目标检测数据集第032期-基于yolo标注格式的红辣椒病害检测数据集(含免费分享)

然而，针对印尼地区红辣椒专属病害的高质量标注数据集十分稀缺，导致当地农业 AI 检测模型开发受阻。该数据集不仅为论文的模型训练与验证提供了核心支撑，更面向全球研究者开放，旨在推动农业领域病害检测深度学习技术的发展与落地，助力农户高效防治病害、减少经济损失。在农业生产中，红辣椒作为重要经济作物，常受多种病害侵袭，传统人工检测效率低、误差大。而基于深度学习的病害检测技术，需高质量标注数据集支撑。在使用

畅想未来2020

373人浏览 · 2025-09-21 12:45:00

畅想未来2020 · 2025-09-21 12:45:00 发布

目标检测数据集第032期-基于yolo标注格式的红辣椒病害检测数据集(含免费分享)

超实用红辣椒病害检测数据集分享，助力计算机视觉研究！

目标检测数据集第032期-基于yolo标注格式的红辣椒病害检测数据集(含免费分享)

超实用红辣椒病害检测数据集分享，助力计算机视觉研究！

1、背景

在农业生产中，红辣椒作为重要经济作物，常受多种病害侵袭，传统人工检测效率低、误差大。而基于深度学习的病害检测技术，需高质量标注数据集支撑。

随着全球农业向智能化转型，深度学习在病虫害监测领域的应用愈发广泛。印尼作为红辣椒种植大国，其红辣椒产业常因 Green peach aphid（桃蚜）、Silverleaf whitefly（银叶粉虱）等病害遭受严重损失。然而，针对印尼地区红辣椒专属病害的高质量标注数据集十分稀缺，导致当地农业 AI 检测模型开发受阻。

为解决这一问题，来自相关领域的研究团队开展专项研究，收集并标注了印尼红辣椒病害数据集。该数据集不仅为论文的模型训练与验证提供了核心支撑，更面向全球研究者开放，旨在推动农业领域病害检测深度学习技术的发展与落地，助力农户高效防治病害、减少经济损失。

2、数据详情

该数据集以 “高质量、贴合实际种植场景” 为核心特点，在数据采集、标注、分类等方面均经过严格把控，具体信息如下：

（1）数据采集基础信息

• 采集地点：印尼明古鲁省（Bengkulu Province）红辣椒种植园中心，确保数据贴合印尼红辣椒真实生长环境与病害分布特点。
• 采集设备：使用最低分辨率为 1300 万像素的智能手机相机，兼顾设备普及性与图像清晰度，便于后续模型在移动端部署时的适配。
• 采集时间：结合病害活动规律，选择两个关键时段采集 —— 上午 7:00-10:00（印度尼西亚西部时间）、下午 14:30-16:00（印度尼西亚西部时间），此时段病害活跃度高，能更全面捕捉病害形态与栖息状态；采集时未固定拍摄角度，模拟实际田间人工观察的随机性，提升数据泛化能力。

（2）病害类别与标注

• 原始病害类型
：经农业专家验证，共识别出 5 种常见且危害严重的病害，分别是：
- • Green peach aphid（桃蚜，学名 Myzus persicae Sulz.）
- • Silverleaf whitefly（银叶粉虱，学名 Bemisia tabaci）
- • Thrips（蓟马）
- • Cotton bollworm（棉铃虫，学名 Helicoverpa armigera）
- • Tobacco cutworm（烟草夜蛾，学名 Spodoptera litura）
• 类别合并处理：由于棉铃虫与烟草夜蛾视觉形态高度相似，为降低模型分类难度、提升检测准确性，将二者合并为一个类别 “Caterpillar（毛虫）”，最终数据集包含4 个目标类别。
• 标注格式：采用 YOLOv5 标注格式（行业主流目标检测标注格式），便于直接用于 YOLOv5、YOLOv7 等主流深度学习模型的训练，减少数据预处理工作量。

（3）数据划分与配置

数据集按 “训练 - 验证 - 测试” 标准流程划分，具体路径与参数明确标注，配置信息如下：

• 训练集路径：train: datasets/train/images
• 验证集路径：val: datasets/val/images
• 测试集路径：test: datasets/test/images
• 类别数量（nc）：4
• 类别名称（names）：['MP'（桃蚜）, 'BT'（银叶粉虱）, 'T'（蓟马）, 'C'（毛虫）]

3、应用场景

该数据集凭借 “针对性强、标注规范、适配主流模型” 的优势，可广泛应用于农业 AI、学术研究、农业生产工具开发等领域，具体场景如下：

（1）深度学习模型研发与优化

• 目标检测模型训练：直接作为 YOLOv5、YOLOv8、Faster R-CNN 等模型的训练数据，用于开发印尼红辣椒病害专属检测模型。例如，研究者可基于该数据集微调 YOLOv5 模型，优化模型在复杂田间背景下（如叶片遮挡、光照变化）的病害识别精度，解决传统模型对地域性病害检测效果差的问题。
• 模型性能对比实验：作为标准测试集，用于对比不同算法的检测效率与准确性。例如，可分别用该数据集训练 YOLO 系列与 Transformer-based 检测模型，通过 Precision（精确率）、Recall（召回率）、mAP（平均精度均值）等指标，评估不同模型在红辣椒病害检测任务中的优劣，为技术选型提供数据支撑。

（2）学术研究与教育

• 农业 AI 领域研究：为高校、科研机构提供研究素材，助力学者探索 “小样本学习在病害检测中的应用”“跨域迁移学习解决不同地区红辣椒病害检测适配问题” 等前沿方向。例如，基于该数据集构建小样本数据集，研究如何通过数据增强、预训练模型迁移等技术，在样本量有限的情况下提升模型性能。
• 深度学习教学案例：作为农业领域目标检测的典型案例，用于高校人工智能、农业工程等专业的教学实践。学生可通过该数据集学习数据标注原理、模型训练流程、结果评估方法，加深对 “AI + 农业” 交叉领域应用的理解。

（3）农业生产实际应用开发

• 移动端病害检测 APP：基于该数据集训练的轻量化模型，可集成到手机 APP 中。农户在田间只需用手机拍摄红辣椒叶片，APP 即可实时识别病害种类，并提供对应的防治建议（如推荐农药类型、使用剂量），解决传统检测依赖专业人员、响应滞后的问题。
• 智能监测设备集成：结合物联网技术，将训练好的模型部署到田间摄像头、无人机等智能设备中，实现红辣椒种植园的全天候、大范围病害监测。例如，无人机定期巡航拍摄，模型自动识别病害分布区域，生成虫害热力图，帮助农户精准施药，减少农药浪费与环境污染。