1. 数据集概览与核心价值
这个1539张图像组成的无人机航拍马铃薯病害检测数据集,是我在农业AI项目中实际使用过的珍贵资源。数据集采用750×750像素分辨率,全部来自大疆Mavic 3无人机在2-4米高度垂直俯拍(90°角度)获取的田间马铃薯植株图像。作为计算机视觉在精准农业中的典型应用案例,该数据集特别适合研究轻量级目标检测模型在农作物健康监测中的表现。
数据集最显著的特点是同时包含Pascal VOC和YOLO两种标注格式:
- VOC格式:标准的XML文件,包含物体类别和边界框坐标
- YOLO格式:归一化后的txt文件,每行对应一个物体的类别索引和归一化坐标
重要提示:实际使用时要特别注意YOLO格式的类别顺序以labels/classes.txt为准,而非标注名称显示的["healthy","stressed"]顺序。这个细节差异可能导致严重的标签错位问题。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集深度解析
2.1 数据分布与类别特征
数据集包含两个关键类别:
- 健康植株(healthy):8470个标注框
- 胁迫植株(stressed):12436个标注框(含各类病害、营养不良等状态)
从标注数量来看,胁迫样本比健康样本多出约47%,这种不平衡分布在训练时需要特别注意。我建议可以采用以下策略:
- 过采样少数类(healthy)
- 对多数类(stressed)进行困难样本挖掘
- 使用Focal Loss等改进的损失函数
2.2 图像质量评估
原始图像整体清晰度中等,典型样例如下特征:
- 叶片纹理可见但细节不够锐利
- 存在轻微运动模糊(无人机悬停时的微小抖动)
- 光照条件变化较大(拍摄时间跨度导致)
这种质量水平非常接近真实农业场景中的采集条件,使得该数据集具有很好的现实代表性。在实际项目中,我通常会进行以下预处理:
- 直方图均衡化(CLAHE)改善对比度
- 轻度高斯模糊降噪
- 随机调整亮度/饱和度增强鲁棒性
3. 数据标注规范详解
3.1 标注工具与标准
数据集使用LabelImg工具进行矩形框标注,符合以下规范:
- 边界框紧贴目标物体边缘
- 部分遮挡的植株仍进行标注
- 严重模糊或无法辨认的样本已剔除
标注文件结构示例:
code复制dataset/
├──
