农业害虫检测数据集 | 3200张YOLO智慧农业数据集
适用于田间害虫识别、精准施药与目标检测研究
一、数据集概述
本数据集收集了12 类 常见农田与园艺害虫及土壤生物的图像，共包含约3200张高质量标注图像，用于构建可部署于手机端与田间摄像设备的害虫自动识别系统。农业害虫每年造成大量作物减产，及时准确地识别田间害虫种类是精准施药与绿色防控的前提。传统识别依赖植保专家肉眼判断，响应慢、覆盖面有限。该数据集可广泛应用于智慧农业、精准施药、病虫害预警、农技服务App、农业物联网监测等场景，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。
随着智慧农业和绿色植保的快速发展，利用 计算机视觉 技术实现田间害虫的自动识别已成为提升病虫害防控效率、减少农药使用量的重要手段。本数据集针对田间害虫检测场景中虫体与背景颜色相近、姿态多样、类别丰富等问题进行专项构建，可为害虫智能识别系统与农技服务设备提供高质量数据支撑。
数据集下载
通过网盘分享的文件：农业害虫检测数据集-12类
链接: https://pan.baidu.com/s/1v5DBgwjNJ0FVP0F9NGOXjQ?pwd=z3iq 提取码: z3iq
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 农业害虫检测数据集 |
| 数据规模 | 约3200张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 12类农田与园艺害虫及土壤生物 |
| 类别数量（nc） | 12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 | 真实田间与自然环境采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、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12个检测类别，涵盖害虫、益虫与土壤生物，便于模型在识别有害生物的同时区分蜜蜂、蚯蚓等有益物种，避免误伤性施药。
类别配置
nc: 12
names:
- ant
- bee
- beetle
- caterpillar
- earthworm
- earwig
- grasshopper
- moth
- slug
- snail
- wasp
- weevil
类别详情
| 类别ID | 类别名称 | 英文名称 | 生态类型 | 类别说明 |
|---|---|---|---|---|
| 0 | 蚂蚁 | ant | 中性/害虫 | 常见田间昆虫，部分种类危害作物 |
| 1 | 蜜蜂 | bee | 益虫 | 重要传粉昆虫，应避免误伤 |
| 2 | 甲虫 | beetle | 害虫/中性 | 多种农田害虫（如叶甲、金龟子等） |
| 3 | 毛毛虫 | caterpillar | 害虫 | 鳞翅目幼虫，取食作物叶片造成危害 |
| 4 | 蚯蚓 | earthworm | 益虫 | 土壤有益生物，改善土壤结构 |
| 5 | 蠼螋 | earwig | 中性 | 杂食性昆虫，部分种类捕食害虫 |
| 6 | 蝗虫 | grasshopper | 害虫 | 重要农业害虫，取食作物叶片与茎秆 |
| 7 | 飞蛾 | moth | 害虫 | 鳞翅目成虫，部分种类危害作物 |
| 8 | 蛞蝓 | slug | 害虫 | 软体动物，取食作物幼苗与叶片 |
| 9 | 蜗牛 | snail | 害虫 | 软体动物，取食作物叶片与果实 |
| 10 | 黄蜂 | wasp | 益虫/害虫 | 捕食性昆虫，部分种类具有传粉作用 |
| 11 | 象鼻虫 | weevil | 害虫 | 鞘翅目重要害虫，危害多种作物 |
12类设计涵盖三大生态类型：
- 害虫：甲虫、毛毛虫、蝗虫、飞蛾、蛞蝓、蜗牛、象鼻虫、蚂蚁（部分）
- 益虫：蜜蜂、蚯蚓、黄蜂（捕食性益虫）
- 中性：蠼螋
包含益虫类别的设计有利于模型在识别有害生物的同时区分有益物种，避免误伤性施药，推动绿色防控与生态友好型植保。
四、数据集结构说明
数据集采用标准YOLO 目录结构 组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。
农业害虫检测数据集-12类/
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
├── test
│ ├── images
│ └── labels
└── data.yaml
各数据集作用如下：
- train/images & labels：训练集图像与标签，用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签，用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签，用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套data.yaml已配置好类别名称与数量，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 全面的害虫与益虫覆盖
本数据集包含12类常见的农田与园艺害虫及土壤生物，从生态维度涵盖害虫、益虫与中性生物：
- 危害作物类：毛毛虫、蝗虫、甲虫、象鼻虫、飞蛾等
- 软体动物类：蛞蝓、蜗牛
- 有益生物类：蜜蜂（传粉）、蚯蚓（土壤改良）、黄蜂（捕食性天敌）
类别设计独特之处在于同时包含害虫与益虫，使模型能够区分有害与有益物种，避免误伤性施药，对绿色防控具有重要意义。
2. 贴近真实田间环境
图像多为田间与自然环境下的近距离拍摄，具有以下特点：
- 背景复杂：叶片、土壤、花朵等自然背景元素
- 虫体伪装：虫体常与背景颜色相近，增加检测难度
- 姿态多样：不同角度、不同活动状态下的虫体形态
- 尺度变化：从小型昆虫到较大软体动物
与田间虫情调查实际场景高度一致。
3. 细粒度昆虫识别挑战
12类目标在视觉上存在不同程度的相似性，属于细粒度识别任务：
- 近缘种区分：蜜蜂 vs 黄蜂、甲虫 vs 象鼻虫
- 相似形态：蛞蝓 vs 蜗牛、飞蛾 vs 蝴蝶
- 不同发育阶段：毛毛虫与飞蛾属于同种不同阶段
- 颜色相近：虫体与背景颜色接近时的区分
对模型的特征提取与细粒度判别能力要求较高。
4. 人工精准标注
所有图像均经过人工精准标注：
- 边界框贴合虫体轮廓
- 12类目标类别界定明确
- 区分害虫、益虫与中性生物
- 标注标准统一规范
有效保证 模型训练 质量。
5. 小样本多类别适配
约3200张图像覆盖12个类别，适合小样本多类别检测与迁移学习实验，支持在有限样本条件下进行算法研究与模型优化。
6. 即用型数据组织
标准目录结构+精简data.yaml配置，无需复杂预处理，可直接用于模型训练，降低使用门槛。
六、适用场景
田间害虫种类自动识别与计数
在田间设置智能监测设备，自动识别害虫种类并统计数量，为虫情研判提供数据支撑。
精准施药决策与农药减量
根据害虫种类识别结果，指导针对性施药方案制定，避免广谱性施药，实现农药减量增效。
病虫害发生趋势预警
基于害虫识别与计数结果，分析害虫发生趋势，提前预警暴发性虫害风险。
农技服务与农户拍照识虫应用
为农技服务App、小程序等提供拍照识虫能力，帮助农户快速了解田间虫害情况。
生态友好型植保
识别益虫与害虫的比例，评估田间生态系统健康状况，指导生态友好型植保措施。
教学科研
用于细粒度昆虫识别与小样本目标检测研究等科研场景。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 农业害虫检测与识别研究（12类）
- 细粒度昆虫识别研究
- 小样本多类别目标检测研究
- 复杂背景目标检测研究（虫体与背景相近）
- 益虫/害虫分类识别研究
- 绿色防控与生态植保研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究（手机端部署）
- 域适应与跨地区泛化研究
- 迁移学习与数据增强研究
八、总结
农业害虫检测数据集包含约3200张高质量标注图像，采用标准 YOLO格式 构建，专注于农田与园艺害虫的检测与识别任务。数据集覆盖蚂蚁、蜜蜂、甲虫、毛毛虫、蚯蚓、蠼螋、蝗虫、飞蛾、蛞蝓、蜗牛、黄蜂、象鼻虫12类核心目标，具有害虫/益虫双覆盖、田间真实场景、细粒度识别挑战等特点，可广泛应用于田间害虫识别、精准施药决策、虫情预警、农技服务等领域，是开展农业害虫视觉检测算法研发与智慧植保系统建设的优质数据资源。
