五类农业害虫检测数据集| 3000张YOLO智慧农业数据集分享
数据集源码分享
链接: https://pan.baidu.com/s/1KsaVwgUKKjNQE2diefhtOw?pwd=9zv8
提取码: 9zv8
一、数据集概述
本数据集是一个专注于高精度农业害虫识别与定位的专用检测数据集，共包含3000+张高质量标注图像。该数据集旨在为计算机视觉在智慧农业、病虫害早期预警及自动化监测中的应用提供高质量的基础数据支持，适用于YOL O系列 、Faster R-CNN等主流目标检测算法的训练、验证与测试。
随着智慧农业和精准农业的快速发展，利用计算机视觉技术实现农业害虫的自动识别与早期预警已成为保障作物产量、降低农药使用量、推动农业可持续发展的重要手段。本数据集针对田间害虫检测场景中害虫尺度小、形态相似、背景复杂、光照变化剧烈等问题进行专项构建，可为无人机/地面机器人田间巡检、智能温室实时监控、移动端 APP 识别助手等应用场景提供高质量数据支撑。
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 五类农业害虫检测数据集 |
| 数据规模 | 3000+张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 蚜虫、实蝇、南瓜甲虫、潜叶蝇、粉虱 |
| 类别数量（nc） | 5类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实田间与农业环境采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv8、YOLOv10、YOLOv11、Faster R-CNN等 |
三、数据集类别说明
本数据集为多类别目标检测数据集，共设置5个检测类别，涵盖5种常见且具有重大经济损失的农业害虫，标签名称为中文，便于国内用户直接使用。
类别配置
nc: 5
names:
- aphids
- fruitfly
- pumpkin-beetle
- serpentine-leafminer
- whitefly
类别详情
| 类别ID | 中文名称 | 英文名称 | 农业影响简述 |
|---|---|---|---|
| 0 | 蚜虫 | Aphids | 吸食植物汁液，传播病毒，导致叶片卷曲和生长受阻 |
| 1 | 实蝇 | Fruitfly | 幼虫蛀食果实内部，导致果实腐烂脱落，严重影响果蔬产量 |
| 2 | 南瓜甲虫 | Pumpkin-Beetle | 成虫啃食叶片和花，幼虫蛀食茎部，可传播细菌性枯萎病 |
| 3 | 潜叶蝇 | Serpentine-leafminer | 幼虫在叶片内部形成蜿蜒隧道（潜道），破坏光合作用效率 |
| 4 | 粉虱 | Whitefly | 群集吸食汁液，分泌蜜露诱发煤污病，影响作物品质 |
五类害虫设计覆盖了吸食汁液类、蛀果类、食叶类、潜叶类等主要害虫类型，兼顾不同危害方式与生态习性，使模型能够全面适应农业害虫检测的核心需求。
四、数据集结构说明
数据集采用YOLOv5/v8标准目录结构组织，预划分为训练集、验证集和测试集，方便直接导入主流 深度学习 框架进行模型训练与评估。
database/
└── 五类农业害虫检测数据集
├── train
│ └── images
├── valid
│ └── images
└── test
└── images
各数据集作用如下：
- train/images：训练集图像，用于模型参数学习与特征提取；
- valid/images：验证集图像，用于超参数调优、早停监控及防止过拟合；
- test/images：测试集图像，用于最终模型性能评估与泛化能力测试。
所有标签文件均采用标准YOLO格式，与图像文件一一对应，无需额外格式转换即可直接使用。
五、数据集核心优势
1. 真实农业场景采集
数据全部来源于真实田间与农业环境，真实反映农业害虫检测实际应用场景，涵盖不同作物、不同生长阶段及不同生态环境下的害虫样本。
覆盖场景包括：
- 大田作物（蔬菜、瓜果等）
- 果园与经济作物种植区
- 智能温室与设施农业
- 不同地域与气候条件
- 不同作物种类与生长阶段
能够有效提升模型的实际部署效果。
2. 多样化害虫形态覆盖
不同害虫在形态、大小、颜色、群居方式上存在显著差异，同一害虫在不同发育阶段形态各异。
数据集中包含：
- 不同发育阶段害虫（幼虫、成虫）
- 不同体色与体型变异
- 群集型害虫（蚜虫、粉虱）与散居型害虫（实蝇、南瓜甲虫）
- 静止与活动状态害虫
- 叶片正面/背面害虫
- 不同背景下的害虫（叶片、果实、茎秆）
有助于提升模型对不同害虫种类与形态的检测与泛化能力。
3. 丰富的田间环境条件覆盖
数据覆盖：
- 不同光照条件（强光、阴天、清晨/傍晚）
- 不同拍摄角度（俯视、侧视、近距离特写）
- 不同拍摄距离（宏观叶片视角、微观害虫特写）
- 不同作物背景（绿色叶片、枯黄叶片、土壤、果实）
- 不同程度遮挡（叶片遮挡、虫体重叠）
能够有效增强模型在真实田间环境中的鲁棒性。
4. 高质量人工标注
所有图像均由专业人员进行人工标注与多轮审核：
- 边界框贴合害虫主体
- 减少漏检和误检
- 分类标准统一规范
- 无类别混淆
- 复杂背景下的精准定位
有效保证模型训练质量。
5. 强泛化能力
数据涵盖：
- 不同地理区域与气候条件
- 不同作物类型与种植模式
- 不同害虫发生程度（轻度、中度、重度）
- 不同拍摄设备与分辨率
能够显著提升模型在实际农业害虫检测任务中的泛化能力。
六、适用场景
无人机/地面机器人田间自动化巡检
搭载于无人机或地面巡检机器人，对大面积农田进行高效、高频次的害虫监测与预警。
智能温室实时病虫害监控
部署于智能温室环境，持续监测作物害虫发生情况，及时发现并定位虫害区域。
移动端APP识别助手
开发智能手机应用程序，帮助农民快速拍照识别害虫种类，获取防治建议。
病虫害早期预警系统
基于害虫检测结果进行发生趋势分析与预警，为精准施药提供科学依据。
智慧农业管理平台
作为智慧农业平台的核心感知模块，实现虫情数据的自动化采集、分析与可视化。
农药精准施用决策
结合害虫种类与密度分布信息，指导变量施药作业，减少农药使用量。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 农业计算机视觉与智慧农业研究
- 小目标害虫检测研究
- 多类别目标检测研究
- 密集目标检测研究（群集害虫）
- 田间复杂背景目标检测研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 无人机视觉与遥感研究
- 域适应与跨地域泛化研究
- 害虫发生规律与预警模型研究
- 数据增强与少样本学习研究
- 精准农业与变量施药技术研究
八、总结
五类农业害虫检测数据集（Agricultural Pest Detection） 包含3000+张高质量标注图像，采用标准YOLO格式构建，专注于农业害虫的识别与定位任务。数据集覆盖蚜虫、实蝇、南瓜甲虫、潜叶蝇、粉虱5类核心农业害虫，具有场景真实、标注精准、害虫形态多样等特点，可广泛应用于无人机田间巡检、智能温室监控、移动端识别、病虫害早期预警等领域，是开展农业视觉智能 算法 研发与智慧农业系统建设的优质数据资源。
