无人机植物病害检测数据集
这个数据集包含1500多张无人机航拍图像,专门用于植物病害目标检测。图像全部来自低空巡检,真实反映农田场景。标注了两类目标:healthy(健康植株)和 stressed(受胁迫植株)。受胁迫不仅包括病害感染(比如叶斑、霉斑),也覆盖营养缺失、水分不足或环境压力导致的叶片异常——正是因为类别定义宽泛,实际部署时不会只盯着某一种病,更贴合田间巡检。
数据集已经按标准划分好了训练集、验证集和测试集,目录结构长这样:
dataset
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
└── test
├── images
└── labels
YOLO 的数据配置文件也直接可用:
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 2
names: ['healthy', 'stressed']
把上面的目录放到项目里,就能直接用 YOLOv5 / v8 / v9 / v10 训练,不用再手动切分。
图像是怎么采集的?无人机飞行高度一般在10到40米,拍出来的图分辨率高,植株比较小,而且密集。背景也不干净——泥土、杂草、灌溉水、阴影都有。不同时段的光照变化很大,强光、阴影、反光都给检测增加了难度。这些因素加起来,让这个数据集比很多干净数据集更贴近真实生产环境。
标注格式是 YOLO 常用的归一化边界框:
class x_center y_center width height
比如:
0 0.512 0.476 0.231 0.198
1 0.713 0.645 0.155 0.164
0 代表 healthy,1 代表 stressed。
类别说明:
- healthy:叶片颜色均匀,结构完整,没有明显病斑,也不卷曲、不变色。
- stressed:叶片黄化、卷曲、有斑点、颜色不均或局部枯萎,可能由病害、缺素、缺水或温度压力导致。
主要挑战
- 小目标:航拍视角下,单株植物在图像中很小,模型容易漏检。
- 密集排列:植株挨得近,目标重叠普遍,区分边界有难度。
- 复杂背景:土壤、杂草、水渍、阴影都可能是干扰。
- 光照变化:不同时间拍的图亮度差异大,强光下叶片反光厉害。
能用在哪些地方?
这个数据集的场景很多。做智慧农业的可以用它训练病害预警模型,生成农田健康地图。开发无人机巡检系统的,拿它作为自动化监测的视觉模块基础。做农业遥感研究的人,也能用它去检测植被健康指数、异常区域。如果你在改进目标检测算法,YOLO、Faster R-CNN、RetinaNet、SSD、Transformer 都可以在上面试,看谁更能搞定小目标和密集遮挡。高校教学里,计算机视觉课程实验、深度学习大作业也完全够用。
整体来说,这个数据集给了你一个直接上手训练、又不脱离实际生产的环境。1500多张数据不算大,但胜在场景多样、标注扎实,作为基线测试或快速原型验证都挺合适。


