无人机植物病害目标检测数据集
数据集概述
本数据集为无人机植物病害检测数据集，共包含 1500+ 张高质量航拍图像。所有图像均来源于无人机低空巡检采集，真实反映农田环境下的作物生长状态。
数据集中包含两类目标：
- healthy：健康植株
- stressed：受胁迫植株
其中，受胁迫植株不仅包括传统意义上的植物病害，还包括多种作物异常状态，例如：
- 病害感染（如叶斑病、霉斑等）
- 营养缺失
- 水分不足
- 环境压力导致的叶片异常
数据集中的图像覆盖多种复杂农田场景，包括杂草背景、土壤裸露区域、阴影遮挡、水渍区域及不同光照条件。因此，该数据集具有较强的真实农业应用场景代表性。
在数据结构方面，数据集已经按照深度学习训练标准划分为训练集（train）、验证集（val）、测试集（test）。目录结构如下：
dataset
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
└── test
├── images
└── labels
YOLO 数据配置文件如下：
train: ../train/images
val: ../valid/images
test: ../test/images
nc: 2
names: ['healthy', 'stressed']
这种结构可以直接用于 YOLOv5 / YOLOv8 / YOLOv9 / YOLOv10 等目标检测框架训练。
背景
在传统农业生产中，农作物健康监测主要依赖人工巡田。这种方式存在效率低、覆盖范围有限、主观判断误差较大、难以实现长期连续监测等问题。特别是在大规模农田环境下，人工巡检往往难以及时发现早期病害。
随着无人机遥感技术的发展，无人机逐渐成为农业巡检的重要工具。通过无人机低空航拍，可以在短时间内获取大面积农田影像数据。与此同时，深度学习技术，尤其是目标检测算法，在视觉识别领域取得了突破性进展。将无人机遥感数据与目标检测算法结合，可以构建自动化农田监测系统。
数据集详情
数据规模
数据集总规模：1500+ 张图像。所有数据均已完成图像清洗、类别确认、人工标注及数据划分，确保可以直接用于模型训练。
图像来源
数据来源于无人机低空航拍图像，采集高度一般在 10m – 40m。图像特点包括高分辨率、多尺度目标、密集植株及复杂背景。
标注方式
数据集采用 Bounding Box（边界框）标注方式。每个目标均包含目标类别、目标位置及目标尺寸。YOLO 标注格式如下：
class x_center y_center width height
示例：
0 0.512 0.476 0.231 0.198
1 0.713 0.645 0.155 0.164
其中：
- 0 表示 healthy
- 1 表示 stressed
类别说明
- healthy：健康植株，叶片颜色均匀，结构完整，无明显病斑，无卷曲或变色。
- stressed：受胁迫植株，表现为叶片黄化、卷曲、出现斑点、颜色不均或局部枯萎。可能由病害感染、营养缺失、水分不足或温度压力导致。
数据难点
该数据集具有一定挑战性，主要体现在：
- 小目标检测：航拍图像中植株目标较小。
- 密集目标：农田植株往往密集排列，容易出现目标重叠问题。
