Cotton Disease & Pest Dataset

一个小型、干净的、五类图像数据集，用于识别常见的棉花植物病虫害。A small-scale, clean five-class image dataset for identifying common cotton plant diseases and pests.

原始信息汇总

棉花病虫害数据集概述

数据集简介

这是一个小型、干净的五类别图像数据集，用于识别常见的棉花植物病虫害。数据集提供两种即用格式，均涵盖相同的5个类别和相同的250张原始图像（每类50张）。

类别信息

类别ID	类别名称	类型
0	链格孢叶斑病	病害
1	细菌性枯萎果	病害
2	棉卷叶螟	虫害
3	粉蚧	虫害
4	红棉虫	虫害

数据集规模

• 总类别数：5类
• 每类图像数：50张
• 图像总数：250张
• 每个子集（Cotton_classification和Cotton_detection）都包含自己的250张图像副本，并划分为训练集/验证集/测试集

数据格式

1. Cotton_classification（图像分类格式）

采用标准ImageFolder风格布局，每个类别在分割目录下拥有独立子文件夹：

• 训练集：每类40张，共200张
• 验证集：每类7张，共35张
• 测试集：每类3张，共15张

2. Cotton_detection（目标检测格式）

采用YOLO格式的目标检测布局，配有相应的data.yaml文件：

• 图像目录：images/{train,val,test}/*.jpg
• 标签目录：labels/{train,val,test}/*.txt（YOLO格式：class x_center y_center width height，归一化0-1）
• 图像划分：训练集200张，验证集37张，测试集13张，共250张

标注边界框实例统计（一张图像可含多个标注实例）：

类别ID	类别名称	实例数
0	链格孢叶斑病	50
1	细菌性枯萎果	50
2	棉卷叶螟	50
3	粉蚧	52
4	红棉虫	74
总计		276

示例图像

sample_images.jpg展示了每个类别的一个代表性示例——第一行包含三个类别（链格孢叶斑病、细菌性枯萎果、棉卷叶螟），第二行包含其余两个类别（粉蚧、红棉虫），每张图像都标注了类别名称。

许可证

该数据集未附带明确的许可证，需在使用前根据预期用途自行添加合适的许可证。

搜集汇总

数据集介绍

构建方式

该数据集聚焦棉花作物常见病害与虫害的智能识别，整合了两种主流计算机视觉任务所需的数据形态。其构建基于250幅原始图像，每类病害或虫害均匀分配50幅，涵盖5个类别，包括2种病害（链格孢叶斑病、细菌性果腐病）与3种虫害（棉叶卷叶虫、粉蚧、红棉蝽）。数据经专业标注后，分别以图像分类格式（按类别分文件夹）与目标检测格式（YOLO格式的边界框标注）进行组织，并各自划分为训练、验证与测试子集，其中分类子集按每类40/7/3幅划分，检测子集则按200/37/13幅划分，确保模型训练与评估的标准化流程。

特点

此数据集虽规模精简，却匠心独具地兼顾了分类与检测双任务需求，且两类任务共享同一基础图像，便于算法间的横向对比。其类别设计涵盖病害与虫害，反映了田间复杂场景下的实际识别挑战。检测子集附带精确的归一化边界框坐标，标注实例总数达276个，其中红棉蝽因个体聚集特性拥有最多实例，突显了数据集的细粒度标注特性。整体结构清晰，文件命名规范，配套YOLO配置文件，极大降低了使用门槛，适合小样本学习、模型迁移及教学演示等场景。

使用方法

使用者可直接利用Cotton_classification目录开展图像分类模型（如CNN）的训练，采用标准ImageFolder布局，适配PyTorch等框架的DataLoader。对于目标检测任务，Cotton_detection目录提供了完整的YOLO格式数据集，包含data.yaml配置文件，可与YOLOv5/v8等主流检测框架无缝集成。尽管官方未指定许可证，但建议用户依据自身项目需求补充相应许可协议。数据集规模小巧，适合快速迭代验证算法，亦可作为数据增强或预训练策略的研究基准。

背景与挑战

背景概述

棉花作为全球重要的经济作物，其产量与品质深受病虫害的制约。精准识别棉田中的病害与虫害，对于实施靶向防治、减少农药滥用及保障农业可持续发展具有至关重要的意义。近年来，深度学习技术的蓬勃发展为农作物病虫害的自动化检测提供了崭新路径，然而高质量、标注精细的专用数据集仍属稀缺资源。在此背景下，Cotton Disease & Pest Dataset应运而生。该数据集由研究者精心构建，收录了五种棉花常见病虫害的250幅原始图像，涵盖了病害（如Alternaria Leaf Spot）与虫害（如Cotton Leaf Roller）两大类，并以图像分类与YOLO格式的目标检测两种形式呈现，为计算机视觉技术在农业领域的应用提供了标准化的基准。数据集虽规模有限，却以其清晰的类别划分、严谨的标注体系及便捷的即用格式，在棉花病虫害智能识别的研究中扮演了重要的基石角色，推动了相关算法从实验室走向田间实践的进程。

当前挑战

当前，该数据集面临着多重维度的严峻挑战。首先，从领域问题来看，棉花病虫害的表型多样且易受光照、生长阶段及拍摄角度影响，导致类内差异显著而类间特征模糊，尤其对于早期病斑与微小虫体，准确辨识颇具难度。其次，数据规模成为制约模型泛化能力的瓶颈——每类仅50幅图像，对于数据驱动的深度网络而言，极易引发过拟合，限制了模型在复杂农田环境下的鲁棒性。再者，数据集的构建过程亦充满艰辛：病虫害图像的野外采集需耗费大量人力与时令周期，且需兼顾生态多样性；而边界框的精确标注则要求专家级的知识储备，主观差异难以完全消除，标注一致性成为保障数据质量的关键难题。此外，类别间样本不均衡（如Red Cotton Bug实例数远超其他类别）及环境噪声的引入，进一步加剧了模型训练的挑战。这些因素共同构成了推动该领域向前发展所必须跨越的障碍。

常用场景

经典使用场景

Cotton Disease & Pest Dataset作为一个小型但结构清晰的五类图像数据集，广泛用于棉花病虫害的智能识别研究。其分类子集采用标准ImageFolder布局，适合训练和评估卷积神经网络（CNN）分类器，例如VGG、ResNet或EfficientNet，以实现对棉花叶片病斑和害虫的精确分类。检测子集则以YOLO格式提供边界框标注，为训练和验证YOLOv5/v8等目标检测模型提供了便捷的基准，能够同时定位和识别图像中的多个病虫害实例。该数据集的简洁性和双格式设计，使其成为学术研究中验证新算法、对比模型性能以及开展消融实验的理想选择。

解决学术问题

该数据集解决了棉花病虫害识别中标注样本稀缺和格式不统一的核心难题。通过提供分类和检测两种格式的完整标注，它降低了研究人员在数据预处理和标注转换上的时间成本，使得他们能够聚焦于模型架构的创新与优化。在学术层面，它支持了多项研究，包括但不限于小样本学习、迁移学习、数据增强策略以及注意力机制在农业病害识别中的应用效果评估。其五类典型病虫害覆盖了真菌性病害、细菌性病害和常见害虫，为研究多类别不平衡条件下的分类性能提供了真实基准，推动了计算机视觉技术在精准农业中的理论探索。

衍生相关工作

该数据集的发布催生了多项衍生研究。在方法层面，研究者常以其为基准，对比不同深度学习模型（如MobileNet、Inception、YOLO系列）在棉花病虫害识别上的表现，进而提出改进的轻量化网络或更高效的特征提取模块。在应用层面，有工作将该数据集与其他作物病虫害数据集联合，构建跨作物的病虫害识别模型，探索领域自适应和泛化能力。此外，数据集中的细粒度类别（如区分棉花卷叶虫与红棉虫）也推动了细粒度图像识别技术在小众农业场景中的适配研究。部分工作还利用其YOLO格式，研究小目标检测和密集场景下的实例分割方法，为复杂农田环境下的视觉感知提供了实验基础。