【数据集+完整源码】水稻病害数据集，yolov8水稻病害检测数据集 6715 张，目标检测水稻识别算法实战训推教程
【数据集+完整源码】水稻病害数据集，yolov8水稻病害检测数据集 6715 张，目标检测水稻识别算法实战训推教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含3种分类：names: ['Bacteria_Leaf_Blight', 'Brown_Spot', 'Leaf_smut']，分别代表水稻白叶枯病、水稻胡麻斑病、水稻叶黑粉病。检测场景为田地、农业研究院等场景，
文章前瞻：优质数据集与检测系统精选
点击链接：更多数据集与系统目录清单
一、数据集介绍
【数据集】yolov8水稻病害检测数据集 6715 张，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。
数据集中标签包含3种分类：names: ['Bacteria_Leaf_Blight', 'Brown_Spot', 'Leaf_smut']，分别代表水稻白叶枯病、水稻胡麻斑病、水稻叶黑粉病。
可用于无人机水稻病害识别，监控水稻生长状况检测等。
检测场景为田地、农业研究院等场景，可用于田间水稻状态实时预警、品种抗病性评估、种植区域病害监测等。
文章底部或主页私信获取数据集~
1、数据概述
水稻病害检测的重要性
水稻是我国主要粮食作物，其产量稳定直接关系粮食安全与农户收益。但水稻生长周期中易受多种病害侵袭，这类病害初期多表现为叶片斑点、霉变等细微症状，若未及时发现，会快速扩散至全田，导致稻株枯萎、结实率下降，严重时甚至颗粒无收。
传统水稻病害检测存在明显短板：依赖人工逐株巡查，需种植者或技术员深入田间观察叶片、稻穗状态，不仅耗费大量人力时间，还受经验限制 —— 新手易漏判早期轻症，老手也难以覆盖大面积稻田；且病害确诊后，信息传递滞后，常错过最佳防治时机，导致病害进一步蔓延。
YOLO 算法恰好破解这些难题：其一，可结合田间监控摄像头或无人机航拍，实现高帧率实时检测，无需人工逐株排查，能快速覆盖连片稻田；其二，对常见水稻病害的识别精度高，可精准捕捉叶片上的早期病征，甚至区分相似病害（如稻瘟病与胡麻叶斑病），避免误判；其三，检测结果能实时同步至种植者手机或农业管理平台，实现 “病害即发现、信息即同步”，为及时防治提供关键支撑，是推动水稻种植从 “经验防治” 向 “精准防控” 转型的核心技术。
基于YOLO的水稻病害识别算法
-
田间实时预警：YOLO 通过田间部署的监控设备或无人机巡检，实时识别水稻病害迹象，一旦发现异常，立即推送预警（含病害类型、发生区域）至种植者。相比人工巡查，能大幅缩短病害发现时间，帮助在病害扩散前介入处理，有效减少产量损失。
-
精准施药指导：检测时可同步定位病害发生的具体区域与严重程度，种植者无需全田喷洒农药，只需针对病株集中区域精准施药。这不仅能减少农药使用量，降低土壤与水体污染，还能节约农药成本，契合绿色农业发展需求。
-
品种抗病性评估：在农业科研或育种场景中，YOLO 可长期监测不同水稻品种在相同环境下的病害发生情况，记录各品种发病时间、病害严重程度，为量化评估品种抗病能力提供数据支撑，助力培育更耐病的优质水稻品种，从源头降低病害风险。
-
区域病害监测：多地块部署 YOLO 检测设备后，可汇总各地水稻病害数据，形成区域病害分布图谱。农业管理部门能据此预判病害传播趋势，提前调配防治物资、组织技术人员下乡指导，避免区域性病害爆发，保障区域水稻生产稳定。
该数据集含有 6715 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试田地、农业研究院等场景进行水稻生长状态检测。
图片格式为jpg格式，标注格式分别为：
YOLO：txt
Pascal VOC：xml
数据集均为手工标注，保证标注精确度。
2、数据集文件结构
rice/
——test/
————Annotations/
————images/
————labels/
——train/
————Annotations/
————images/
————labels/
——valid/
————Annotations/
————images/
————labels/
——data.yaml
- 该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
- Annotations文件夹为Pascal VOC格式的XML文件 ；
- images文件夹为jpg格式的数据样本；
- labels文件夹是YOLO格式的TXT文件；
- data.yaml是数据集配置文件，包含水稻病害识别的目标分类和加载路径。
Annotations目录下的xml文件内容如下：
<?xml version="1.0" encoding="utf-8"?>
<annotation>
<folder>driving_annotation_dataset</folder>
<filename>img_blb_55_jpg.rf.80771c4d8e96590b8e08cdf4c078685b.jpg</filename>
<size>
<width>587</width>
<height>587</height>
<depth>3</depth>
</size>
<object>
<name>Bacteria_Leaf_Blight</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>110</xmin>
<ymin>2</ymin>
<xmax>402</xmax>
<ymax>261</ymax>
</bndbox>
</object>
</annotation>labels目录下的txt文件内容如下：
2 0.5017035775127768 0.626916524701874 0.3432708688245315 0.30664395229982966
2 0.49829642248722317 0.28960817717206133 0.23679727427597955 0.27342419080068143、数据集适用范围
- 目标检测场景，无人机检测，监控识别
- yolo训练模型或其他模型
- 田地、农业研究院等场景
- 可用于田间水稻状态实时预警、品种抗病性评估、种植区域病害监测等
4、数据集标注结果
4.1、数据集内容
- 多角度场景：行人视角数据样本，监控视角数据样本；
- 标注内容：names: ['Bacteria_Leaf_Blight', 'Brown_Spot', 'Leaf_smut']，总计2个分类；
- 图片总量：6715 张图片数据；
- 标注类型：含有Pascal VOC XML格式和yolo TXT格式；
5、训练过程
5.1、导入训练数据
下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。
下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。
在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。
data目录结构如下：
data/
——Annotations/ //存放xml文件
——images/ //存放jpg图像
——imageSets/
——labels/
整体项目结构如下所示：
5.2、数据分割
首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。
import os
import random
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()5.3、数据集格式化处理
在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。
convert_annotation函数
-
这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。
-
它打开XML文件，解析树结构，提取图像的宽度和高度。
-
然后，它遍历每个目标对象（
object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。 -
对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用
convert函数将坐标转换为YOLO格式。 -
最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ['Bacteria_Leaf_Blight', 'Brown_Spot', 'Leaf_smut'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text),
float(xmlbox.find('xmax').text),
float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()5.4、修改数据集配置文件
在ultralytics-main目录下创建一个data.yaml文件
train: data/train.txt
val: data/val.txt
test: data/test.txt
nc: 3
names: ['Bacteria_Leaf_Blight', 'Brown_Spot', 'Leaf_smut']5.5、执行命令
执行train.py
model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)也可以在终端执行下述命令：
yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=05.6、模型预测
你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。
视频推理，代码如下：
import cv2
from ultralytics import YOLO
# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径
# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path)
# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v') # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径
# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()
if success:
# Run YOLOv8 inference on the frame
# results = model(frame)
results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)
results[0].names[0] = "道路积水"
# Visualize the results on the frame
annotated_frame = results[0].plot()
# Write the annotated frame to the output file
out.write(annotated_frame)
# Display the annotated frame (optional)
cv2.imshow("YOLOv8 Inference", annotated_frame)
# Break the loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# Break the loop if the end of the video is reached
break
# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()图片推理，代码如下：
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('models/best.pt')
model.predict(source='test_pic',
imgsz=640,
save=True,
conf=0.25
)也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：
yolo predict model="best.pt" source='demo.jpg'6、获取数据集
文章底部或主页私信获取数据集~
二、YOLO水稻病害检测系统
1、功能介绍
1. 模型管理
支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。
2. 图片检测
- 支持上传本地图片文件，自动完成格式校验。
- 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。
- 检测结果可下载保存。
3. 视频检测与实时流
- 支持上传本地视频文件，自动完成格式校验。
- 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。
- 支持摄像头实时检测（如有接入摄像头）。
4. 置信度阈值调节
- 前端可实时调整检测置信度阈值，动态影响检测结果。
- 阈值调整后，后端推理自动应用新阈值，无需重启。
5. 日志与状态反馈
- 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。
- 检测异常、错误信息及时反馈，便于排查。
- 一键清空日志，笔面长期占用内存。
2、创建环境并安装依赖：
conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt3、启动项目
python app.py打开浏览器访问：http://localhost:5000
4、效果展示
4.1、推理效果
4.2、日志文本框
4.3、摄像头检测
以红绿灯检测为例：
5、前端核心页面代码
<!doctype html>
<html lang="zh-CN">
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width,initial-scale=1">
<title>视觉检测系统 - Web UI</title>
<link rel="stylesheet" href="/static/style.css">
<link rel="icon" href="/favicon.ico">
</head>
<body>
<div class="container main-flex">
<!-- 左侧内容区 -->
<div class="left-content">
<header>
<h1>YOLO水稻病害检测系统</h1>
<div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div>
</header>
<main>
<div class="videoPanel">
<div class="pane">
<h3>原图 / 视频</h3>
<div class="preview" id="srcPreview">预览区</div>
</div>
<div class="pane">
<h3>检测结果</h3>
<div class="preview" id="detPreview">检测结果</div>
</div>
</div>
<section class="logArea">
<div class="logHeader">
<h3>日志</h3>
</div>
<div class="logInner">
<div id="logs" class="logs"></div>
</div>
</section>
</main>
</div>
<!-- 右侧按钮栏 -->
<aside class="right-bar">
<!-- 1. 模型上传/加载区 -->
<section class="model-section">
<button id="uploadModelBtn" class="ghost">上传模型
<input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件">
</button>
<button id="loadModel">加载模型</button>
</section>
<!-- 2. 检测方式选择区 -->
<section class="detect-mode-section">
<div class="detect-mode-title">请选择检测方式</div>
<div class="detect-mode-radio-group">
<label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label>
<label><input type="radio" name="detectMode" value="camera"> 摄像头</label>
</div>
<div id="detectModeUpload" class="detect-mode-panel">
<div class="uploaded-file-name">
<span id="uploadedFileName" class="placeholder">未选择文件</span>
</div>
<div style="height: 22px;"></div>
<button id="uploadBtn">上传文件
<input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频">
</button>
</div>
<div id="detectModeCamera" class="detect-mode-panel" style="display:none;">
<button id="cameraDetectBtn" class="ghost">开启摄像头</button>
<div id="cameraPreview" class="camera-preview">
<video id="localCameraVideo" autoplay muted playsinline></video>
<div class="camera-controls">
<button id="stopCameraBtn" class="ghost">关闭摄像头</button>
</div>
</div>
</div>
<div class="confWrap">
<label class="conf">置信度
<input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5">
<input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5">
</label>
</div>
</section>
<!-- 3. 操作按钮区 -->
<section class="action-btn-section">
<button id="startBtn" disabled class="start">开始检测</button>
<button id="stopBtn" disabled class="stop">停止</button>
<button id="clearLogs" class="ghost">清空日志</button>
</section>
</aside>
</div>
<script src="/static/app.js"></script>
</body>
</html>6、代码获取
文章底部名片或私信获取系统源码和数据集~
更多数据集请查看