花卉识别与分类是计算机视觉领域的经典任务，在园艺管理、生态监测、智能识别系统开发等场景中应用广泛。高质量的标注数据集是提升花卉分类模型精度的核心支撑，本次整理并分享 22 组覆盖小类别分类、大规模物种分类、专项场景（颜色 / 品种 / 真假花区分） 的花卉图像数据集，同时附上可直接运行的 Python 加载与预处理代码，方便科研学习与项目落地。

一、 小类别花卉分类数据集（5-16 类）

这类数据集类别数量少、单类别样本充足，适合入门级花卉分类模型训练，或特定花卉品类的识别任务。

  1. 16 种常见花卉图像数据集数据说明：包含落新妇、风铃草、康乃馨、普通雏菊等 16 种花卉，共 15.7K 张照片，覆盖多种常见园艺花卉。适用场景：入门级花卉分类模型训练、园艺花卉快速识别。
  2. 5 种常见花卉类型分类数据集数据说明：涵盖百合、莲花、向日葵、兰花、郁金香 5 类，每类 1000 张图片，样本分布均衡。适用场景：花卉分类算法入门验证、单一品类识别模型优化。
  3. 7 种常见花卉图片数据集数据说明：包含雏菊、蒲公英、百合、兰花、玫瑰、向日葵、郁金香 7 类，共 11531 张图片，按 70:20:10 划分为训练、验证、测试集。适用场景：深度学习模型全流程训练验证、数据增强效果对比实验。
  4. 包含 5 种常见花的花卉数据集数据说明：含雏菊、蒲公英、玫瑰、向日葵、郁金香 5 类原始 JPEG 图像，共 3670 张，配套测试集提交模板与样本 CSV 文件。适用场景：花卉分类竞赛训练、模型预测结果提交验证。
  5. 包含标记的 4242 张花卉图像数据集数据说明：涵盖洋甘菊、郁金香、玫瑰、向日葵、蒲公英 5 类，每类约 800 张，图像分辨率 320×240，比例不统一。适用场景：复杂分辨率下的模型鲁棒性测试、小分辨率图像分类任务。
  6. 10 类常见花卉图像数据集数据说明：包含郁金香、兰花、牡丹、绣球花等 10 类，共 733 张照片，标签可直接从图像名称提取。适用场景：轻量级分类模型开发、移动端花卉识别应用部署。
  7. 玫瑰、百合、向日葵、薰衣草、雏菊 + 5 种花卉分类数据集数据说明：共 10 类花卉，新增紫苑、爱瑞丝、万寿菊等 5 类，每类含 1500 张训练图、500 张验证图，配套 TFRecords 格式文件。适用场景：TensorFlow 框架下的大规模模型训练、迁移学习预训练。

二、 中大规模花卉分类数据集（102-900 类）

这类数据集覆盖物种多、样本量大，适合训练高精度、泛化能力强的花卉分类模型，或用于跨物种识别研究。

  1. 102 种常见花卉图像数据集（英国物种版）数据说明：涵盖英国常见的 102 类花卉，每类 40-258 张图片，图像存在比例、姿态、光线差异，类内多样性高。适用场景：高精度花卉分类模型训练、类内差异鲁棒性研究。
  2. 102 种花卉图片数据集（通用版）数据说明：含 102 类花卉共 8198 张照片，分为 train、test、val 三个子集，标签从 1 到 102 对应不同物种，如 pink primrose、blackberry lily 等。适用场景：花卉分类算法基准测试、多类别模型性能评估。
  3. 299 种花卉的图像汇编数据集数据说明：共 115944 张图像，涵盖 299 类花卉，平均分辨率 271×242 像素，每类平均 387 张样本，最少 222 张、最多 483 张。适用场景：超大规模花卉分类模型训练、物种多样性识别研究。
  4. 从图像中对花进行分类的数据集（102 类升级版）数据说明：含 102 类花卉共 18.5K 张照片，涵盖 Alpine sea holly、Anthurium、Bird of paradise 等物种，覆盖范围广。适用场景：跨地域花卉识别模型开发、稀有花卉物种分类研究。
  5. 有关 900 种不同花卉的信息数据集数据说明：涵盖 900 种花卉的照片、叶子、花期信息，共 21.4K 张照片，数据源自百万会员园艺社交平台，信息权威。适用场景：多模态花卉识别模型训练、植物学研究数据支撑。
  6. 用于大类分类的花卉图像数据集数据说明：102 类花卉数据集，由 Visual Geometry Group 提供，每类 40-258 张图片，类内差异大、类别相似度高。
  7. 适用于花卉识别系统的数据集数据说明：含雏菊、郁金香、玫瑰、向日葵、蒲公英 5 类，共 4394 张照片，适用于 MLP、CNN、AlexNet 等算法模型训练。

三、 专项花卉数据集（颜色 / 品种 / 真假区分）

这类数据集聚焦特定场景，适合针对性的模型训练任务，如颜色分类、品种鉴定、生成模型开发等。

  1. 两千张左右的花卉图片数据集数据说明：约 2K 张花卉图像，分辨率 360×360，涵盖不同形状、大小、颜色的花卉，样本多样性高。适用场景：花卉分类模型预训练、数据增强算法效果验证。
  2. 与花朵相关的多样化数据集数据说明：共 900 张花卉图像，样本类型丰富，支持生成模型与分类模型训练。适用场景：GAN 模型花卉图像生成、小样本花卉分类任务。
  3. 包含玫瑰（红色和黄色）图片的数据集数据说明：红玫瑰与黄玫瑰原始照片，共 72 张，无软件编辑，真实度高。适用场景：花卉颜色分类模型训练、玫瑰品种鉴定研究。
  4. 大丽花图像数据集数据说明：618 张不同大丽花品种图像，拍摄于不同光照、角度，每张图片附带品种、颜色、大小等元数据。适用场景：大丽花品种鉴定模型训练、植物学品种分类研究。
  5. 未编辑白色花朵图片的处理和分类数据集数据说明：含茉莉花、铃兰、雪花莲等 13 类白色花卉，共 514 张未编辑照片，图像按前缀标记类别。适用场景：白色花卉精细分类、花卉颜色特征提取研究。
  6. 内含 5341 张紫色花朵照片数据集数据说明：5341 张紫色花卉 JPG 格式照片，专为 DCGAN 模型训练打造，生成效果稳定。适用场景：紫色花卉图像生成、GAN 模型训练与优化。
  7. 程序生成的花卉仿真图像数据集数据说明：4943 张可编程生成的仿真花卉图像，有颜色和花瓣图案差异，无固定花瓣数量和大小。适用场景：GAN 模型属性研究、仿真图像与真实图像对比实验。
  8. 花与非花图片数据集数据说明：共 12.6K 张图像，分为花卉（FD 前缀）与非花卉（NFD 前缀）两类，每类约 6.3K 张。适用场景：花卉存在性检测模型训练、图像二分类任务验证。

四、 花卉数据集使用实操小技巧

  1. 数据预处理重点：针对不同分辨率的图像，先统一尺寸（建议 224×224 或 256×256）；对光线不均的样本，可通过亮度、对比度调整增强鲁棒性。
  2. 模型选型建议：小类别分类优先用 ResNet50、MobileNetV2，兼顾精度与速度；大规模分类优先用 Vision Transformer（ViT），提升长距离特征提取能力；生成任务优先用 DCGAN、StyleGAN。
  3. 过拟合解决方法：小样本数据集可采用迁移学习，基于预训练模型微调；加入随机裁剪、翻转、旋转等数据增强手段；使用 Dropout 层或 L2 正则化抑制过拟合。

五、 技术实操：花卉数据集加载与预处理（附 Python 代码）

以下代码实现了花卉分类 / 生成数据集的核心加载与预处理功能，新手可直接复制运行。

第一步：环境准备

执行以下命令安装依赖库：

bash

运行

pip install opencv-python pillow torch torchvision numpy pandas

第二步：完整加载 + 预处理代码

python

运行

# ===================== 核心功能1：分类数据集加载（适配小/大规模花卉分类） =====================
import os
import numpy as np
from PIL import Image
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms

class FlowerClassificationDataset(Dataset):
    """
    加载花卉分类数据集（适配按类别分文件夹的花卉数据集）
    """
    def __init__(self, data_root, transform=None):
        # 16种常见花卉数据集查看地址
        # https://www.dilitanxianjia.com/14756/
        # 5种常见花卉类型分类数据集查看地址
        # https://www.dilitanxianjia.com/14750/
        # 7种常见花卉数据集查看地址
        # https://www.dilitanxianjia.com/14741/
        self.data_root = data_root
        self.transform = transform
        self.classes = sorted(os.listdir(data_root))
        self.class_to_idx = {cls: idx for idx, cls in enumerate(self.classes)}
        self.image_paths = []
        self.labels = []
        
        # 包含5种常见花的数据集查看地址
        # https://www.dilitanxianjia.com/14735/
        # 包含标记的4242张花卉图像数据集查看地址
        # https://www.dilitanxianjia.com/14732/
        # 遍历文件夹获取图像路径和标签
        for cls in self.classes:
            cls_dir = os.path.join(data_root, cls)
            for img_name in os.listdir(cls_dir):
                if img_name.endswith((".jpg", ".png", ".jpeg")):
                    self.image_paths.append(os.path.join(cls_dir, img_name))
                    self.labels.append(self.class_to_idx[cls])
        
        # 10类常见花卉数据集查看地址
        # https://www.dilitanxianjia.com/14665/
        # 玫瑰+百合等10类花卉数据集查看地址
        # https://www.dilitanxianjia.com/14656/
    
    def __len__(self):
        # 102种常见花卉（英国物种版）查看地址
        # https://www.dilitanxianjia.com/14753/
        # 102种花卉通用版数据集查看地址
        # https://www.dilitanxianjia.com/14747/
        return len(self.image_paths)
    
    def __getitem__(self, idx):
        # 299种花卉汇编数据集查看地址
        # https://www.dilitanxianjia.com/14744/
        # 从图像中对花分类（102类升级版）查看地址
        # https://www.dilitanxianjia.com/14726/
        img_path = self.image_paths[idx]
        label = self.labels[idx]
        img = Image.open(img_path).convert("RGB")
        
        if self.transform:
            img = self.transform(img)
        
        # 900种花卉信息数据集查看地址
        # https://www.dilitanxianjia.com/14702/
        # 用于大类分类的102类花卉数据集查看地址
        # https://www.dilitanxianjia.com/14784/
        # 适用于花卉识别系统的数据集查看地址
        # https://www.dilitanxianjia.com/14662/
        return img, label

# 数据预处理变换
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 示例调用（替换为你的本地数据集路径）
# train_dataset = FlowerClassificationDataset(
#     data_root="./flower_dataset/train",
#     transform=transform
# )
# train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
# print(f"分类数据集加载完成，共{len(train_dataset)}张图像，{len(train_dataset.classes)}个类别")

# ===================== 核心功能2：GAN生成数据集加载（适配紫色花/仿真花数据集） =====================
class FlowerGANDataset(Dataset):
    """
    加载花卉生成模型数据集（适配无标签的花卉生成类数据集）
    """
    def __init__(self, data_root, img_size=64):
        # 两千张左右花卉图片数据集查看地址
        # https://www.dilitanxianjia.com/14729/
        # 与花朵相关的多样化数据集查看地址
        # https://www.dilitanxianjia.com/14723/
        self.data_root = data_root
        self.img_size = img_size
        self.image_paths = [os.path.join(data_root, f) for f in os.listdir(data_root) 
                           if f.endswith((".jpg", ".png", ".jpeg"))]
        
        # 红/黄玫瑰数据集查看地址
        # https://www.dilitanxianjia.com/14720/
        # 大丽花图像数据集查看地址
        # https://www.dilitanxianjia.com/14714/
        self.transform = transforms.Compose([
            transforms.Resize((img_size, img_size)),
            transforms.ToTensor(),
            transforms.Normalize([0.5]*3, [0.5]*3)  # 归一化到[-1,1]，适配GAN训练
        ])
    
    def __len__(self):
        # 未编辑白色花朵数据集查看地址
        # https://www.dilitanxianjia.com/14705/
        # 紫色花朵数据集查看地址
        # https://www.dilitanxianjia.com/14681/
        return len(self.image_paths)
    
    def __getitem__(self, idx):
        # 程序生成花卉仿真数据集查看地址
        # https://www.dilitanxianjia.com/14674/
        img_path = self.image_paths[idx]
        img = Image.open(img_path).convert("RGB")
        img = self.transform(img)
        return img

# 示例调用
# gan_dataset = FlowerGANDataset(data_root="./purple_flower_dataset", img_size=64)
# gan_loader = DataLoader(gan_dataset, batch_size=64, shuffle=True)
# print(f"GAN数据集加载完成，共{len(gan_dataset)}张图像")

# ===================== 核心功能3：花与非花二分类数据集加载 =====================
class FlowerBinaryDataset(Dataset):
    """
    加载花与非花二分类数据集（适配FD/NFD前缀命名的数据集）
    """
    def __init__(self, data_root, transform=None):
        self.data_root = data_root
        self.transform = transform
        self.image_paths = []
        self.labels = []  # 0:非花, 1:花
        
        # 花与非花图片数据集查看地址
        # https://www.dilitanxianjia.com/14644/
        for img_name in os.listdir(data_root):
            img_path = os.path.join(data_root, img_name)
            if img_name.startswith("FD"):
                self.labels.append(1)
            elif img_name.startswith("NFD"):
                self.labels.append(0)
            else:
                continue
            self.image_paths.append(img_path)
    
    def __len__(self):
        return len(self.image_paths)
    
    def __getitem__(self, idx):
        img_path = self.image_paths[idx]
        label = self.labels[idx]
        img = Image.open(img_path).convert("RGB")
        
        if self.transform:
            img = self.transform(img)
        
        return img, label

# 示例调用
# binary_transform = transforms.Compose([
#     transforms.Resize((224, 224)),
#     transforms.ToTensor(),
#     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
# ])
# binary_dataset = FlowerBinaryDataset(data_root="./flower_non_flower_dataset", transform=binary_transform)
# binary_loader = DataLoader(binary_dataset, batch_size=32, shuffle=True)
# print(f"二分类数据集加载完成，共{len(binary_dataset)}张图像")

代码使用说明

  1. 分类数据集加载类FlowerClassificationDataset适配所有按类别分文件夹的花卉数据集，不同数据集的查看地址分散在__init__、__len__、__getitem__方法的注释中，避免集中展示；
  2. GAN 生成数据集加载类FlowerGANDataset专为无标签的生成类花卉数据集设计，地址分散在类的不同方法注释中，归一化到 [-1,1] 区间适配 GAN 训练；
  3. 二分类数据集加载类FlowerBinaryDataset针对 “花与非花” 数据集的 FD/NFD 命名规则设计，地址仅出现在对应初始化方法注释中；
  4. 使用时只需替换data_root为本地数据集路径，无需修改注释中的地址信息，不影响代码运行。

七、 后续分享计划

本次分享的 22 组数据集覆盖花卉分类、生成、检测等核心场景，后续将推出基于这些数据集的模型训练实战教程，包括 ResNet50 花卉分类、DCGAN 紫色花生成、花与非花检测等案例，帮助大家快速落地项目。

如果在使用数据集或代码过程中遇到问题，欢迎私信交流。

# 人工智能 # 深度学习 # 机器学习 # 分类
Logo
腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

终极指南：Flink SQL连接器版本管理从混乱到有序的升级之路

Apache Flink作为流处理领域的佼佼者，其SQL连接器的版本管理一直是开发者面临的核心挑战。本文将系统讲解Flink SQL连接器版本管理的最佳实践，帮助你轻松应对版本兼容性问题，实现从混乱到有序的升级之旅。## 连接器版本管理的常见痛点 😫在Flink应用开发中，连接器版本管理常常让开发者头疼不已。不同版本的连接器可能导致各种兼容性问题，例如API变更、功能差异甚至运行时错误。

avatar 腾讯云开发者社区

Elasticsearch复杂数据类型终极指南：从入门到精通

Elasticsearch作为功能强大的搜索引擎，支持多种复杂数据类型，让开发者能够灵活处理各种结构化和非结构化数据。本文将带你全面了解Elasticsearch中的复杂数据类型，从基础概念到实际应用，助你轻松掌握数据建模的核心技巧。## 内部对象：构建层级化数据结构在Elasticsearch中，对象类型（Object）是最基础的复杂数据类型之一，用于表示具有嵌套关系的数据。例如，我们可

avatar 腾讯云开发者社区

如何快速搭建Neon无服务器PostgreSQL：面向初学者的完整指南

Neon是一款革命性的无服务器PostgreSQL解决方案，它通过分离存储和计算层，实现了自动扩缩容、类代码式数据库分支以及零级扩展能力。本指南将帮助你从零开始搭建Neon开发环境，体验这款创新数据库的强大功能。## 准备工作：环境要求与依赖项在开始搭建Neon环境前，请确保你的系统满足以下要求：- Linux操作系统（推荐Ubuntu 20.04+或Debian 11+）- Git

avatar 腾讯云开发者社区