YOLOv11农田烟草叶片病害目标检测数据集-470张-tobacco-plant-1
YOLOv11农田烟草叶片病害目标检测数据集
📊 数据集基本信息
- 目标类别： [‘Black shank’, ‘Healthy Leaf’, ‘Tobacco leaf curl disease -TLCD-’, ‘Tobacco mosaic virus -TMV-’, ‘brown sport’, ‘frogeye leaf spot’]
- 中文类别：[‘黑胫病’, ‘健康叶片’, ‘烟草卷叶病’, ‘烟草花叶病毒’, ‘棕色斑点’, ‘靶斑病’]
- 训练集：382 张
- 验证集：48 张
- 测试集：40 张
- 总计：470 张
📄 data.yaml 配置信息
该数据集提供了data.yaml文件，内容如下：
train:../train/imagesval:../valid/imagestest:../test/imagesnc:6names:['Black shank','Healthy Leaf','Tobacco leaf curl disease -TLCD-','Tobacco mosaic virus -TMV-','brown sport','frogeye leaf spot']🖼️ 标注可视化
📝 数据集分析
YOLOv11农田烟草叶片病害目标检测数据集
该数据集专注于农田环境中烟草叶片的病害检测，通过精准标注不同类型的病害特征，为农业病害智能识别提供了高质量的数据支撑。数据集涵盖了多种常见烟草病害，包括黑胫病、烟草花叶病毒、烟草卷叶病、靶斑病以及棕色斑点等，能够有效支持农业病害的早期诊断与防控。
从数据分布来看，该数据集包含382张训练集图像、48张验证集图像和40张测试集图像，总计470张。训练集占比最大，能够充分覆盖各类病害的多样性和复杂性；验证集和测试集比例适中，确保模型在训练过程中的性能评估和最终测试的可靠性。整体分布合理，符合机器学习任务对数据划分的标准要求。
在标注质量方面，该数据集表现出极高的精准度和规范性。每张图像中的病害区域均被精确框选，并配有清晰的类别标签，避免了误标或漏标现象。标注边界与病害特征高度吻合，为模型训练提供了可靠的基础，有助于提升检测算法的准确性和鲁棒性。
该数据集可广泛应用于农业病害监测与管理领域，特别是在烟草种植基地的病害智能识别系统中具有重要价值。通过结合无人机航拍或田间固定摄像头，能够实现对烟草叶片病害的实时监测与预警，助力农业生产效率的提升和病害防控的精准化。此外，该数据集还可为农业人工智能研究提供丰富的样本支持，推动相关技术的创新发展。
YOLOv11训练步骤
一、环境安装
pipinstallultralytics# 依赖要求：Python≥3.8，PyTorch≥1.8。安装完成后可通过 `yolo checks` 验证环境。二、数据集准备（YOLO格式）
1. 目录结构
数据集必须严格按以下结构组织：
dataset/ ├── train/ │ ├── images/ # 训练图片（jpg/png） │ └── labels/ # YOLO格式标注（txt） ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件2. YOLO标注格式
每个*.txt文件对应一张图片，每行格式为：
class_id center_x center_y width height所有数值均为相对于图片宽高的归一化值（0~1）。
3. data.yaml 配置文件
# data.yamlpath:../dataset# 数据集根目录（相对或绝对路径）train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径（可选）# 类别信息nc:2# 类别数量names:['class1','class2']# 类别名称列表三、模型选择
YOLO11 提供 5 种尺度，官方命名规则为yolo11{n/s/m/l/x}.pt：
| 模型 | 参数量 | 适用场景 |
|---|---|---|
yolo11n | 2.6M | 边缘设备、速度优先 |
yolo11s | 9.4M | 平衡精度与速度 |
yolo11m | 20.1M | 常规GPU训练 |
yolo11l | 25.3M | 高精度需求 |
yolo11x | 56.9M | 极致精度、算力充足 |
四、模型训练
方式1：Python API（推荐）
创建train.py：
fromultralyticsimportYOLOdefmain():# 加载预训练模型（推荐：基于COCO预训练权重微调）model=YOLO("yolo11m.pt")# 训练参数train_params={'data':'data.yaml',# 数据集配置文件'epochs':100,# 训练轮次'imgsz':640,# 输入图像尺寸'batch':16,# 批次大小（根据显存调整）'device':'0',# GPU设备号，'cpu'表示CPU训练'workers':8,# 数据加载线程数'optimizer':'SGD',# 优化器：SGD/Adam/AdamW'lr0':0.01,# 初始学习率'patience':50,# 早停耐心值'save':True,# 保存模型'project':'runs/train',# 项目保存路径'name':'exp',# 实验名称'single_cls':False,# 单类别检测设为True'close_mosaic':10,# 最后N轮关闭马赛克增强}# 开始训练results=model.train(**train_params)# 输出最佳模型路径print(f"Best model saved at:{results.best}")if__name__=='__main__':main()三种模型加载方式对比：
# 方式A：从YAML构建全新模型（从头训练，适合网络结构改进）model=YOLO("yolo11m.yaml")# 方式B：加载预训练权重（最常用，推荐）model=YOLO("yolo11m.pt")# 方式C：构建新模型并迁移预训练权重（改进网络后使用）model=YOLO("yolo11m.yaml").load("yolo11m.pt")方式2：命令行 CLI
# 基础训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100imgsz=640batch=16device=0# 多GPU训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100device=0,1# 从YAML+预训练权重训练yolo detect traindata=data.yamlmodel=yolo11m.yamlpretrained=yolo11m.ptepochs=100五、关键训练参数说明
| 参数 | 说明 | 建议值 |
|---|---|---|
epochs | 训练总轮次 | 100~300 |
imgsz | 输入尺寸 | 640（标准） |
batch | 批次大小 | 8/16/32（根据显存） |
device | 训练设备 | 0（单GPU）、0,1（多GPU）、cpu、mps（Apple芯片） |
workers | 数据加载线程 | 8~16（Windows建议≤8） |
optimizer | 优化器 | SGD（默认）、Adam、AdamW |
lr0/lrf | 初始/最终学习率 | 0.01 / 0.01 |
momentum | SGD动量 | 0.937 |
weight_decay | 权重衰减 | 0.0005 |
single_cls | 单类别模式 | True/False |
resume | 恢复中断训练 | True（需指定last.pt） |
amp | 自动混合精度 | True（默认开启，省显存） |
六、模型验证
创建val.py：
fromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重model=YOLO('runs/train/exp/weights/best.pt')# 验证metrics=model.val(data='data.yaml',split='val',# 验证集：'val' 或 'test'imgsz=640,batch=16,iou=0.6,# NMS IoU阈值device='0',save_json=False,# 是否保存COCO格式JSON)# 输出关键指标print(f"mAP50-95:{metrics.box.map}")# mAP@0.5:0.95print(f"mAP50:{metrics.box.map50}")# mAP@0.5print(f"mAP75:{metrics.box.map75}")# mAP@0.75if__name__=='__main__':main()CLI 方式：
yolo detect valmodel=runs/train/exp/weights/best.ptdata=data.yaml七、模型推理/预测
创建predict.py：
fromultralyticsimportYOLOimportcv2defmain():model=YOLO('runs/train/exp/weights/best.pt')# 单张图片推理results=model.predict(source='test_images/',# 图片路径、文件夹、URL或摄像头索引（0）imgsz=640,conf=0.25,# 置信度阈值iou=0.45,# NMS IoU阈值device='0',save=True,# 保存结果图show=False,# 是否弹窗显示)# 遍历结果forresultinresults:boxes=result.boxes# 检测框masks=result.masks# 分割掩码（如使用分割模型）probs=result.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2=box.xyxy[0].tolist()conf=box.conf[0].item()cls=int(box.cls[0].item())print(f"Class:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}]")if__name__=='__main__':main()CLI 方式：
yolo detect predictmodel=runs/train/exp/weights/best.ptsource=test_images/save=True## 数据集下载> 小郭AI日志数据集
YOLOv11农田烟草叶片病害目标检测数据集-470张-tobacco-plant-1.zip https://pan.baidu.com/s/1GtiJtqzzwYp6Zhg59sxb_w 提取码：ftee``
CLI 方式：
yolo detect predictmodel=runs/train/exp/weights/best.ptsource=test_images/save=True## 数据集下载> 小郭AI日志