带标注的番茄西红柿病害和虫害检测数据集，可识别健康叶，8种虫害和9种病害，识别率86.6%，6639张图，支持yolo，coco json，voc xml,文末有模型训练代码

​
带标注的番茄西红柿病害和虫害检测数据集，可识别健康叶，8种虫害和9种病害，识别率86.6%，6639张图，支持yolo，coco json，voc xml,文末有模型训练代码

模型训练指标参数：

模型训练图：

数据集拆分

总图数：6639 张图数
训练集

5794 张图

验证集

544 张图

测试集

301 张图

预处理

自动定向：应用

调整大小：拉伸到266x266

增强

单样本输出数：3
90° 旋转：顺时针、逆时针、上下翻转
旋转角度：±15°
曝光调整：±5%

数据集标签：

[‘Bacterial Spot’, ‘Cotton Bollworm’, ‘Melon Thrips’, ‘Early Blight’, ‘Red Spider Mite’, ‘Leaf Mold’, ‘Green Peach Aphid’, ‘Two-spotted Spider Mite’, ‘Late Blight’, ‘Melon Fly’, ‘Target Spot’, ‘Septoria Leaf Spot’, ‘Greenhouse Whitefly’, ‘Mosaic Virus’, ‘Yellow Leaf Curl Virus’, ‘Tobacco Caterpillar’, ‘Healthy’, ‘Beet Armyworm’]

标签解释：

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92928217

yolo v12:https://download.csdn.net/download/pbymw8iwm/92928215

yolo v11:https://download.csdn.net/download/pbymw8iwm/92928213

yolo v9:https://download.csdn.net/download/pbymw8iwm/92928210

yolo v8:https://download.csdn.net/download/pbymw8iwm/92928214

yolo v7:https://download.csdn.net/download/pbymw8iwm/92928211

coco json:https://download.csdn.net/download/pbymw8iwm/92928216

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92928212

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject 里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用python train_yolov8.py
​​

模糊图片在模型训练中的优势分析

该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：

1. 提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
2. 模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
3. 防止模型过拟合：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的“干净”特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
   总结：因此，数据集中包含的模糊图片，与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# ===================== 1. 加载YOLO模型 =====================# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/xmodel=YOLO("best.pt")# ===================== 2. 推理配置 =====================image_path="326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg"# 你的图片路径save_result=True# 是否保存标注后的图# ===================== 3. 执行推理 =====================results=model.predict(source=image_path,conf=0.01,# 置信度阈值（低于该值忽略）save=False,# 关闭默认保存，自定义保存verbose=False# 关闭冗余日志)# ===================== 4. 解析结果：目标区域 + 标注信息 =====================print("="*50)print("YOLO 推理结果（目标区域 + 标注信息）")print("="*50)# 获取图片（用于绘制框）img=cv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxes=result.boxes# 所有检测框forboxinboxes:# ========== 提取目标区域（坐标） ==========# xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2=box.xyxy[0].cpu().numpy()# 宽高w=x2-x1 h=y2-y1# ========== 提取标注信息 ==========cls_id=int(box.cls[0])# 类别IDcls_name=model.names[cls_id]# 类别名称conf=float(box.conf[0])# 置信度# ========== 打印信息 ==========print(f"目标{idx+1}:")print(f" 标注类别：{cls_name}")print(f" 置信度：{conf:.2f}")print(f" 目标区域坐标：")print(f" 左上角 ({x1:.1f},{y1:.1f})")print(f" 右下角 ({x2:.1f},{y2:.1f})")print(f" 宽×高：{w:.1f}×{h:.1f}")print("-"*30)# ========== 在图片上绘制检测框 ==========cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f"{cls_name}{conf:.2f}",(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# ===================== 5. 保存/显示结果 =====================ifsave_result:cv2.imwrite("yolo_result.jpg",img)print("✅ 标注图片已保存为：yolo_result.jpg")# 显示图片（可选）cv2.imshow("YOLO Result",img)#cv2.waitKey(0)#cv2.destroyAllWindows()

推理结果：

{
“predictions”: [
{
“x”: 149,
“y”: 149.5,
“width”: 298,
“height”: 299,
“confidence”: 0.973,
“class”: “Melon Fly”,
“class_id”: 9,
“detection_id”: “1ffd4c71-3bd8-4500-9fd0-a90bcc37eed8”
}
]
}