企业官网建设流程全解析

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

pipinstallultralytics

2. 训练代码（train.py）

fromultralyticsimportYOLO# 加载YOLOv11模型（可选择不同规模，如yolov11n/s/m/l/x）model=YOLO("yolov11n.pt")# 开始训练model.train(data="data.yaml",# 数据集配置文件路径epochs=50,# 训练轮数imgsz=640,# 输入图像尺寸batch=8,# 批次大小device="0",# 使用GPU训练（"0"表示第一块GPU，"cpu"表示使用CPU）workers=4,# 数据加载线程数optimizer="AdamW",# 优化器选择lr0=0.001,# 初始学习率patience=10,# 早停轮数，防止过拟合name="rice_disease_detector"# 训练结果保存名称)

3. 推理代码（infer.py）

fromultralyticsimportYOLOimportcv2# 加载训练好的模型权重model=YOLO("runs/detect/rice_disease_detector/weights/best.pt")# 单张图片推理defdetect_image(image_path):# 读取图像img=cv2.imread(image_path)# 模型推理results=model(img,conf=0.5)# conf为置信度阈值，低于该值的结果将被过滤# 可视化结果forresultinresults:img=result.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(source=0):cap=cv2.VideoCapture(source)# source=0表示默认摄像头，也可传入视频路径whilecap.isOpened():ret,frame=cap.read()ifnotret:break# 模型推理results=model(frame,conf=0.5)# 可视化结果annotated_frame=results[0].plot()# 显示结果cv2.imshow("Video Detection",annotated_frame)# 按'q'退出ifcv2.waitKey(1)&0xFF==ord('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