蚊子视觉验证数据集 | 蚊虫识别 疟疾防控 病媒生物 细粒度分类 YOLO格式 深度学习数据集

蚊子视觉验证数据集 | 蚊虫识别 疟疾防控 病媒生物 细粒度分类 YOLO格式 深度学习数据集9014期

数据集概述

本数据集专注于病媒蚊虫视觉识别，服务于公共卫生监测、疟疾防控及昆虫生态研究。数据涵盖多种按蚊、库蚊及非蚊干扰物，适配形态学鉴定辅助、蚊种自动分类及孳生地调查等场景。

数据集核心信息

数据三要素解析

类别与数量

• 数据集定义8个细分类别，涵盖4类按蚊（含不同种、属及未知状态）、库蚊、曼蚊、非蚊干扰物及不可用样本。具体如下：
  • 按蚊（Anopheles funestus）：疟疾主要媒介之一
  • 冈比亚按蚊（Anopheles gambiae）：非洲疟疾主要传播媒介
  • 其他按蚊（Anopheles other）：其他非优势种按蚊
  • 未知按蚊（Anopheles unknown）：图像模糊或特征不明确，但仍可判断为按蚊属
  • 库蚊（Culex）：常见骚扰性蚊虫，可传播乙脑等病毒
  • 曼蚊（Mansonia）：常见于有水草环境的蚊种
  • 非蚊（Non-mosquito）：图像中的非蚊虫类物体，用于降低误报
  • 不可用（Unusable）：图像质量严重不佳，无法用于有效分类或检测
• 图像总量约5000张，规模适中，适合作为蚊虫视觉识别算法的基准数据集。
• 类别设置包含“非蚊”与“不可用”两类负样本，有助于提升模型在实际部署中的泛化能力与误报抑制能力。

格式与结构

• 采用通用YOLO 格式，每张图像对应一个同名txt标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。
• 图像与标签一一对应，数据结构清晰，便于进行训练/验证集划分与预处理集成。

应用与扩展

• 数据集可扩展用于蚊虫性别识别、龄期鉴定等更精细的生物学特征分析。
• 可迁移至其他医学媒介（如蜱、蠓、白蛉）的视觉识别任务，进行微调适配。
• 类别分层设计（按蚊大类别下含亚类）便于构建层级分类模型，实现从“是否为按蚊”到“具体种属”的逐步推理。

知识普及：蚊虫视觉识别难点

蚊虫种类鉴定传统依赖显微镜下的形态学特征（如翅脉、触须、鳞片），对普通RGB图像而言，种间差异极其细微，且受拍摄角度、光照、蚊虫姿态及保存状态影响显著。深度学习通过提取高维纹理、轮廓等潜在特征可实现较高精度的自动分类。但需注意，数据集中的“不可用”类表明模糊、受损图像是实际监测中不可忽视的部分，需在模型部署时设计拒识机制。

快速开始（代码示例）

配置文件data.yaml示例：

train:./dataset/images/trainval:./dataset/images/valnc:8names:['anopheles_funestus','anopheles_gambiae','anopheles_other','anopheles_unknown','culex','mansonia','non_mosquito','unusable']

启动 YOLOv8 训练（针对细粒度分类推荐使用更深的骨干网络）：

fromultralyticsimportYOLO model=YOLO('yolov8l.pt')# 更大模型以捕获细微特征model.train(data='data.yaml',epochs=120,imgsz=640,batch=16)

标签

蚊虫识别疟疾防控病媒生物细粒度分类YOLO格式深度学习数据集计算机视觉