基于YOLO系列模型的苹果叶病虫害数据集及训练实验分析

前言

在农业智能化快速发展的背景下，计算机视觉与深度学习技术已成为农作物病虫害检测的核心手段，有效解决了传统人工检测效率低、主观性强、依赖经验等痛点。苹果作为我国主要经济作物之一，叶片病虫害的及时检测的防治，对提升苹果产量、保障果实品质具有重要意义。目前，农业领域公开的、场景真实、标注规范且适配目标检测模型的苹果叶病虫害数据集较为匮乏，给相关方向的技术研究、模型训练及实验验证带来诸多不便。为此，本文公开一套高质量苹果叶病虫害数据集，并基于5个主流YOLO系列模型完成训练实验，分享数据集细节及训练相关信息，为同行提供可靠的实验基础和数据支撑。

数据集信息

本次公开的苹果叶病虫害数据集，均采集于真实果园场景，涵盖苹果常见叶片病虫害类型，图像背景贴合实际种植环境，包含自然光照变化、叶片角度差异、轻微遮挡等真实场景特征，标注规范、边界清晰，可直接用于目标检测模型的训练、验证与测试，无需额外进行大量数据预处理工作。

数据集整体划分合理，严格遵循目标检测模型训练的常规数据分配比例，具体规模如下：

• 训练集：1379张，用于模型的核心训练，涵盖各类病虫害的典型特征，为模型参数学习提供充足样本支撑；

• 验证集：185张，用于训练过程中模型参数的调整与优化，实时监控模型过拟合、欠拟合情况，保障模型泛化能力；

• 测试集：92张，用于模型训练完成后的性能评估，全程独立于训练过程，可客观反映模型的实际检测效果。

该数据集兼顾样本数量与场景真实性，既适合初学者用于模型实操练习，也可满足科研、实验场景下的模型对比、性能优化等需求。

训练模型信息

为验证该苹果叶病虫害数据集的实用性和适配性，选用当前目标检测领域主流的YOLO系列模型进行完整训练实验，具体选用模型为YOLO v5、YOLO v8、YOLO v11、YOLO v12、YOLO v26五个版本。

所有模型均基于同一套实验环境、相同的超参数设置（仅根据各模型特性微调适配参数），使用上述公开数据集完成全程训练，训练过程稳定，无异常收敛情况。训练完成后，保留了全套训练结果图，包括模型损失曲线（训练损失、验证损失）、PR曲线、混淆矩阵及实际检测效果图，可清晰反映不同YOLO模型在该数据集上的训练效果、检测精度及泛化能力差异。

实验结果表明，该数据集可良好适配所选的5个YOLO系列模型，各模型均能有效学习苹果叶病虫害的特征，实现病虫害的精准检测，进一步印证了数据集的高质量和实用性。

总结

本文公开了一套场景真实、标注规范、划分合理的苹果叶病虫害数据集，详细介绍了数据集的规模、构成及适配场景，并通过YOLO v5、YOLO v8、YOLO v11、YOLO v12、YOLO v26五个模型的训练实验，验证了数据集的实用性和可靠性。

该数据集可有效填补苹果叶病虫害目标检测领域公开数据的不足，为相关方向的技术研究、模型训练、实验验证提供便捷的基础支撑，助力农业智能化病虫害检测技术的进一步发展与落地。后续将根据实际需求，进一步优化数据集样本多样性，同时补充更多模型的训练对比实验，为同行提供更全面的参考。