柑橘病害检测数据集（YOLO格式）
摘要：本研究基于自建的5类柑橘病害数据集（5,658张图像/7,062个标注框），采用YOLO11n模型开发了一套支持图片、视频及实时摄像头检测的柑橘病害智能诊断与防治系统。
数据集简介
本研究构建了一个涵盖5类柑橘病害的目标检测数据集，共5,658张图像、7,062个标注框，按8:1:1划分为训练集、验证集和测试集，采用YOLO标注格式。
数据集概述
柑橘作为我国重要经济作物，病害防治严重依赖人工经验且效率低下，急需利用深度学习技术实现病害的快速准确识别与智能防治。本研究旨在开发一套基于YOLO11n的柑橘病害智能诊断与防治系统，以降低经济损失并提高果园管理效率。
本研究构建了一个涵盖5类柑橘病害的目标检测数据集，共5,658张图像、7,062个标注框，按8:1:1划分为训练集、验证集和测试集，采用YOLO标注格式。采用Mosaic、翻转、缩放、平移、色彩抖动等7种数据增强方法，基于YOLO11n模型进行150轮训练，开发了支持图片、视频及实时摄像头检测的智能诊断系统。
系统在验证集上达到mAP@0.5: 98.3%、mAP@0.5:0.95: 84.0%的检测精度，精确率97.5%，召回率95.6%，推理速度1.6ms/帧，模型 参数量仅2.58M。系统能够准确识别黑斑病、溃疡病、黄龙病、黑点病及健康叶片，并提供病害严重程度评估、智能防治建议及语 音提醒功能，适合部署在果园现场的边缘设备上进行实时病害检测。
数据集来源
本研究所使用的数据集为自主构建，图像数据来源于果园实地拍摄及网络公开的柑橘病害图像，经筛选与预处理后获得5,658张有效图像。所有图像均由人工进行标注，采用YOLO格式的边界框标注方式，定义了柑橘黑斑病、柑橘溃疡病、柑橘黄龙病、健康叶片及柑橘黑点病共5类目标，共计标注7,062个实例。标注过程中严格遵循统一的标注规范，以确保标注质量的一致性与准确性。
类别定义
标注规范
标注采用 YOLO 格式：每个目标一行，字段为 class x_center y_center width height， 坐标均为相对归一化（0~1）。
图1 标注规范图
数据规模与划分
- 总图像数：5658；总标注框数：7062
图2 数据集在训练、验证和测试集上的分布
数据集按照约 80:10:10 的比例划分为训练集、验证集和测试集：
表1 数据集划分及用途说明
质量控制
标注采用双阶段质量控制流程：首先进行规范化标注与自检， 确保目标框贴合实例外接矩形且类别一致；随后进行抽样复核， 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认， 以提高跨标注者一致性与总体标注可靠性。
数据格式与使用
数据集采用标准 YOLO 格式组织，通过 data.yaml 配置文件即可快速集成到训练流程中。
目录结构
数据集采用标准 YOLO 格式组织，图像和标注文件分别存放在 images/ 和 labels/ 目录下，并按训练集、验证集、测试集划分。
使用方式
在训练脚本中指定 data.yaml 即可加载数据：
性能评测
基于 YOLO11 模型在本数据集上进行训练和评测，使用mAP@0.5与mAP@0.5:0.95等标准指标对模型检测效果进行评估。评测结果如下：
训练过程综合指标曲线图
图3 训练与验证指标随Epoch变化趋势图
精确率-召回率（PR）曲线图
图4 目标检测PR曲线（Precision-Recall）
F1分数-置信度阈值曲线图
图5 不同置信度阈值下的F1曲线
归一化混淆矩阵图（分类误判分析）
图6 归一化混淆矩阵（person / leaflet）
应用案例
- 案例1：基于YOLO11的柑橘病害智能诊断与防治系统
图7 应用案例：基于YOLO11的柑橘病害智能诊断与防治系统
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。 如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
原创声明：本项目为原创作品