数据集简介

玉米叶病害检测数据集是一个专注于农业病虫害识别领域的专业数据集，最初由Yusuf Murtaza发布于Kaggle平台，旨在为玉米叶部病害的自动化检测提供高质量标注数据支撑。

该数据集从实际农业生产场景中收集了4027张玉米叶片图像，涵盖4类玉米叶部状态，包括3种常见病害和1种健康状态，标注框总数达4058个，无空标签文件，数据完整性良好。图像分辨率覆盖从185×191到5184×4272的广泛范围，其中95%以上为256×256标准化图像，少量高分辨率图像保留了病害细节特征。

数据集主要用于玉米叶部病害的目标检测、图像分类、病害严重程度评估等计算机视觉任务，可直接应用于农业病虫害智能监测系统的模型训练与性能评估。

数据集采用标准YOLO格式划分为训练集和验证集两个子集：

• 训练集包含3223张图像（占总规模80%），标注框数量3247个，覆盖所有类别，适用于模型的基础训练与特征学习
• 验证集包含804张图像（占总规模20%），标注框数量811个，用于模型的性能验证与超参数调优
  

该数据集以其类别覆盖全面、标注质量可靠、场景贴近实际生产的特点，成为农业病虫害检测领域的重要基准数据集，为深度学习模型在农业场景的落地提供了标准化的评估依据。

01 数据集概览

字段	详情
数据集名称	玉米叶病害检测数据集（Corn Leaf Diseases）
类别数量	4
总图像数量	4027张
训练集规模	3223张（80%），含3247个标注框
验证集规模	804张（20%），含811个标注框
测试集支持	无
标注格式	YOLO格式（归一化坐标.txt文件）
标注质量	无空标签文件，标注框平均宽0.9530、平均高0.9881，目标覆盖完整
采集设备	多种民用/农业专用成像设备（从分辨率多样性推断）
采集场景	田间自然环境、实验室受控环境
数据增强方式	原始数据集未提供增强信息，建议训练时添加旋转、翻转、亮度调整、噪声注入等增强
图像分辨率	最小185×191，最大5184×4272，平均286×279，95%以上为256×256标准化图像
类别不均衡情况	类别不均衡分数2.22，GrayLeafSpot类样本量相对较少
数据集来源	Kaggle平台（https://www.kaggle.com/datasets/yusufmurtaza01/corn-leaf-diseases）

02 类别定义与特征

ID	英文名称	中文术语	视觉特征
0	Corn__CommonRust	玉米普通锈病	叶片表面出现橙黄色至红褐色的圆形或椭圆形夏孢子堆，后期变为黑色冬孢子堆，分布较为分散
1	Corn__GrayLeafSpot	玉米灰斑病	叶片上形成矩形或不规则形的灰色至灰褐色病斑，边缘清晰，病斑沿叶脉扩展，严重时融合成大片坏死区域
2	Corn__Healthy	健康玉米叶	叶片颜色鲜绿，表面无病斑、虫洞或异常变色，叶脉清晰，形态完整
3	Corn__NorthernLeafBlight	玉米大斑病	叶片上出现长梭形、灰褐色至黄褐色的大型病斑，病斑中央颜色较浅，边缘暗褐色，严重时病斑贯穿叶片

03 数据集目录结构

Corn-Leaf-Diseases/
├── train/
│   ├── images/     # 训练集图像（3223张）
│   └── labels/      # 训练集YOLO标注（.txt）
├── val/
│   ├── images/      # 验证集图像（804张）
│   └── labels/      # 验证集标注
└── data.yaml        # YOLO配置文件

04 应用场景

1. 田间病虫害智能监测：部署于农业物联网设备，实时采集玉米叶片图像并自动识别病害类型，为精准施药提供依据，减少农药使用量。
2. 移动农业检测终端：集成于智能手机或专用农业检测设备，帮助种植户快速判断玉米病害类型，及时采取防治措施。
3. 农业无人机巡检：结合无人机航拍图像，实现大面积玉米田的病害快速普查，提升病虫害监测效率与覆盖范围。
4. 农业病害研究与统计：用于病害发生规律研究，分析不同区域、不同气候条件下的病害分布特征，为农业生产规划提供数据支撑。
5. 智慧农业平台建设：作为核心数据集支撑智慧农业平台的病害检测模块，实现从数据采集、分析到决策的全流程智能化。

05 模型训练与部署

YOLO26配置文件（data.yaml）

# 玉米叶病害检测数据集配置
train: ../train/images
val: ../val/images
test: ''  # 无测试集

# 类别配置
nc: 4  # 类别数量
names:  # 类别名称列表
  - Corn__CommonRust
  - Corn__GrayLeafSpot
  - Corn__Healthy
  - Corn__NorthernLeafBlight

训练参数建议与命令

根据数据集规模（4027张图像）和图像特征，推荐以下训练参数：

• epochs=45：中等规模数据集，45轮训练可充分收敛
• batch=16：兼顾训练效率与显存占用的通用最优值
• imgsz=640：适配多数GPU显存，同时保留足够病害细节
• optimizer=SGD：针对均衡性较好的数据集，SGD泛化性更优
• amp=True：开启混合精度训练，节省显存并加速训练
• cache=True：开启内存缓存，提升小批量数据加载速度

单GPU训练命令

yolo train data=data.yaml model=yolo26n.pt epochs=45 batch=16 imgsz=640 optimizer=SGD amp=True cache=True workers=8 save_period=11

多GPU训练命令

yolo train data=data.yaml model=yolo26n.pt epochs=45 batch=64 imgsz=640 optimizer=SGD amp=True cache=True workers=8 save_period=11 device=0,1,2,3

模型验证命令

yolo val data=data.yaml model=runs/detect/train/weights/best.pt imgsz=640

模型导出命令（用于部署）

yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640

Python训练代码

from ultralytics import YOLO
if __name__ == '__main__':
    model = YOLO('yolo26n.pt')
    results = model.train(
        data='data.yaml',
        epochs=45,
        batch=16,
        imgsz=640,
        workers=8,
        device=0,
        optimizer='SGD',
        amp=True,
        cache=True,
        save_period=11,
    )

06 数据集获取方式

关注本公众号，后台回复关键词 玉米叶病害检测 数据集，即可获取数据集下载链接及使用说明。

07 使用声明与引用规范

1. 本数据集仅用于学术研究与非商业用途，商业使用需联系原始数据集作者获取授权
2. 使用数据集发表论文或开发应用时，请引用原始数据集来源：

   Yusuf Murtaza. (202X). Corn Leaf Diseases Dataset [Dataset]. Kaggle. https://www.kaggle.com/datasets/yusufmurtaza01/corn-leaf-diseases

3. 数据集使用过程中需遵循Kaggle平台的相关使用条款