带标注的甘蔗叶病害数据集，可识别常见的15种叶子病害，支持yolo，coco json，pascal voc xml格式的模型训练

数据集拆分

训练集

2640张图

验证集

247张图

测试集

124张图

预处理

自动定向：应用

增强

每个训练示例的输出：3

翻转： 水平、垂

旋转角度： 介于 -15° 和 +15° 之间

饱和度： 介于 -25% 和 +25% 之间

数据集标签：

Rust
Bacteria Blights
Brown Spot
Downey Mildew
Dried Leaves
Leaf Scald
Leaf Scorch
Mosaic
Pokkah Boeng
Red Rot
Red Spot
Ring Spot
Smut
Yellow Leaf Syndrome
Yellow Spot

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92792612

yolo v12:https://download.csdn.net/download/pbymw8iwm/92792619

yolo v11:https://download.csdn.net/download/pbymw8iwm/92792617

yolo v9:https://download.csdn.net/download/pbymw8iwm/92792615

yolo v8:https://download.csdn.net/download/pbymw8iwm/92792618

yolo v7:https://download.csdn.net/download/pbymw8iwm/92792613

yolo v5:https://download.csdn.net/download/pbymw8iwm/92792610

yolo darknet:https://download.csdn.net/download/pbymw8iwm/92792616

coco json:https://download.csdn.net/download/pbymw8iwm/92792614

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92792611

 YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py

注意，请根据你的GPU能力来适当调整训练参数，比如训练batch，patience，workers，以及模型类型（如果你的GPU硬件条件限制，可以联系作者进行付费模型训练，部分模型只需要一杯奶茶钱）

模型下载：

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2

# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径

# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径

# 使用模型对图片进行预测
results = model(image_path)

# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()

    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)

    # 等待按键退出
    cv2.waitKey(0)

    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()
    

推理结果：

{
  "predictions": [
    {
      "x": 85.5,
      "y": 126,
      "width": 83,
      "height": 250,
      "confidence": 0.562,
      "class": "Ring Spot",
      "class_id": 10,
      "detection_id": "750259e4-ba25-4d5d-a38a-bfc41fc099f1"
    }
  ]
}

推理结果：

{
  "predictions": [
    {
      "x": 130,
      "y": 93.5,
      "width": 36,
      "height": 173,
      "confidence": 0.662,
      "class": "Bacteria Blights",
      "class_id": 0,
      "detection_id": "2a2bbb4c-bc1f-4c46-9dec-9b9c937786b5"
    }
  ]
}