yusuf802/leaf-images

该数据集包含多种植物的图像及其对应的病害或健康状态标签，如苹果黑星病、玉米普通锈病等。数据集分为训练集和测试集，分别用于模型训练和测试。

原始信息汇总

数据集概述

数据集配置

• 默认配置：
  • 训练集：路径为 data/train-*
  • 测试集：路径为 data/test-*

数据集信息

• 特征：
  • 图像：数据类型为 image
  • 标签：数据类型为 class_label，包含以下类别：
    • 0: Apple_Black_rot
    • 1: Apple_Cedar_apple_rust
    • 2: Apple_Powdery_mildew
    • 3: Apple_healthy
    • 4: Apple_scab
    • 5: Cherry_(including_sour)_Powdery_mildew
    • 6: Cherry_(including_sour)_healthy
    • 7: Corn_(maize)_Cercospora_leaf_spot Gray_leaf_spot
    • 8: Corn_(maize)_Common_rust
    • 9: Corn_(maize)_Northern_Leaf_Blight
    • 10: Corn_(maize)_healthy
    • 11: Cotton_leaf_diseased
    • 12: Cotton_leaf_fresh
    • 13: Grape_Black_rot
    • 14: Grape___Esca_(Black_Measles)
    • 15: Grape___Leaf_blight_(Isariopsis_Leaf_Spot)
    • 16: Grape___healthy
    • 17: Orange_Haunglongbing_(Citrus_greening)
    • 18: Orange__Black_Rot
    • 19: Orange__Canker
    • 20: Orange__Healthy
    • 21: Peach_Bacterial_spot
    • 22: Peach_healthy
    • 23: Pepper,_bell_Bacterial_spot
    • 24: Pepper,_bell_healthy
    • 25: Potato_Early_blight
    • 26: Potato_Late_blight
    • 27: Potato_healthy
    • 28: Squash_Powdery_mildew
    • 29: Strawberry_Leaf_scorch
    • 30: Strawberry_healthy
    • 31: Tomato_Bacterial_spot
    • 32: Tomato_Early_blight
    • 33: Tomato_Late_blight
    • 34: Tomato_Leaf_Mold
    • 35: Tomato_Septoria_leaf_spot
    • 36: Tomato_Spider_mites_Two_spotted_spider_mite
    • 37: Tomato_Target_Spot
    • 38: Tomato_Tomato_Yellow_Leaf_Curl_Virus
    • 39: Tomato_Tomato_mosaic_virus
    • 40: Tomato_healthy
    • 41: Wheat_healthy
    • 42: Wheat_leaf_rust
    • 43: Wheat_nitrogen_deficiency

数据集分割

• 训练集：
  • 字节数：7355420032.737346
  • 样本数：56842
• 测试集：
  • 字节数：1331846480.2826538
  • 样本数：10032

数据集大小

• 下载大小：8653117062 字节
• 数据集大小：8687266513.02 字节

搜集汇总

数据集介绍

构建方式

在农业病害智能诊断领域，大规模、高质量的图像数据集是推动模型性能提升的关键基石。yusuf802/leaf-images数据集正是为此而生，其构建过程严谨而系统。该数据集整合了多种经济作物的叶片图像，涵盖苹果、樱桃、玉米、棉花、葡萄、柑橘、桃、辣椒、马铃薯、南瓜、草莓、番茄及小麦等13个物种，共计44个细粒度类别，包括健康状态与各类病害特征。数据被划分为训练集和测试集，其中训练集包含56,842张图像，测试集包含10,032张图像，总计超过66,000张样本。图像以高效压缩格式存储，整体数据集大小约为8.68 GB，确保了在保持丰富信息的同时兼顾存储与加载效率。

特点

该数据集最鲜明的特点在于其跨物种、跨病害的广泛覆盖性与高度的类别平衡性。它不仅涵盖了常见的真菌性病害（如黑腐病、白粉病、早疫病）、细菌性斑点病，还包含了病毒性病害（如番茄黄化曲叶病毒病）及生理性缺素症（如小麦缺氮），形成了从宏观到微观的病害谱系。每个类别均以“物种_病害类型”或“物种_健康”的清晰命名规范进行标注，便于研究者直接进行细粒度分类任务。此外，数据集原生支持Hugging Face Datasets库，提供了标准化的图像与标签特征接口，极大降低了数据加载与预处理的门槛，是农业植物病虫害识别与深度学习模型训练的理想基准资源。

使用方法

该数据集的使用极为便捷，完全融入Hugging Face生态系统。用户可通过`datasets.load_dataset("yusuf802/leaf-images")`一行代码完成数据加载，返回的Dataset对象自动包含'train'和'test'两个子集。每个样本由'image'（PIL图像对象）和'label'（整数类别索引）字段组成，可直接用于PyTorch或TensorFlow的训练管道。对于需要自定义数据增强或批处理的任务，可结合`torchvision.transforms`或`tf.data`进一步封装。值得注意的是，数据集已预定义44个类别的名称映射，通过`dataset.features["label"].names`即可获取完整标签列表，便于结果可视化与模型评估。

背景与挑战

背景概述

植物病害是全球农业生产面临的重大威胁，精准识别叶片病害是实施智能农业管理的关键环节。yusuf802/leaf-images数据集由研究人员于近年构建，旨在利用深度学习技术解决农作物叶片病害的多类别分类问题。该数据集涵盖了苹果、樱桃、玉米、棉花、葡萄、柑橘、桃、辣椒、马铃薯、南瓜、草莓、番茄、小麦等13种作物的44种叶片状态，包括健康叶片与多种病害类型，如苹果黑腐病、玉米锈病、番茄黄化曲叶病毒等。数据集包含约5.7万张训练图像与1万张测试图像，为植物病理学研究提供了丰富的视觉样本。其发布推动了计算机视觉在农业领域的应用，尤其在精准病虫害诊断与早期预警方面具有重要影响力，为后续模型开发与跨作物病害识别研究奠定了数据基础。

当前挑战

该数据集面临的核心挑战在于解决复杂自然场景下的细粒度病害识别问题。不同作物叶片病害在视觉特征上高度相似，例如苹果黑腐病与玉米灰斑病在早期阶段难以区分，且同种病害在不同生长阶段表现差异显著，这对分类模型的鲁棒性提出了极高要求。构建过程中，数据采集面临环境光照不均、叶片姿态多变、背景杂乱等干扰，导致图像质量参差不齐。此外，部分病害样本数量不均衡，如小麦缺氮症状与健康叶片的比例失调，可能引发模型过拟合。跨作物病害的通用特征提取、小样本类别的高效学习以及模型在真实农田场景中的泛化能力，仍是当前研究亟需突破的技术瓶颈。

常用场景

经典使用场景

leaf-images数据集汇聚了涵盖苹果、樱桃、玉米、棉花、葡萄、柑橘、桃、辣椒、马铃薯、南瓜、草莓、番茄、小麦等十余种经济作物的叶片图像，共计近六万八千余张样本，每张图像均标注了健康状态或特定病害类别。该数据集最为经典的使用场景是作为植物病害视觉识别任务的基准测试平台，研究者可基于此构建与评估卷积神经网络、视觉Transformer等深度学习模型在细粒度叶片病害分类上的性能，推动农业智能诊断技术的标准化发展。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于深度可分离卷积的轻量化病害识别网络、融合注意力机制的跨作物病害检测框架，以及面向数据不平衡问题的生成对抗网络增强方法。此外，研究者还利用该数据集构建了植物病害视觉问答系统与多模态知识图谱，推动了农业视觉语言模型的发展，相关成果多次发表于Computers and Electronics in Agriculture等权威期刊。

数据集最近研究

最新研究方向

随着精准农业与深度学习技术的深度融合，叶片图像数据集已成为植物病害智能诊断研究的关键基石。该数据集涵盖苹果、玉米、番茄等十余种作物的40余类健康与病害状态，其多类别、跨作物的标注体系为开发通用型植物病害识别模型提供了宝贵资源。当前前沿研究聚焦于利用迁移学习与注意力机制提升细粒度病害分类精度，并探索在边缘设备上部署轻量化模型以实现田间实时监测。此外，结合多光谱成像与生成对抗网络进行数据增强，以应对不平衡样本与复杂背景干扰，正成为提升模型泛化能力的热点方向。该数据集的发布不仅推动了农业物联网与计算机视觉的交叉创新，更为全球粮食安全背景下的智能植保策略提供了数据驱动的有力支撑。