草莓及叶片病害检测数据集 4300张 草莓病害 voc yol 7类。

 

草莓叶片病害检测数据集 4300张 草莓病害 voc yol 7类。

草莓及其叶片病害检测数据集

名称

草莓及其叶片病害检测数据集 (Strawberry and Leaf Disease Detection Dataset)

规模

• 图像数量：共4371张图像。
• 类别：分为7种不同的病害类型。

数据划分

• 训练集 (Train)：通常占总数据的80%左右，约3497张图像。
• 验证集 (Validation)：通常占总数据的20%左右，约874张图像。

数据特点

• 病害种类丰富：涵盖了草莓常见的七种病害，包括Angular Leafspot、Anthracnose Fruit Rot、Blossom Blight、Gray Mold、Leaf Spot、Powdery Mildew Fruit和Powdery Mildew Leaf。
• 标注详细：每张图像都精确地标记了病害区域的位置。

应用领域

• 农业自动化：帮助农民快速识别并治疗草莓病害，减少损失。
• 食品质量控制：在分拣和包装过程中实现自动化，提高生产效率。
• 科研应用：为计算机视觉和模式识别领域的研究提供有价值的数据资源。

1. 安装依赖库

首先，确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库，然后运行以下命令进行安装：

pip install -r requirements.txt

requirements.txt 文件内容示例：

torch==1.10.0
torchvision==0.11.1
pandas==1.3.4
cv2
albumentations==1.1.0

2. 创建数据集

定义一个自定义的数据集类，并创建数据加载器。

import os
import pandas as pd
import cv2
from torch.utils.data import Dataset, DataLoader
from torchvision.transforms import Compose, ToTensor, Normalize, Resize
from albumentations import HorizontalFlip, RandomBrightnessContrast, ShiftScaleRotate, BboxFromMasks, BBoxFormatPASCAL
from albumentations.pytorch import ToTensorV2# 自定义数据集类
class StrawberryDiseaseDataset(Dataset):def __init__(self, data_root, annotations_file, transforms=None):self.data_root = data_rootself.annotations = pd.read_csv(annotations_file)self.transforms = transformsdef __len__(self):return len(self.annotations)def __getitem__(1, idx):img_path = os.path.join(self.data_root, self.annotations.iloc[idx, 0])image = cv2.imread(img_path)bboxes = self.annotations.iloc[idx, 1:].values.reshape(-1, 4)  # bounding box coordinateslabels = self.annotations.columns[1:]if self.transforms:augmented = self.transforms(image=image, bboxes=bboxes)image = augmented['image']bboxes = augmented['bboxes']return image, bboxes, labels# 图像预处理
def get_transforms():"""构建预处理函数"""_transform = [Resize(height=416, width=416, interpolation=cv2.INTER_LINEAR),HorizontalFlip(p=0.5),RandomBrightnessContrast(p=0.2),ShiftScaleRotate(p=0.5, shift_limit=0.0625, scale_limit=0.2, rotate_limit=15),Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),ToTensorV2(),BboxFromMasks(format=BBoxFormatPASCAL)]return Compose(_transform)# 创建数据加载器
train_dataset = StrawberryDiseaseDataset(data_root='path_to_your_train_images',annotations_file='path_to_your_train_annotations.csv',transforms=get_transforms()
)
val_dataset = StrawberryDiseaseDataset(data_root='path_to_your_val_images',annotations_file='path_to_your_val_annotations.csv',transforms=get_transforms()
)train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=4)

3. 训练YOLOv5模型

使用YOLOv5进行训练。

!git clone https://github.com/ultralytics/yolov5  # 下载YOLOv5代码仓库
cd yolov5# 使用YOLOv5训练模型
python train.py --weights yolov5s.pt --data path_to_your_data.yaml --name strawberry_disease_detection --img 416 --batch 16 --epochs 100 --device 0

• 数据配置文件：创建一个名为data.yaml的数据配置文件，其中包含训练和验证数据集的信息。

train: path_to_your_train_images
val: path_to_your_val_images
nc: 7
names: ['Angular Leafspot', 'Anthracnose Fruit Rot', 'Blossom Blight', 'Gray Mold', 'Leaf Spot', 'Powdery Mildew Fruit', 'Powdery Mildew Leaf']

4. 调整模型

• 超参数调整：根据实际情况调整模型的超参数，例如学习率、批大小等。
• 数据增强：增加数据增强策略，如旋转、缩放、翻转等，以提高模型鲁棒性。

5. 预测与评估

完成训练后，可以使用训练好的模型对新的图片进行预测和评估。

from models.experimental import attempt_load
from utils.datasets import ImageList
from utils.torch_utils import select_device, time_synchronized
from utils.plots import plot_results# 加载模型
device = select_device('0')
model = attempt_load('runs/train/exp/weights/best.pt', map_location=device)  # 加载最佳权重# 新建数据集
test_dataset = ImageList('path_to_test_images', transform=get_transforms())
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=False, num_workers=4)# 进行预测
results = []
with torch.no_grad():t0 = time_synchronized()for i, (x, path) in enumerate(test_loader):x = x.to(device)  # 将输入图像转换到设备上pred = model(x)[0]  # 获取预测结果results += plot_results(pred, path, save=True, show=False)  # 绘制预测结果图print(f'Time {time_synchronized("start") - t0:.3f} s')

注意：以上代码仅供参考，请根据实际情况修改路径和参数。