植物叶片病害检测数据集 | 4900张YOLO智慧农业数据集

植物叶片病害检测数据集 | 4900张YOLO智慧农业数据集

适用于作物病害识别、田间巡检与 目标检测 研究

一、数据集概述

本数据集为PlantDoc植物叶片病害检测数据集的完整版本，共包含约4900张高质量标注图像，覆盖30类作物叶片与病害类别。作物病害是造成粮食减产的重要原因，早期发现并准确判定病害种类可显著降低损失。与实验室背景纯净的叶片图像不同，该数据集的图像取自真实田间与自然环境，包含复杂背景与光照变化，更贴近农户手机拍照的实际使用条件，是植物病害检测领域的经典公开基准之一。该数据集可广泛应用于智慧农业、作物健康巡检、农技诊断 App 、农业保险定损、植保科研等场景，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。

随着智慧农业和精准农业的快速发展，利用计算机视觉技术实现植物叶片病害的早期自动检测已成为保障粮食安全、减少产量损失的重要手段。本数据集针对田间病害检测场景中背景复杂、光照变化、视觉差异细微等问题进行专项构建，可为作物病害智能识别系统与农技诊断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：植物叶片病害检测数据集-30类

链接: https://pan.baidu.com/s/12bJ5koadsc5jgxEMZcv8xw?pwd=u19p

提取码: u19p

二、数据集基本信息

三、数据集类别说明

本数据集为多类别细粒度目标检测数据集，共设置30个检测类别，涵盖苹果、甜椒、蓝莓、樱桃、玉米、桃、马铃薯、树莓、大豆、南瓜、草莓、番茄、葡萄等13种作物的健康叶片与多种病害叶片，类别体系完整，覆盖作物广。

类别配置

nc: 30

names:
  - apple_black_rot
  - apple_cedar_rust
  - apple_healthy
  - apple_scab
  - bell_pepper_healthy
  - bell_pepper_spot
  - blueberry_healthy
  - cherry_healthy
  - cherry_powdery_mildew
  - corn_cercospora
  - corn_common_rust
  - corn_healthy
  - corn_northern_leaf_blight
  - grape_black_rot
  - grape_esca
  - grape_healthy
  - grape_leaf_blight
  - peach_bacterial_spot
  - peach_healthy
  - potato_early_blight
  - potato_healthy
  - potato_late_blight
  - raspberry_healthy
  - soybean_healthy
  - squash_powdery_mildew
  - strawberry_healthy
  - strawberry_leaf_scorch
  - tomato_bacterial_spot
  - tomato_healthy
  - tomato_mosaic_virus

类别详情（按作物分组）

30类设计覆盖13种主要作物的健康与病害状态，以单张叶片为标注单元，同一图像中可包含多张叶片实例，支持健康与患病叶片的同框对比学习。类别间视觉差异细微，属于典型的细粒度检测任务。

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。

植物叶片病害检测数据集-30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. 基于PlantDoc权威公开基准

本数据集源自PlantDoc——植物病害检测领域的经典公开基准数据集之一。PlantDoc专门针对真实田间拍摄条件设计，与实验室纯净背景数据不同，其图像取自真实农田与自然环境，已成为植物病害检测领域算法评测的重要基准。

2. 真实田间环境与自然条件

图像取自真实田间与自然环境，具有以下特点：

• 复杂背景：土壤、杂草、其他作物等自然背景元素
• 光照变化：不同时间段、不同天气条件下的自然光照
• 叶片重叠：多张叶片相互遮挡的真实场景
• 角度倾斜：不同拍摄角度与距离

更贴近农户手机拍照的实际使用条件，有效保障模型在真实应用场景中的泛化能力。

3. 广泛作物与病害覆盖

30类覆盖13种主要作物的健康与病害状态：

• 作物类型：苹果、甜椒、蓝莓、樱桃、玉米、桃、马铃薯、树莓、大豆、南瓜、草莓、番茄、葡萄
• 病害类型：黑星病、锈病、灰斑病、叶枯病、早疫病、晚疫病、斑枯病、白粉病、花叶病毒、细菌性斑疹病、叶霉病、黑腐病等

覆盖全面，可支撑多种作物的病害识别需求。

4. 细粒度检测任务特点

类别间视觉差异细微，属于典型的细粒度检测任务：

• 相似病害区分：不同作物的类似病害、同作物的不同病害
• 健康与患病对比：健康与患病叶片的细微差异
• 程度差异：同一病害不同严重程度的视觉变化

对模型的特征提取与判别能力要求较高，适合细粒度分类算法研究与模型优化。

5. 人工标注与植保学名对应

所有图像均经过人工标注：

• 类别命名与植保学名对应
• 边界框覆盖完整叶片区域
• 以单张叶片为标注单元
• 标注标准统一规范

有效保证模型训练质量。

6. 即用型数据组织

标准目录结构+精简data.yaml配置，下载即可直接用于模型训练，降低使用门槛。

六、适用场景

作物病害早期识别与田间巡检

在田间巡检中快速识别作物病害种类与程度，实现病害的早期发现与及时防控。

农户手机端拍照诊断应用

为农技服务App、小程序等提供拍照识病能力，帮助农户快速了解作物健康状况。

农业无人机与巡检机器人病害筛查

集成于农业无人机、地面巡检机器人，实现大范围作物病害的自动化筛查。

农业保险受灾评估

在农业保险定损中客观评估作物病害损失程度，辅助理赔决策。

植保科研与病害监测

为植物保护研究提供病害识别的数据工具，支撑病害流行规律与防控策略研究。

教学科研

用于细粒度分类与多类别目标检测算法研究等科研场景。

七、适用研究方向

本数据集可广泛应用于以下研究领域：

• 作物病害检测与识别研究（30类）
• 细粒度目标检测与分类研究
• 复杂环境目标检测研究（田间背景）
• 多类别目标检测研究
• 智慧农业与精准植保研究
• YOLO系列模型优化研究
• 轻量化检测模型与边缘部署研究（移动端应用）
• 域适应与跨作物泛化研究
• 农业视觉人工智能研究

八、总结

植物叶片病害检测数据集（PlantDoc） 包含约4900张高质量标注图像，采用标准 YOLO格式 构建，专注于作物叶片的病害检测与识别任务。数据集覆盖苹果、甜椒、蓝莓、樱桃、玉米、桃、马铃薯、树莓、大豆、南瓜、草莓、番茄、葡萄等13种作物的30类健康与病害状态，具有真实田间拍摄、作物覆盖广、细粒度类别丰富等特点，可广泛应用于作物病害早期识别、田间巡检、手机诊断、无人机筛查、农业保险定损等领域，是开展植物病害视觉检测算法研发与智慧植保系统建设的优质数据资源。