柑橘虫害分类检测 yolo26柑橘虫害数据集包括19个类别共7273张图像-北京尧图网络

柑橘虫害分类检测柑橘虫害数据集包括19个类别共7273张图像柑橘虫害数据集包括19个类别共7273张图像柑橘凤蝶Papilio xuthus、柑橘红蜘蛛Panonchus citri McGregor、柑橘锈螨Phyllocoptes oleiverus ashmead、吹绵蚧Icerya purchasi Maskell、矢尖蚧Unaspis yanonensis、红蜡蚧Ceroplastes rubens、黑褐圆盾蚧Chrysomphalus aonidum、黑点介壳虫Parlatoria zizyphus Lucus、堆蜡粉蚧Nipaecoccus vastalor、黑刺粉虱Aleurocanthus spiniferus柑橘大实蝇Tetradacus c Bactrocera、芒果柑桔小实蝇Dacus dorsalis(Hendel)蜜柑大实蝇Bactrocera tsuneonis、斜纹夜蛾Prodenia litura、枯叶夜蛾Adristyrannus、柑桔潜叶蛾Phyllocnistis citrella Stainton、花椒蚜虫Toxoptera citricidus、茶蚜Toxoptera aurantii、绣线菊蚜Aphis citricola Vander好的以下是详细的文档格式包含了如何使用YOLOv8进行柑橘虫害分类的数据集训练。由于这是一个分类任务而不是目标检测任务我们将使用YOLOv8的分类功能来进行训练。使用 YOLOv8 训练柑橘虫害分类数据集信息类别: 19类 (柑橘凤蝶Papilio xuthus, 柑橘红蜘蛛Panonchus citri McGregor, 柑橘锈螨Phyllocoptes oleiverus ashmead, 吹绵蚧Icerya purchasi Maskell, 矢尖蚧Unaspis yanonensis, 红蜡蚧Ceroplastes rubens, 黑褐圆盾蚧Chrysomphalus aonidum, 黑点介壳虫Parlatoria zizyphus Lucus, 堆蜡粉蚧Nipaecoccus vastalor, 黑刺粉虱Aleurocanthus spiniferus, 柑橘大实蝇Tetradacus c Bactrocera, 芒果柑桔小实蝇Dacus dorsalis(Hendel), 蜜柑大实蝇Bactrocera tsuneonis, 斜纹夜蛾Prodenia litura, 枯叶夜蛾Adristyrannus, 柑桔潜叶蛾Phyllocnistis citrella Stainton, 花椒蚜虫Toxoptera citricidus, 茶蚜Toxoptera aurantii, 绣线菊蚜Aphis citricola Vander.)图片数量: 共7273张分辨率: 假设为统一的分辨率例如 224x224标签格式:分类格式 (txt 或 CSV)步骤概述数据集准备创建数据集配置文件 (data.yaml)分割数据集训练模型评估模型可视化训练结果清理临时文件推理和显示结果详细步骤1. 数据集准备确保你的数据集已经按照上述格式准备好并且包含images和labels目录。orange_pest_classification/ ├── datasets/ │ └── orange_pest_dataset/ │ ├── images/ │ │ ├── image1.jpg │ │ ├── image2.jpg │ │ └── ... │ └── labels/ │ ├── image1.txt │ ├── image2.txt │ └── ... └── main.py2. 创建数据集配置文件 (data.yaml)创建一个data.yaml文件来配置数据集路径和类别信息。train:./datasets/orange_pest_dataset/train/imagesval:./datasets/orange_pest_dataset/val/imagesnc:19# 类别数量names:[Papilio_xuthus,Panonchus_citri_McGregor,Phyllocoptes_oleiverus_ashmead,Icerya_purchasi_Maskell,Unaspis_yanonensis,Ceroplastes_rubens,Chrysomphalus_aonidum,Parlatoria_zizyphus_Lucus,Nipaecoccus_vastalor,Aleurocanthus_spiniferus,Tetradacus_c_Bactrocera,Dacus_dorsalis_Hendel,Bactrocera_tsuneonis,Prodenia_litura,Adristyrannus,Phyllocnistis_citrella_Stainton,Toxoptera_citricidus,Toxoptera_aurantii,Aphis_citricola_Vander]3. 分割数据集将数据集分割成训练集和验证集。importosimportrandomfrompathlibimportPathimportshutildefsplit_dataset(data_dir,train_ratio0.8):imageslist(Path(data_dir).glob(*.jpg))random.shuffle(images)num_trainint(len(images)*train_ratio)train_imagesimages[:num_train]val_imagesimages[num_train:]train_dirPath(data_dir).parent/trainval_dirPath(data_dir).parent/valtrain_img_dirtrain_dir/imagestrain_label_dirtrain_dir/labelsval_img_dirval_dir/imagesval_label_dirval_dir/labelstrain_img_dir.mkdir(parentsTrue,exist_okTrue)train_label_dir.mkdir(parentsTrue,exist_okTrue)val_img_dir.mkdir(parentsTrue,exist_okTrue)val_label_dir.mkdir(parentsTrue,exist_okTrue)forimgintrain_images:label_pathimg.with_suffix(.txt)shutil.copy(img,train_img_dir/img.name)shutil.copy(label_path,train_label_dir/label_path.name)forimginval_images:label_pathimg.with_suffix(.txt)shutil.copy(img,val_img_dir/img.name)shutil.copy(label_path,val_label_dir/label_path.name)# 使用示例split_dataset(./datasets/orange_pest_dataset/images)4. 训练模型使用YOLOv8进行分类训练。importtorchfromultralyticsimportYOLO# 设置随机种子以保证可重复性torch.manual_seed(42)# 定义数据集路径dataset_configdata.yaml# 加载预训练的YOLOv8n-c模型用于分类modelYOLO(yolov8n-cls.pt)# 训练模型resultsmodel.train(datadataset_config,epochs100,imgsz224,batch16,nameorange_pest_classification,projectruns/classify)# 评估模型metricsmodel.val()# 保存最佳模型权重best_model_weightsruns/classify/orange_pest_classification/weights/best.ptprint(fBest model weights saved to{best_model_weights})5. 可视化训练结果可视化训练结果。fromultralyticsimportYOLO# 加载训练好的模型modelYOLO(runs/classify/orange_pest_classification/weights/best.pt)# 可视化训练结果model.plot_results(saveTrue,save_dirruns/classify/orange_pest_classification)6. 清理临时文件清理不必要的临时文件。importshutildefclean_temp_files(project_dir):temp_dirs[f{project_dir}/wandb,f{project_dir}/cache]fordir_pathintemp_dirs:ifos.path.exists(dir_path):shutil.rmtree(dir_path)print(fRemoved directory:{dir_path})# 使用示例clean_temp_files(runs/classify/orange_pest_classification)7. 推理和显示结果推理和显示结果。fromultralyticsimportYOLOimportcv2importnumpyasnpfromPILimportImageimportmatplotlib.pyplotasplt# 主函数defmain():# 加载模型modelYOLO(runs/classify/orange_pest_classification/weights/best.pt)# 测试图片路径test_image_path./datasets/orange_pest_dataset/images/test_image.jpg# 进行预测resultsmodel.predict(test_image_path,conf0.5)[0]# 获取预测结果predicted_class_idint(results.probs.argmax())predicted_class_namemodel.names[predicted_class_id]confidencefloat(results.probs.max())# 打印预测结果print(fPredicted Class:{predicted_class_name}, Confidence:{confidence:.2f})# 显示图片imagecv2.imread(test_image_path)image_rgbcv2.cvtColor(image,cv2.COLOR_BGR2RGB)# 在图片上添加预测标签fontcv2.FONT_HERSHEY_SIMPLEX textf{predicted_class_name}({confidence:.2f})position(10,30)font_scale1color(0,255,0)thickness2cv2.putText(image_rgb,text,position,font,font_scale,color,thickness)plt.imshow(image_rgb)plt.axis(off)plt.show()if__name____main__:main()运行脚本在终端中运行以下命令来执行整个流程python main.py总结以上文档包含了从数据集准备、模型训练、评估、可视化训练结果、清理临时文件到推理和显示结果的所有步骤。希望这些详细的信息和代码能够帮助你顺利实施和优化你的柑橘虫害分类系统。

柑橘虫害分类检测 yolo26柑橘虫害数据集包括19个类别共7273张图像

相关推荐

黑苹果从零到完美：5 个关键动作带你用普通 PC 跑起 macOS

Visual C++ 运行库一键安装终极指南：VisualCppRedist AIO 让 dll 缺失彻底成为过去式

小红书数据采集工具从0到1实战：一条命令装好，三步取回笔记、评论与用户数据

更多资讯

Genkit skills本质解析：可编排的LLM能力契约单元

MonitorControl 快速上手：3 分钟找回外接显示器的亮度与音量快捷键

【跑包网】wifi握手包跑包网站 cap在线分析

CNN为何在MNIST上远超全连接网络？局部感受野与权值共享的数学本质

大模型应用开发入门：吴恩达课程提示工程、RAG与避坑指南

NVMe Write Zeroes及周边命令：语义、命令帧与实测坑

今日更新

Agent-Reach：打通大模型触达外部系统的最后一公里

深度学习图像隐写分析实战：从CNN原理到毕设源码全解析

AI赋能知识产权供需匹配：专利评估、需求挖掘与多路召回工程实践

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？