五类农业害虫检测数据集 3000张YOLO智慧农业目标检测

五类农业害虫检测数据集｜3000张YOLO智慧农业数据集 适用于病虫害早期预警、自动化监测与目标检测研究

先说说这个数据集的核心定位。在智慧农业和精准农业快速发展的今天，利用计算机视觉技术实现农业害虫的自动识别与早期预警，已经成为保障作物产量、降低农药使用量、推动农业可持续发展的重要手段。不过，田间害虫检测场景有其特有的困难——害虫尺度小、形态相似、背景复杂、光照变化剧烈，这些问题叠加在一起，对算法提出了不小的挑战。而解决这些问题，离不开高质量的数据支撑。

这套数据集正是为此而生。它专攻高精度农业害虫识别与定位，共包含3000+张高质量标注图像，面向YOLO系列、Faster R-CNN等主流目标检测算法，直接可用于训练、验证与测试。从应用场景来看，无论是无人机或地面机器人的田间巡检、智能温室的实时监控，还是移动端APP的识别助手，它都能提供扎实的数据基础。

---

二、数据集基本信息

先来看数据集的整体参数，一张表就能说清楚。

项目	内容
数据集名称	五类农业害虫检测数据集
数据规模	3000+张高质量标注图像
任务类型	目标检测（Object Detection）
检测目标	蚜虫、实蝇、南瓜甲虫、潜叶蝇、粉虱
类别数量（nc）	5类
标注方式	Bounding Box目标框标注
数据格式	YOLO标准格式
数据来源	真实田间与农业环境采集
数据划分	Train / Valid / Test
适配模型	YOLOv5、YOLOv8、YOLOv10、YOLOv11、Faster R-CNN等

---

三、数据集类别说明

这套数据集是一个多类别目标检测数据集，涵盖了5种常见且具有重大经济损失的农业害虫。标签名称全部采用中文，国内用户拿到手就能直接用。

类别配置如下：

nc: 5

names:
  - aphids
  - fruitfly
  - pumpkin-beetle
  - serpentine-leafminer
  - whitefly

这5类害虫的详细信息，以及它们对农业的影响，可以看下面这张表。

类别ID	中文名称	英文名称	农业影响简述
0	蚜虫	Aphids	吸食植物汁液，传播病毒，导致叶片卷曲和生长受阻
1	实蝇	Fruitfly	幼虫蛀食果实内部，导致果实腐烂脱落，严重影响果蔬产量
2	南瓜甲虫	Pumpkin-Beetle	成虫啃食叶片和花，幼虫蛀食茎部，可传播细菌性枯萎病
3	潜叶蝇	Serpentine-leafminer	幼虫在叶片内部形成蜿蜒隧道（潜道），破坏光合作用效率
4	粉虱	Whitefly	群集吸食汁液，分泌蜜露诱发煤污病，影响作物品质

这五类害虫的设计有讲究——它们覆盖了吸食汁液类、蛀果类、食叶类、潜叶类等主要害虫类型，兼顾了不同的危害方式和生态习性。这样一来，模型在训练时接触到的样本足够多样化，后续在面对真实田间场景时，适应性自然会更强。

---

四、数据集结构说明

数据集沿用了YOLOv5/v8的标准目录结构，预划分为训练集、验证集和测试集，导入主流深度学习框架后可以直接开始训练，省去格式转换的额外步骤。

database/
└── 五类农业害虫检测数据集
    ├── train
    │   └── images
    ├── valid
    │   └── images
    └── test
        └── images

各个数据集的作用很清晰：

• train/images：训练集图像，用于模型参数学习与特征提取；
• valid/images：验证集图像，用于超参数调优、早停监控及防止过拟合；
• test/images：测试集图像，用于最终模型性能评估与泛化能力测试。

所有标签文件都采用标准YOLO格式，与图像文件一一对应，不需要额外转换。

---

五、数据集核心优势

1. 真实农业场景采集

数据全部来源于真实田间与农业环境，这一点很关键。它真实反映了农业害虫检测的实际应用场景，涵盖了不同作物、不同生长阶段以及不同生态环境下的害虫样本。

覆盖场景包括：

• 大田作物（蔬菜、瓜果等）
• 果园与经济作物种植区
• 智能温室与设施农业
• 不同地域与气候条件
• 不同作物种类与生长阶段

这样的多样性，能有效提升模型在实际部署中的表现。

2. 多样化害虫形态覆盖

不同害虫在形态、大小、颜色、群居方式上差异很大，即便是同一种害虫，在不同发育阶段也可能判若两样。这个数据集在构建时充分考虑到了这一点。

数据集中包含：

• 不同发育阶段害虫（幼虫、成虫）
• 不同体色与体型变异
• 群集型害虫（蚜虫、粉虱）与散居型害虫（实蝇、南瓜甲虫）
• 静止与活动状态害虫
• 叶片正面/背面害虫
• 不同背景下的害虫（叶片、果实、茎秆）

覆盖面越广，模型对不同害虫种类的检测与泛化能力就越强。

3. 丰富的田间环境条件覆盖

数据覆盖：

• 不同光照条件（强光、阴天、清晨/傍晚）
• 不同拍摄角度（俯视、侧视、近距离特写）
• 不同拍摄距离（宏观叶片视角、微观害虫特写）
• 不同作物背景（绿色叶片、枯黄叶片、土壤、果实）
• 不同程度遮挡（叶片遮挡、虫体重叠）

环境条件越复杂，对模型的鲁棒性要求就越高。这套数据集恰恰能帮助模型在各种“刁钻”条件下都能稳定发挥。

4. 高质量人工标注

所有图像均由专业人员进行人工标注与多轮审核：

• 边界框贴合害虫主体
• 减少漏检和误检
• 分类标准统一规范
• 无类别混淆
• 复杂背景下的精准定位

标注质量直接决定了训练效果，这一点上可以放心。

5. 强泛化能力

数据涵盖：

• 不同地理区域与气候条件
• 不同作物类型与种植模式
• 不同害虫发生程度（轻度、中度、重度）
• 不同拍摄设备与分辨率

意味着模型在迁移到新的应用场景时，泛化能力有保障。

---

六、适用场景

无人机/地面机器人田间自动化巡检

搭载于无人机或地面巡检机器人，对大面积农田进行高效、高频次的害虫监测与预警。想象一下，无人机飞一趟，就能把整个田块的虫害情况摸清楚。

智能温室实时病虫害监控

部署于智能温室环境，持续监测作物害虫发生情况，及时发现并定位虫害区域。尤其在规模化温室中，这套系统可以大大减轻人工巡检的负担。

移动端APP识别助手

开发智能手机应用程序，帮助农民快速拍照识别害虫种类，获取防治建议。用起来很直接——拍照、识别、出结果。

病虫害早期预警系统

基于害虫检测结果进行发生趋势分析与预警，为精准施药提供科学依据。早发现、早干预，这是减少损失的关键一步。

智慧农业管理平台

作为智慧农业平台的核心感知模块，实现虫情数据的自动化采集、分析与可视化。让数据真正“说话”，指导决策。

农药精准施用决策

结合害虫种类与密度分布信息，指导变量施药作业，减少农药使用量。这不仅省钱，更符合绿色农业的理念。

---

七、适用研究方向

这套数据集可以广泛应用于以下研究领域：

• 农业计算机视觉与智慧农业研究
• 小目标害虫检测研究
• 多类别目标检测研究
• 密集目标检测研究（群集害虫）
• 田间复杂背景目标检测研究
• YOLO系列模型优化研究
• 轻量化检测模型与边缘部署研究
• 无人机视觉与遥感研究
• 域适应与跨地域泛化研究
• 害虫发生规律与预警模型研究
• 数据增强与少样本学习研究
• 精准农业与变量施药技术研究

---

八、总结

五类农业害虫检测数据集（Agricultural Pest Detection） 包含3000+张高质量标注图像，采用标准YOLO格式构建，专注于农业害虫的识别与定位任务。数据集覆盖蚜虫、实蝇、南瓜甲虫、潜叶蝇、粉虱5类核心农业害虫，具有场景真实、标注精准、害虫形态多样等特点，可广泛应用于无人机田间巡检、智能温室监控、移动端识别、病虫害早期预警等领域，是开展农业视觉智能算法研发与智慧农业系统建设的优质数据资源。