农作物、农业相关的数据集合

本文介绍了几个重要的农业数据集,包括PlantVillage的病害植物叶片图像集、PlantDoc植物文档数据集、用于水稻目标检测的RiceSeedlingDataset,以及用于北方玉米叶枯萎检测的Stewart_NLBimages_2019,这些数据集对农业技术研究和作物健康监测有重要价值。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

农作物、农业相关的数据集合

1.PlantVillage公开数据集

1.PlantVillage公开数据集:
GitHub - spMohanty/PlantVillage-Dataset: Dataset of diseased plant leaf images and corresponding labels

2.PlantDoc公开数据集:
https://github.com/pratikkayal/PlantDoc-Dataset

 2.PlantDoc公开数据集:
https://github.com/pratikkayal/PlantDoc-Dataset

3.RiceSeedlingDataset:用于水稻目标检测,水稻幼苗分类

RiceSeedlingDataset:用于水稻目标检测,水稻幼苗分类

https://github.com/aipal-nchu/RiceSeedlingDataset

4.Stewart_NLBimages_2019:北方玉米叶枯萎检测
https://datacommons.cyverse.org/browse/iplant/home/shared/GoreLab/dataFromPubs/Stewart_NLBimages_2019

4.Stewart_NLBimages_2019:北方玉米叶枯萎检测
https://datacommons.cyverse.org/browse/iplant/home/shared/GoreLab/dataFromPubs/Stewart_NLBimages_2019

### 寻找农业相关数据集 为了支持机器学习和数据分析工作,在农业领域存在多个公开可用的数据集,这些资源能够促进研究和技术开发。以下是几个重要的农业数据集: #### 1. Agri-Food Data Hub 该平台提供了广泛的食物链数据集合,涵盖了从农场到餐桌整个过程中的各个环节。这不仅限于生产阶段的信息,还包括加工、分销以及消费端的数据。 #### 2. PlantVillage Dataset PlantVillage 数据集专注于作物健康监测,特别是病虫害识别。它包含了大量标注过的图片样本,适用于训练图像分类模型以诊断植物疾病[^1]。 ```python import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator datagen = ImageDataGenerator(rescale=1./255, validation_split=0.2) train_generator = datagen.flow_from_directory( 'path_to_plantvillage_dataset/train', target_size=(224, 224), batch_size=32, class_mode='categorical', subset='training' ) ``` #### 3. ADE20K Agricultural Subset ADE20K 是一个多类别场景解析数据库的一部分,其中包含了一个专门针对农业环境设计的小节。此部分特别适合处理复杂的农田背景下的物体检测与分割任务。 #### 4. Wheat Head Detection Dataset (WHDD) 这个特定用途的数据集主要用于小麦穗头计数的研究,通过精确标记每株小麦上的穗头位置来辅助产量估算算法的发展。 #### 5. Crop Growth Monitoring Datasets 一些机构会定期发布关于农作物生长状况的时间序列观测记录,这类数据通常包括卫星遥感影像、气象参数以及其他影响因素,非常适合做预测建模分析。 选择合适的数据集取决于具体的应用场景和技术需求。对于初学者来说,可以从较为简单且具有良好文档说明的项目入手;而对于高级开发者,则可以探索更复杂或者规模更大的资料库来进行深入研究。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值