水稻病害檢測數據集（7000 張圖片已劃分）| AI 訓練適用於目標檢測任務

在農業智能化快速發展的今天，利用深度學習技術實現作物病害的自動識別與監控，已經成為智慧農業的重要研究方向。為了支持相關算法模型的訓練與評測，本文介紹一套涵蓋 7000 張圖像的 水稻病害目標檢測數據集，數據已完成格式化、標註與訓練集劃分，可直接用於 AI 模型訓練與部署。

該數據集主要包含三類具有代表性的水稻葉部病害：

• 細菌性葉斑病：葉片出現水狀浸潤斑點，易進一步擴散；
• 褐斑病：葉片出現褐色枯斑，影響光合作用；
• 葉黴病：葉片出現黑色黴斑，嚴重時導致葉片乾枯。

該數據集適用於 目標檢測（Object Detection）任務，可用於模型訓練如 YOLO、PP-YOLO、SSD、Faster R-CNN 等框架。

數據集獲取

鏈接:https://pan.baidu.com/s/1anVJzZmLaeJfdjz5mUwVPA?pwd=96f7
提取碼:96f7 複製這段內容後打開百度網盤手機App，操作更方便哦

7000幅圖像的水稻病害檢測數據集
主要分為三類：
細菌性葉斑病，主要影響水稻等作物，表現為葉片上出現水狀斑點；
褐斑病，常見於水稻，表現為葉片上出現褐色斑點，影響光合作用；
葉黴病，主要影響禾本科植物，表現為葉片上出現黑色黴斑。

一、背景

農業病害的識別與防治一直是糧食生產中的重點和難點。傳統病害診斷依賴農業專家進行人工判別，這種方式不僅成本高、效率低，還容易受到主觀經驗影響。在智能農業持續推進的背景下，基於計算機視覺與深度學習的 水稻病害自動識別 技術逐漸成為主流研究方向。

然而，病害識別模型的訓練需要 高質量、標註精確且具有多樣性 的數據集。目前公開的水稻病害圖像數據資源較少，尤其是 可直接用於目標檢測訓練的實例級標註數據 更為稀缺。

為此，本數據集從實際田間環境採集圖像，並進行人工逐幀標註，旨在為農業 AI 提供 可開箱即用的訓練資源。

二、數據集概述

• 圖像總量：7000+
• 標註格式：YOLO 格式（可輕鬆轉換為 COCO / Pascal VOC）
• 類別數量：3 類
• 場景來源：農業科研基地 / 農田現場 / 真實光照條件
• 圖像類型：高清 RGB 圖像
• 分辨率：640×640、1024×1024 不等（已統一預處理）

• 數據劃分：

  • train：5600（80%）
  • val：700（10%）
  • test：700（10%）

數據結構示意：

dataset/
 ├── images/
 │    ├── train/
 │    ├── val/
 │    └── test/
 └── labels/
      ├── train/
      ├── val/
      └── test/

三、數據集詳情

標註特點

• 每張圖像中病斑位置進行了 精確框選；
• 場景包含不同 光照、拍攝角度、葉片形態、病變發展程度；
• 保留背景信息，便於增強模型識別魯棒性。

四、適用場景

本數據集特別適合部署到：

• 移動端（Android / iOS）
• 邊緣設備（Jetson / Ascend / FPGA）
• 無人機圖像識別系統

五、目標檢測任務實訓示例（YOLOv8）

以 YOLOv8 為例，只需修改 data.yaml 文件即可開始訓練：

train: dataset/images/train
val: dataset/images/val

nc: 3
names: ['bacterial_leaf_blight', 'brown_spot', 'leaf_mold']

訓練命令：

yolo detect train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640

可直接得到可部署推理模型：best.pt

六、結語

本水稻病害檢測數據集具有 真實場景、標註精細、多樣性強、可直接用於訓練 等優勢，能夠幫助研究者、工程師與農業從業者在智慧農業領域快速落地病害識別模型。

隨着深度學習與農業無人化作業的不斷融合，自動化病害識別將成為提高農業產量、降低成本的重要手段。我們期望本數據集能夠為更多相關研究與應用提供支持。

隨着智慧農業和智能監測體系的不斷髮展，利用深度學習對水稻病害進行識別與定位，已經從實驗室研究走向了實際農田生產應用。而高質量、可直接訓練的數據集，是推動這一過程的核心基礎。本文介紹的 水稻病害目標檢測數據集，不僅覆蓋了褐斑病、葉黴病、細菌性葉斑病三類主要葉部病害，還包含多場景、多光照、多背景、多生長階段的複雜數據樣本，能夠有效提升模型的泛化能力與魯棒性。

與普通圖像分類數據集不同，本數據集採用 精確標註的目標檢測格式，可支持 YOLO、Faster-R-CNN、DETR 等多種視覺框架，能夠直接用於模型訓練、算法評測與工程部署。同時，由於數據已按照標準結構劃分為 train/val/test，用户無需進行繁瑣的前置處理，可以快速開展實驗，縮短模型開發週期。

從應用價值來看，該數據集不僅能夠用於科研論文研究、算法模型調優，還可以被部署至 無人機巡田系統、農業機器人、智能噴藥系統、農田預警平台、移動端農業助手 等實際場景中，為種植户和農業管理部門提供實時病害監測能力。這對於提升糧食安全、減少化學農藥使用、提高病害控制效率具有重要意義。

未來，隨着農業圖像數據規模不斷擴大，結合多光譜影像、時序圖像與氣象參數的跨模態病害識別模型將成為趨勢。本數據集可以作為這些研究方向的基礎數據源，幫助研究者快速進行模型構建與實驗驗證。

總的來説，這是一套具有 實用性強、標註規範、可擴展性好、直接可用 的水稻病害檢測數據集，無論你是研究人員、農業工程師、模型開發者還是學生項目使用者，都能夠從中獲益。我們希望通過數據共享，為智能農業的發展貢獻一份力量，也期待有更多開發者與研究者基於此數據集開展創新研究與落地應用，共同推動 AI 技術真正服務農業生產。