水稻病虫害目标检测数据集YOLO格式覆盖15类水稻病虫害20,115张图片35,003个标注目标YOLO格式即开即用。数据集地址链接: https://pan.baidu.com/s/1sCPEGdwCv81btCyDXwmd7Q 提取码: 6822一、数据集简介水稻是我国最重要的粮食作物之一病虫害每年造成大量减产。本数据集覆盖6类虫害和9类病害适用于目标检测任务可直接用于 YOLO等模型训练。二、数据规模数据集图片数量标签数量训练集14,03014,030验证集3,9743,974测试集2,1112,111合计20,11520,115三、类别分布数据集包含15类水稻病虫害其中虫害6类、病害9类虫害类别编号英文名中文名训练集标注数0Bhopper褐飞虱2,8331Ghopper灰飞虱1,0832Folder卷叶虫1,5363Rice-bug稻蝽象1,2524Stem-borer二化螟1,0315Whorl-maggot稻瘿蚊2,199病害类别编号英文名中文名训练集标注数6False-smut稻曲病2,3397Sheath-blight纹枯病4,2518Streak条纹叶枯病2,4009Tungro东格鲁病毒病2,14810Blast稻瘟病4,30811Blight白叶枯病4,09312Brown-spot褐斑病1,87713Dead-heart枯心苗2,32214Downy-mildew霜霉病1,331总标注目标数35,003最大/最小类别比例 4.18存在一定类别不平衡。四、数据格式采用 YOLO 标注格式每张图片对应一个同名.txt标签文件class_id x_center y_center width height坐标均为归一化值0~1例如0 0.78046875 0.38515625 0.2125 0.403125 0 0.53984375 0.66484375 0.31875 0.421875五、目录结构datasets/ ├── data.yaml # 数据集配置文件 ├── classes.txt # 类别名称文件 ├── train/ │ ├── images/ # 训练图片 (14,030) │ ├── labels/ # 训练标签 (14,030) │ └── classes.txt ├── val/ │ ├── images/ # 验证图片 (3,974) │ ├── labels/ # 验证标签 (3,974) │ └── classes.txt ├── test/ │ ├── images/ # 测试图片 (2,111) │ ├── labels/ # 测试标签 (2,111) │ └── classes.txt └── sample/ # 示例数据集 (每类5张) ├── data.yaml ├── train/ (75张) ├── val/ (75张) └── test/ (75张)六、data.yaml 配置path:D:/Rice_Diseases_and_Pests/ultralytics-main/ultralytics-main/datasetstrain:train/imagesval:val/imagestest:test/imagesnc:15names:[Bhopper,Ghopper,Folder,Rice-bug,Stem-borer,Whorl-maggot,False-smut,Sheath-blight,Streak,Tungro,Blast,Blight,Brown-spot,Dead-heart,Downy-mildew]使用时将path修改为本机数据集实际路径即可。七、快速开始7.1 环境准备pipinstallultralytics7.2 训练fromultralyticsimportYOLO modelYOLO(yolov8n.pt)model.train(datadata.yaml,epochs100,imgsz640,batch16)7.3 验证modelYOLO(best.pt)metricsmodel.val()7.4 推理resultsmodel.predict(sourcetest.jpg,saveTrue)八、数据分析8.1 类别平衡度平均每类标注数2,333最大类Blast 稻瘟病4,308占比 1.85x最小类Stem-borer 二化螟1,031占比 0.44x最大/最小比例4.18标准差/平均值0.468.2 目标尺寸分布尺寸类别划分标准说明小目标面积 32×32检测难度较大中等目标32×32 ≤ 面积 96×96占比较高大目标面积 ≥ 96×96检测相对容易8.3 位置与宽高比目标中心点基本均匀分布图像中心区域目标密度略高宽高比均值约 1.0大部分目标接近正方形极端宽高比目标较少九、示例数据集为方便快速验证提供了sample/文件夹每类取5张图片结构与完整数据集一致sample/ ├── data.yaml ├── train/ (75张, 15类×5) ├── val/ (75张, 15类×5) └── test/ (75张, 15类×5)十、常见问题Q1: 训练时显存不够怎么办减小batch大小如 8 或 4使用更小的模型yolov8n减小imgsz如 416Q2: 如何提升小目标检测效果增大输入分辨率imgsz1280添加SAHI切片辅助推理数据增强中增加Mosaic、CopyPaste等策略Q3: 类别不平衡如何处理对少数类进行过采样使用Focal Loss调整类别权重十一、参考链接Ultralytics YOLOv8 官方文档YOLOv8 GitHub如果这个数据集对你有帮助欢迎 Star ⭐ 和引用