摘要：本数据集包含5,408张茶叶病虫害图像，共标注7,273个目标框，涵盖7类病虫害：茶树黑腐病、茶树褐斑病、茶树叶锈病、红蜘蛛侵染、茶蚊虫侵染、健康茶叶和茶树白斑病。数据集按照70%:20%:10%的比例划分为训练集（3,785张）、验证集（1,082张）和测试集（541张），总大小126MB，采用YOLO格式标注。
数据集简介
本研究构建了一个涵盖6类耐张线夹压接缺陷的目标检测数据集，共2,976张图像、4,032个标注框，按7:2:1划分为训练集、验证集和测试集，采用YOLO标注格式。
数据集概述
本数据集专为茶叶病虫害智能检测而构建，包含5,408张高质量茶叶图像和7,273个精确标注框，覆盖茶树生产中常见的7类病虫害类型。数据集采用标准的训练集（3,785张）、验证集（1,082张）和测试集（541张）三分法，比例为70:20:10，符合深度学习模型训练的最佳实践。所有图像均采用YOLO格式标注，总数据量126MB，便于快速加载和训练。
数据集涵盖的7类目标包括茶树黑腐病、茶树褐斑病、茶树叶锈病、红蜘蛛侵染叶片、茶蚊虫侵染叶片、健康茶叶和茶树白斑病。类别分布呈现明显的长尾特征：茶蚊虫侵染样本占比最高（57.53%），茶树叶锈病次之（25.73%），红蜘蛛侵染占9.20%，而茶树褐斑病样本稀少（仅0.04%）。这种不平衡分布真实反映了茶园病虫害的自然发生规律，为模型学习提供了贴近实际应用的训练环境。
数据采集自多个茶园的实地拍摄，涵盖不同季节、光照条件、拍摄距离和叶片生长阶段，确保了数据的多样性和泛化能力。每张图像经过专业人员精细标注，标注框准确框定病虫害区域，为YOLOv8模型的训练提供了可靠的监督信号。该数据集为构建高精度茶叶病虫害检测系统奠定了坚实基础，支持从模型训练到实际部署的完整开发流程。
数据集来源
本研究所使用的数据集为自主构建，图像数据来源于多个茶园的实地拍摄，经筛选与预处理后获得5,408张有效图像。所有图像均由专业人员进行标注，采用YOLO格式的边界框标注方式，定义了茶树黑腐病、茶树褐斑病、茶树叶锈病、红蜘蛛侵染叶片、茶蚊虫侵染叶片、健康茶叶、茶树白斑病共7类病虫害目标，共计标注7,273个实例。标注过程中严格遵循统一的标注规范，以确保标注质量的一致性与准确性。
类别定义
标注规范
标注采用 YOLO 格式：每个目标一行，字段为 class x_center y_center width height， 坐标均为相对归一化（0~1）。
图1 标注规范图
数据规模与划分
- 总图像数：5,408张；总标注框数：7,273
图2 数据集在训练、验证和测试集上的分布
数据集按照约 80:10:10 的比例划分为训练集、验证集和测试集：
表1 数据集划分及用途说明
质量控制
标注采用双阶段质量控制流程：首先进行规范化标注与自检， 确保目标框贴合实例外接矩形且类别一致；随后进行抽样复核， 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认， 以提高跨标注者一致性与总体标注可靠性。
数据格式与使用
数据集采用标准 YOLO 格式组织，通过 data.yaml 配置文件即可快速集成到训练流程中。
目录结构
数据集采用标准 YOLO 格式组织，图像和标注文件分别存放在 images/ 和 labels/ 目录下，并按训练集、验证集、测试集划分。
使用方式
在训练脚本中指定 data.yaml 即可加载数据：
性能评测
基于 YOLOv8 模型在本数据集上进行训练和评测，使用mAP@0.5与mAP@0.5:0.95等标准指标对模型检测效果进行评估。评测结果如下：
训练过程综合指标曲线图
图3 训练与验证指标随Epoch变化趋势图
精确率-召回率（PR）曲线图
图4 目标检测PR曲线（Precision-Recall）
F1分数-置信度阈值曲线图
图5 不同置信度阈值下的F1曲线
归一化混淆矩阵图（分类误判分析）
图6 归一化混淆矩阵（person / leaflet）
应用案例
图7 应用案例：基于YOLOv8茶树病害智能诊断与防治系统
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。 如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-11
数据大小：114M
原创声明：本项目为原创作品
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)