识别 第10723期
发布时间：2026/5/27 8:46:05
文章目录水稻叶片病害检测数据集数据集概览数据特点AI图像识别入门教学YOLO训练与推理1. 环境安装2. 训练代码train.py3. 推理代码infer.py关键词水稻叶片病害检测数据集数据集概览本数据集专为水稻种植领域的智能病害检测场景构建面向农业自动化植保、作物健康监测等核心需求是深度学习目标检测模型训练的优质基础数据适配轻量化与高精度模型训练需求数据规范统一可直接用于模型开发与迭代。数据集采用标准YOLO格式存储文件结构清晰标注精准无冗余无需二次格式转换即可对接主流YOLO系列训练框架大幅降低数据预处理成本适合深度学习数据分析师快速开展模型训练工作。数据信息详情数据类别10类正常叶片、细菌性叶枯病、细菌性条斑病、细菌性穗枯病、稻瘟病、褐斑病、心腐病、霜霉病、胡麻叶斑病、东格鲁病数据数量2600应用价值实现水稻叶片病害的快速识别与分类支撑农业植保自动化决策助力精准施药与产量提升数据特点数据覆盖水稻生长周期内的主要病害类型类别分布均衡可有效避免模型训练时的类别偏置问题。图像采集场景贴近真实农田环境包含不同光照、角度与拍摄距离下的样本提升模型的泛化能力。标注采用边界框格式精准定位病害区域可直接用于目标检测模型的训练与评估。AI图像识别入门教学YOLO训练与推理以下以YOLOv11为例提供完整的训练与推理代码附带中文注释可直接运行。1. 环境安装pipinstallultralytics2. 训练代码train.pyfromultralyticsimportYOLO# 加载YOLOv11模型可选择不同规模如yolov11n/s/m/l/xmodelYOLO(yolov11n.pt)# 开始训练model.train(datadata.yaml,# 数据集配置文件路径epochs50,# 训练轮数imgsz640,# 输入图像尺寸batch8,# 批次大小device0,# 使用GPU训练0表示第一块GPUcpu表示使用CPUworkers4,# 数据加载线程数optimizerAdamW,# 优化器选择lr00.001,# 初始学习率patience10,# 早停轮数防止过拟合namerice_disease_detector# 训练结果保存名称)3. 推理代码infer.pyfromultralyticsimportYOLOimportcv2# 加载训练好的模型权重modelYOLO(runs/detect/rice_disease_detector/weights/best.pt)# 单张图片推理defdetect_image(image_path):# 读取图像imgcv2.imread(image_path)# 模型推理resultsmodel(img,conf0.5)# conf为置信度阈值低于该值的结果将被过滤# 可视化结果forresultinresults:imgresult.plot()# 在图像上绘制检测框和类别# 保存结果cv2.imwrite(result.jpg,img)cv2.imshow(Detection Result,img)cv2.waitKey(0)cv2.destroyAllWindows()# 视频流/摄像头推理defdetect_video(source0):capcv2.VideoCapture(source)# source0表示默认摄像头也可传入视频路径whilecap.isOpened():ret,framecap.read()ifnotret:break# 模型推理resultsmodel(frame,conf0.5)# 可视化结果annotated_frameresults[0].plot()# 显示结果cv2.imshow(Video Detection,annotated_frame)# 按q退出ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()if__name____main__:# 示例对单张图片进行检测detect_image(test_rice_leaf.jpg)# 示例对摄像头视频流进行检测# detect_video()关键词#水稻病害检测 #YOLO格式数据集 #农业计算机视觉 #目标检测 #作物健康监测
