📦 已发布目标检测数据集合集（持续更新）

数据集名称	图像数量	应用方向	博客链接
🔌 电网巡检检测数据集	1600 张	电力设备目标检测	点击查看
🔥 火焰 / 烟雾 / 人检测数据集	10000张	安防监控，多目标检测	点击查看
🚗 高质量车牌识别数据集	10,000 张	交通监控 / 车牌识别	点击查看
🌿 农田杂草航拍检测数据集	1,200 张	农业智能巡检	点击查看
🐑 航拍绵羊检测数据集	1,700 张	畜牧监控 / 航拍检测	点击查看
🌡️ 热成像人体检测数据集	15,000 张	热成像下的行人检测	点击查看
🦺 安全背心检测数据集	3,897 张	工地安全 / PPE识别	点击查看
🚀 火箭检测数据集介绍	12,000 张	智慧医疗 / 养老护理	点击查看
⚡ 绝缘子故障检测数据集	2,100张	无人机巡检/智能运维	点击查看
🚦交通标志检测数据集	1866张	智能驾驶系统/地图数据更新	点击查看
🚧 道路交通标志检测数据集	2,000张	智能地图与导航/交通监控与执法	点击查看
😷 口罩检测数据集	1,600张	疫情防控管理/智能门禁系统	点击查看
🦌 野生动物检测数据集	5,138张	野生动物保护监测/智能狩猎相机系统	点击查看
🍎 水果识别数据集	2,611张	图片智能零售/智慧农业	点击查看
🚁 无人机目标检测数据集	14,751张	无人机检测/航拍图像	点击查看
🚬 吸烟行为检测数据集	2,108张	公共场所禁烟监控/健康行为研究	点击查看
🛣️ 道路坑洞检测数据集	8,300张	智能道路巡检系统/车载安全监测设备	点击查看
🛠️ 井盖识别数据集	2,700 张	道路巡检 智能城市	点击查看
🧯 消防器材检测数据集	9,600 张	智慧安防系统 自动审核系统	点击查看
📱 手机通话检测数据集	3,100张	智能监控系统 驾驶安全监控	点击查看
🚜 建筑工地车辆检测数据集	28,000 张	施工现场安全监控 智能工地管理系统	点击查看
🏊 游泳人员检测数据集	4,500 张	游泳池安全监控 海滩救生系统	点击查看
🌿 植物病害检测数据集	6,200 张	智能农业监测系统 家庭园艺助手	点击查看
🐦 鸟类计算机视觉数据集	6,200 张	鸟类保护监测 生态环境评估	点击查看
🚁 无人机计算机视觉数据集	7,000 张	空域安全监管 无人机反制系统	点击查看
🛡️ Aerial_Tank_Images 坦克目标检测数据集	2,200 张	军事目标识别与侦查 卫星遥感目标识别	点击查看
♻️ 塑料可回收物检测数据集	10,000 张	智能垃圾分类系统 环保回收自动化	点击查看
🏢 建筑物实例分割数据集	9,700 张	城市规划与发展 智慧城市管理	点击查看
😊 人脸情绪检测数据集	9,400 张	智能客服系统 在线教育平台	点击查看
🔍 红外人员车辆检测数据集	53,000 张	智能安防监控系统 边境安全防控	点击查看
🚗 停车空间检测数据集	3,100 张	实时车位导航系统 智能停车收费管理	点击查看
♻ 垃圾分类检测数据集	15,000 张	智能垃圾分类 回收站与环保设施自动化	点击查看
✂️ 石头剪刀布手势识别数据集	3,100 张	智能游戏系统 人机交互界面	点击查看
🍌 腐烂香蕉检测数据集	4,267张	食品质量检测 智能农产品分拣系统	点击查看
🎰 扑克牌数字检测数据集	6,240 张	智能扑克游戏系统 赌场监控与安全	点击查看
🚗 车牌识别数据集	12,658张	智能交通管理系统 停车场自动化管理	点击查看
🏗️ 建筑设备检测数据集	6,247张	智能工地管理 施工安全监控	点击查看
🦺 个人防护装备检测数据集	7,892 张	工业安全监控 建筑工地安全管理	点击查看
⚓ 船舶检测数据集	7,542张	海洋交通监管 港口智能化管理	点击查看
🚁 空中救援任务数据集	6,742张	自然灾害应急救援 海上搜救任务	点击查看
✈️ 固定翼无人机检测数据集	8,247张	空域安全监管 机场反无人机系统	点击查看
😷 口罩检测数据集	8,432张	公共场所监控系统 企业复工防疫管理	点击查看
🚁 无人机检测数据集	6,847张	机场空域安全管理 重要设施防护监控	点击查看
✂️ 剪刀石头布手势识别数据集	2,376张	智能游戏开发 儿童教育娱乐	点击查看
🦺 安全背心识别数据集	4,892张	建筑工地安全监管 工业园区智能巡检	点击查看
🥤 饮料容器材质检测数据集	6,342张	智能垃圾分拣系统 生产线质量检测	点击查看
🚚 物流运输场景数据集	7,854张	智能仓储管理系统 物流车队智能调度	点击查看
🌡️ 热成像数据集	9,127张	夜间安防监控 工业设备检测	点击查看
🚗 车辆损伤识别数据集	6,742 张	保险理赔自动化 智能汽车维修评估	点击查看
🃏 扑克牌牌面识别数据集	8,432 张	智能扑克游戏系统 线上扑克直播辅助	点击查看
🔴 围棋棋子检测数据集	8,247 张	智能围棋对弈系统 围棋教学平台	点击查看
🚀 火箭检测数据集	6,425 张	航天发射监测 军事情报分析	点击查看
⚡ 摔跤跌倒检测数据集	9,354 张	体育安全监测系统 智能运动防护设备	点击查看
🚗 PKLot停车位检测数据集	12,416 张	计算机视觉 停车位检测	点击查看
🚗 车辆分类数据集	28,045 张	车辆识别 交通工具	点击查看
🚦 道路标识检测数据集	2,893 张	道路标识识别 自动驾驶	点击查看
📦 集装箱侧面分类数据集	2,408 张	集装箱识别 港口物流	点击查看
🚦 交通与道路标识检测数据集	10,000张	交通标志识别 自动驾驶	点击查看
🎯 COCO数据集	123,272张	目标检测 COCO	点击查看
👥 人群检测数据集	7,300张	人流统计 行人检测	点击查看
🔢 MNIST手写数字识别数据集	70,000张	图像分类 手写识别	点击查看
🐦 鸟类物种识别数据集	9,880张	鸟类识别 生态保护	点击查看
🩺 皮肤癌检测数据集	9,900张	皮肤癌检测 医学影像	点击查看
🚗 汽车颜色分类数据集	2,004张	汽车识别 颜色检测	点击查看
⚔️ 暴力与非暴力行为识别数据集	10,000张	行为识别 暴力检测	点击查看

📌 每篇文章附带模型指标、训练思路与推理部署建议，欢迎点赞收藏支持~

🌿 植物病害检测数据集介绍

📌 数据集概览

本项目是一个专注于植物病害识别的计算机视觉数据集，共包含约 5,500 张图像，主要用于训练深度学习模型在田间、温室或实验室环境中精准检测和定位多种常见作物的叶片与果实上的病害区域。该数据集广泛适用于农业智能化、病虫害预警系统及智慧农业研究。

• 图像数量：5,500 张
• 类别数：13 类
• 适用任务：目标检测（Object Detection）
• 适配模型：YOLOv5、YOLOv8、Faster R-CNN、SSD 等主流框架

包含类别

类别	英文名称	描述
ALS	Alternaria Leaf Spot	交替叶斑病
Angular Leafspot	角斑病	叶片上出现多角形病斑
Anthracnose Fruit Rot	果实炭疽病	果实表面出现凹陷坏死斑点
Bean Rust	豆类锈病	叶片背面出现橙色粉状孢子堆
Blossom Blight	花腐病	花朵枯萎变褐，影响授粉
Gray Mold	灰霉病	潮湿环境下出现灰白色霉层
Leaf Spot	叶斑病	叶片上出现圆形或不规则病斑
Powdery Mildew Fruit	果实白粉病	果实表面覆盖白色粉末状菌丝
Powdery Mildew Leaf	叶片白粉病	叶面出现白色粉状物
disease	通用病害标签	泛指各类病害区域（需结合上下文）
leaf mold	叶霉病	叶背出现黑褐色霉层
spider mites	红蜘蛛	小型螨类，造成叶片失绿斑点
others	其他病害	未明确分类的异常症状

数据集涵盖了多种重要经济作物的典型病害类型，标注精细，适合用于构建高精度的植物健康监测系统。

🎯 应用场景

该数据集非常适合以下农业与科研方向：

• 智能农业监控系统
  实现农田中作物病害的自动识别与早期预警，提升病害防控效率。

• 无人机巡检与遥感分析
  集成至农业无人机平台，实现大面积作物健康状况快速扫描。

• 温室自动化管理
  在封闭种植环境中实时监测病害发展，及时启动喷药或通风措施。

• 农业教育与培训
  作为教学资源，帮助农技人员和学生识别常见病害特征。

• 农药精准施用支持
  根据病害位置与严重程度，指导靶向施药，减少化学投入。

• 生物多样性与生态研究
  支持植物病理学研究，分析病原传播路径与环境因素关系。

🖼 数据样本展示

以下展示部分数据集内的样本图片（均带有目标检测框）：

数据集包含多种真实植物环境下的图像：

• 不同光照条件：日光直射、阴天、室内补光等多样照明环境
• 多种作物部位：叶片、果实、花序等关键受感染部位均有覆盖
• 病害发展阶段：从初期轻微斑点到严重腐烂的不同阶段
• 自然背景干扰：土壤、枝条、其他植物等复杂背景
• 多尺度病灶：从小面积斑点到大范围感染区域

场景真实且具有挑战性，尤其在“Leaf Spot”、“Powdery Mildew”等易混淆病害之间具备良好的区分度，有助于训练鲁棒性强的检测模型。

使用建议

1. 数据预处理优化

   • 对低光照图像进行亮度增强与对比度调整
   • 使用色彩归一化技术消除不同拍摄设备间的颜色偏差
   • 统一图像尺寸（推荐640x640或832x832）以提升训练效率

2. 模型训练策略

   • 利用 COCO 或 ImageNet 预训练权重进行迁移学习
   • 采用多尺度训练策略以适应不同大小的病斑检测
   • 针对小目标病斑使用注意力机制（如CBAM）提升检测能力

3. 实际部署考虑

   • 边缘设备优化：支持在田间便携式设备或无人机上部署轻量化模型
   • 实时推理优化：确保推理速度满足实时巡检需求（FPS > 10）
   • 离线运行支持：可在无网络环境下运行，适用于偏远地区

4. 应用场景适配

   • 手机端APP集成：开发农民可用的病害识别工具，拍照即得诊断结果
   • 云端分析平台：支持大规模图像上传与批量处理
   • 智能灌溉与施肥联动：根据病害情况自动调整管理策略

5. 性能监控与改进

   • 关注 mAP@50 指标，当前值为 91.5%，表现优异，但可进一步优化小目标召回率
   • 收集误检与漏检样本（如轻微症状、遮挡病斑）用于模型迭代
   • 定期更新标签体系，统一“disease”、“leaf mold”等命名规范

🌟 数据集特色

• 高质量标注：由农业专家参与标注，确保病害分类准确性
• 多样化病害类型：涵盖真菌、细菌、病毒及虫害等多种致病源
• 真实田间数据：来源于实际种植环境，具备高度代表性
• 技术兼容性：支持主流深度学习框架与部署平台
• 公开可用性：已在公开平台发布，支持快速下载与使用

📈 商业价值

该数据集在以下领域具有重要应用前景：

• 农业科技公司：开发智能植保机器人、病害预警系统
• 农业服务平台：提供远程诊断与农技咨询功能
• 农药与化肥企业：用于精准施药方案设计与产品推广
• 智慧农场解决方案提供商：集成至整体农业管理系统中
• 政府农业部门：用于病虫害监测与防控政策制定

🔗 技术标签

计算机视觉 目标检测 农业AI 植物病害识别 智慧农业 YOLO 智能监控 无人机巡检 病虫害预警 可持续农业

---

注意: 本数据集适用于研究、教育和商业用途。使用时请遵守农业数据隐私与知识产权相关规定。建议在实际应用中结合专业农技知识进行结果验证，AI输出仅作辅助参考，不可替代实地诊断。

YOLOv8 训练实战

本教程介绍如何使用 YOLOv8 对目标进行识别与检测。涵盖环境配置、数据准备、训练模型、模型推理和部署等全过程。

---

📦 1. 环境配置

建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。

# 创建并激活虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate  # Windows 用户使用 yolov8_env\Scripts\activate

安装 YOLOv8 官方库 ultralytics

pip install ultralytics

📁 2. 数据准备

2.1 数据标注格式（YOLO）

每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：

<class_id> <x_center> <y_center> <width> <height>

所有值为相对比例（0~1）。

类别编号从 0 开始。

2.2 文件结构示例

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

2.3 创建 data.yaml 配置文件

path: ./datasets
train: images/train
val: images/val

nc: 11
names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

🚀 3. 模型训练

YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。

yolo detect train \
  model=yolov8s.pt \
  data=./data.yaml \
  imgsz=640 \
  epochs=50 \
  batch=16 \
  project=weed_detection \
  name=yolov8s_crop_weed

参数	类型	默认值	说明
model	字符串	-	指定基础模型架构文件或预训练权重文件路径（.pt/.yaml）
data	字符串	-	数据集配置文件路径（YAML 格式），包含训练/验证路径和类别定义
imgsz	整数	640	输入图像的尺寸（像素），推荐正方形尺寸（如 640x640）
epochs	整数	100	训练总轮次，50 表示整个数据集会被迭代 50 次
batch	整数	16	每个批次的样本数量，值越大需要越多显存
project	字符串	-	项目根目录名称，所有输出文件（权重/日志等）将保存在此目录下
name	字符串	-	实验名称，用于在项目目录下创建子文件夹存放本次训练结果

关键参数补充说明：

1. model=yolov8s.pt

   • 使用预训练的 YOLOv8 small 版本（平衡速度与精度）
   • 可用选项：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

2. data=./data.yaml

   # 典型 data.yaml 结构示例
   path: ../datasets/weeds
   train: images/train
   val: images/val
   names:
     0: Bent_Insulator
     1: Broken_Insulator_Cap
     2: ...
     3: ...
   

📈 4. 模型验证与测试

4.1 验证模型性能

yolo detect val \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  data=./data.yaml

参数	类型	必需	说明
model	字符串	是	要验证的模型权重路径（通常为训练生成的 best.pt 或 last.pt）
data	字符串	是	与训练时相同的 YAML 配置文件路径，需包含验证集路径和类别定义

关键参数详解

1. model=runs/detect/yolov8s_crop_weed/weights/best.pt

   • 使用训练过程中在验证集表现最好的模型权重（best.pt）
   • 替代选项：last.pt（最终epoch的权重）
   • 路径结构说明：

     runs/detect/
     └── [训练任务名称]/
         └── weights/
             ├── best.pt   # 验证指标最优的模型
             └── last.pt   # 最后一个epoch的模型
     

2. data=./data.yaml

   • 必须与训练时使用的配置文件一致
   • 确保验证集路径正确：

     val: images/val  # 验证集图片路径
     names:
       0: crop
       1: weed
     

常用可选参数

参数	示例值	作用
batch	16	验证时的批次大小
imgsz	640	输入图像尺寸（需与训练一致）
conf	0.25	置信度阈值（0-1）
iou	0.7	NMS的IoU阈值
device	0/cpu	选择计算设备
save_json	True	保存结果为JSON文件

典型输出指标

Class     Images  Instances      P      R      mAP50  mAP50-95
all        100       752      0.891  0.867    0.904    0.672
crop       100       412      0.912  0.901    0.927    0.701
weed       100       340      0.870  0.833    0.881    0.643

4.2 推理测试图像

yolo detect predict \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  source=./datasets/images/val \
  save=True

🧠 5. 自定义推理脚本（Python）

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt')

# 推理图像
results = model('test.jpg')

# 可视化并保存结果
results[0].show()
results[0].save(filename='result.jpg')

🛠 6. 部署建议

✅ 本地运行：通过 Python 脚本直接推理。

🌐 Web API：可用 Flask/FastAPI 搭建检测接口。

📦 边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。

导出示例：

yolo export model=best.pt format=onnx

📌 总结流程

阶段	内容
✅ 环境配置	安装 ultralytics, PyTorch 等依赖
✅ 数据准备	标注图片、组织数据集结构、配置 YAML
✅ 模型训练	使用命令行开始训练 YOLOv8 模型
✅ 验证评估	检查模型准确率、mAP 等性能指标
✅ 推理测试	运行模型检测实际图像目标
✅ 高级部署	导出模型，部署到 Web 或边缘设备