智慧农业烟草植株病虫害识别｜无人机田间巡检数据集｜YOLO目标检测深度学习项目实战

鸭蛋粉

345人浏览 · 2026-05-30 05:45:00

鸭蛋粉 · 2026-05-30 05:45:00 发布

智慧农业烟草植株病虫害识别｜无人机田间巡检数据集｜YOLO目标检测深度学习项目实战

传统烟草种植依赖人工巡检病害，效率低、漏检率高、规模化难覆盖；无人机+AI视觉正重构植保流程，但田间实景标注数据稀缺、场景适配性弱成为落地瓶颈。本数据集聚焦烟草幼苗/植株叶片病虫害检测，面向无人机巡检、智慧农场、精准植保等真实场景，适配YOLO全系列训练，快速搭建可落地的病害识别系统。
在这里插入图片描述

📁 项目总览

tobacco-disease-detection/
├── README.md               # 项目说明
├── dataset/                # 数据集主目录
│   ├── images/             # 原始图像（JPG/PNG）
│   ├── labels/             # YOLO格式标注（txt）
│   ├── train/              # 训练集
│   ├── val/                # 验证集
│   └── data.yaml           # 训练配置文件
├── tools/                  # 数据预处理/增强脚本
├── train.py                # 模型训练脚本
├── predict.py              # 推理部署脚本
└── requirements.txt        # 依赖清单

🧾 数据集完整信息

1. 基础信息

领域：计算机视觉｜目标检测｜智慧农业
场景：烟草幼苗/植株叶片｜无人机田间巡检｜自然光照田间实景
任务：烟草病虫害实时检测、健康/病害二分类定位
标注类型：矩形框标注 + 类别标签（YOLO标准格式）
数据规模：1200+ 张高分辨率田间实拍图像，覆盖多光照、多角度、不同生长周期
子集划分：训练集 900+｜验证集 200+｜测试集 100+，均衡无偏
标注质量：人工精标，过滤模糊/遮挡/无效样本，框选精准

2. 类别定义

类别ID	英文标签	中文标签	说明
0	healthy	健康植株	无病斑、无虫咬、叶片完整
1	disease	病害叶片	含病斑、花叶、枯萎、虫害损伤等

在这里插入图片描述

3. 格式与兼容性

图像格式：JPG / PNG，分辨率≥1280×720
标注格式：YOLO纯文本txt，一行一个目标，直接训练无需转换
兼容模型：YOLOv5 / YOLOv8 / YOLOv10 / YOLO11 全系列
部署支持：TensorRT / ONNX / OpenVINO 边缘端加速

4. 核心优势

真实田间：无人机实拍，还原光照、遮挡、复杂背景
开箱即用：目录规范、配置完整，克隆即可跑通训练
场景聚焦：专用于烟草幼苗/叶片病害，比通用数据集精度更高
工程友好：配套预处理、训练、推理、评估全流程代码

🎯 核心应用场景

无人机田间自动巡检：实时回传病害位置与热力图
智慧农场监测系统：7×24小时无人值守病害预警
精准植保：定位病灶，指导变量喷药，减药增效
科研教学：目标检测实战数据集，课程实验/毕设项目
产业落地：快速搭建烟草AI质检、病害识别商业化方案

🧠 深度学习实战代码（带场景注释）

1. 数据集配置（data.yaml）

# 烟草病虫害检测专用配置｜适配YOLOv8/v10
path: ./dataset  # 数据集根目录
train: train     # 训练集相对路径
val: val         # 验证集相对路径
test: test       # 测试集相对路径

# 类别信息
nc: 2            # 健康+病害 2分类
names:
  0: healthy
  1: disease

2. 训练脚本（train.py）

# -*- coding: utf-8 -*-
"""
烟草病虫害YOLO训练脚本
场景：无人机田间巡检｜小目标病害检测｜轻量化部署
经验：农业场景建议轻量模型+适度增强，避免过拟合
"""
from ultralytics import YOLO

def train_tobacco_disease():
    # 加载轻量预训练模型，适合无人机端侧部署
    model = YOLO("yolov8n.pt")

    # 烟草田间训练参数（经验调优）
    train_params = {
        "data": "./dataset/data.yaml",
        "epochs": 120,           # 小数据集充足迭代
        "imgsz": 640,            # 无人机图像标准尺寸
        "batch": 16,             # 显存友好
        "device": 0,             # GPU训练
        "lr0": 0.01,             # 初始学习率
        "mosaic": 0.7,           # 增强提升泛化
        "mixup": 0.1,
        "pretrained": True,
        "name": "tobacco_disease",
        "exist_ok": True
    }

    # 启动训练
    model.train(**train_params)
    # 验证模型
    metrics = model.val()
    print("mAP50:", metrics.box.map50)
    print("precision:", metrics.box.p)
    print("recall:", metrics.box.r)

if __name__ == "__main__":
    train_tobacco_disease()

3. 推理部署（predict.py）

# -*- coding: utf-8 -*-
"""
烟草病虫害推理脚本
输入：无人机图片/视频
输出：病害框+置信度+类别+保存结果
用途：田间实时巡检、后台批量分析
"""
from ultralytics import YOLO
import cv2

def detect_tobacco_disease(img_path, save_path="./result.jpg"):
    # 加载训练完成的最优模型
    model = YOLO("./runs/detect/tobacco_disease/weights/best.pt")
    # 推理（置信度阈值适配田间小目标）
    results = model(img_path, conf=0.25, iou=0.45)

    # 可视化并保存
    img = results[0].plot()
    cv2.imwrite(save_path, img)

    # 输出病害信息
    for r in results:
        for box in r.boxes:
            cls_id = int(box.cls)
            conf = round(float(box.conf), 2)
            cls_name = model.names[cls_id]
            print(f"类别：{cls_name}｜置信度：{conf}｜坐标：{box.xyxy[0]}")

if __name__ == "__main__":
    detect_tobacco_disease(img_path="test.jpg")