![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/af0429b4f727082d7f15356bc8dd1c4a.png)
柑橘虫害数据集，
包括19个类别共7273张图像：
柑橘凤蝶Papilio xuthus、柑橘红蜘蛛Panonchus citri McGregor、柑橘锈螨Phyllocoptes oleiverus ashmead、吹绵蚧Icerya purchasi Maskell、矢尖蚧Unaspis yanonensis、红蜡蚧Ceroplastes rubens、黑褐圆盾蚧Chrysomphalus aonidum、黑点介壳虫Parlatoria zizyphus Lucus、堆蜡粉蚧Nipaecoccus vastalor、黑刺粉虱Aleurocanthus spiniferus柑橘大实蝇Tetradacus c Bactrocera、芒果柑桔小实蝇Dacus dorsalis(Hendel)蜜柑大实蝇Bactrocera tsuneonis、斜纹夜蛾Prodenia litura、枯叶夜蛾Adristyrannus、柑桔潜叶蛾Phyllocnistis citrella Stainton、花椒蚜虫Toxoptera citricidus、茶蚜Toxoptera aurantii、绣线菊蚜Aphis citricola Vander![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/7cad402069f4849dd0f4dde37eb4c85d.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/38223c95717875378e7688f9d620a553.png)
好的，以下是详细的文档格式，包含了如何使用YOLOv8进行柑橘虫害分类的数据集训练。由于这是一个分类任务而不是目标检测任务，我们将使用YOLOv8的分类功能来进行训练。
### 使用 YOLOv8 训练柑橘虫害分类

#### 数据集信息

- **类别**: 19类 (柑橘凤蝶Papilio xuthus, 柑橘红蜘蛛Panonchus citri McGregor, 柑橘锈螨Phyllocoptes oleiverus ashmead, 吹绵蚧Icerya purchasi Maskell, 矢尖蚧Unaspis yanonensis, 红蜡蚧Ceroplastes rubens, 黑褐圆盾蚧Chrysomphalus aonidum, 黑点介壳虫Parlatoria zizyphus Lucus, 堆蜡粉蚧Nipaecoccus vastalor, 黑刺粉虱Aleurocanthus spiniferus, 柑橘大实蝇Tetradacus c Bactrocera, 芒果柑桔小实蝇Dacus dorsalis(Hendel), 蜜柑大实蝇Bactrocera tsuneonis, 斜纹夜蛾Prodenia litura, 枯叶夜蛾Adristyrannus, 柑桔潜叶蛾Phyllocnistis citrella Stainton, 花椒蚜虫Toxoptera citricidus, 茶蚜Toxoptera aurantii, 绣线菊蚜Aphis citricola Vander.)
- **图片数量**: 共7273张
- **分辨率**: 假设为统一的分辨率（例如 224x224）
- **标签格式**:- 分类格式 (txt 或 CSV)

#### 步骤概述

1. **数据集准备**
2. **创建数据集配置文件 (`data.yaml`)**
3. **分割数据集**
4. **训练模型**
5. **评估模型**
6. **可视化训练结果**
7. **清理临时文件**
8. **推理和显示结果**

#### 详细步骤

 1. 数据集准备

确保你的数据集已经按照上述格式准备好，并且包含 `images` 和 `labels` 目录。
```
orange_pest_classification/
├── datasets/
│   └── orange_pest_dataset/
│       ├── images/
│       │   ├── image1.jpg
│       │   ├── image2.jpg
│       │   └── ...
│       └── labels/
│           ├── image1.txt
│           ├── image2.txt
│           └── ...
└── main.py
```
 2. 创建数据集配置文件 (`data.yaml`)

创建一个 `data.yaml` 文件来配置数据集路径和类别信息。
```
train: ./datasets/orange_pest_dataset/train/images
val: ./datasets/orange_pest_dataset/val/images

nc: 19  # 类别数量
names: ['Papilio_xuthus', 'Panonchus_citri_McGregor', 'Phyllocoptes_oleiverus_ashmead', 'Icerya_purchasi_Maskell', 'Unaspis_yanonensis', 'Ceroplastes_rubens', 'Chrysomphalus_aonidum', 'Parlatoria_zizyphus_Lucus', 'Nipaecoccus_vastalor', 'Aleurocanthus_spiniferus', 'Tetradacus_c_Bactrocera', 'Dacus_dorsalis_Hendel', 'Bactrocera_tsuneonis', 'Prodenia_litura', 'Adristyrannus', 'Phyllocnistis_citrella_Stainton', 'Toxoptera_citricidus', 'Toxoptera_aurantii', 'Aphis_citricola_Vander']
```
3. 分割数据集

将数据集分割成训练集和验证集。
```
import os
import random
from pathlib import Path
import shutil

def split_dataset(data_dir, train_ratio=0.8):
    images = list(Path(data_dir).glob('*.jpg'))
    random.shuffle(images)
    
    num_train = int(len(images) * train_ratio)
    train_images = images[:num_train]
    val_images = images[num_train:]
    
    train_dir = Path(data_dir).parent / 'train'
    val_dir = Path(data_dir).parent / 'val'
    
    train_img_dir = train_dir / 'images'
    train_label_dir = train_dir / 'labels'
    val_img_dir = val_dir / 'images'
    val_label_dir = val_dir / 'labels'
    
    train_img_dir.mkdir(parents=True, exist_ok=True)
    train_label_dir.mkdir(parents=True, exist_ok=True)
    val_img_dir.mkdir(parents=True, exist_ok=True)
    val_label_dir.mkdir(parents=True, exist_ok=True)
    
    for img in train_images:
        label_path = img.with_suffix('.txt')
        shutil.copy(img, train_img_dir / img.name)
        shutil.copy(label_path, train_label_dir / label_path.name)
    
    for img in val_images:
        label_path = img.with_suffix('.txt')
        shutil.copy(img, val_img_dir / img.name)
        shutil.copy(label_path, val_label_dir / label_path.name)

# 使用示例
split_dataset('./datasets/orange_pest_dataset/images')
```
 4. 训练模型

使用YOLOv8进行分类训练。
```
import torch
from ultralytics import YOLO

# 设置随机种子以保证可重复性
torch.manual_seed(42)

# 定义数据集路径
dataset_config = 'data.yaml'

# 加载预训练的YOLOv8n-c模型（用于分类）
model = YOLO('yolov8n-cls.pt')

# 训练模型
results = model.train(
    data=dataset_config,
    epochs=100,
    imgsz=224,
    batch=16,
    name='orange_pest_classification',
    project='runs/classify'
)

# 评估模型
metrics = model.val()

# 保存最佳模型权重
best_model_weights = 'runs/classify/orange_pest_classification/weights/best.pt'
print(f"Best model weights saved to {best_model_weights}")
```
 5. 可视化训练结果

可视化训练结果。
```
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/classify/orange_pest_classification/weights/best.pt')

# 可视化训练结果
model.plot_results(save=True, save_dir='runs/classify/orange_pest_classification')
```
 6. 清理临时文件

清理不必要的临时文件。
```
import shutil

def clean_temp_files(project_dir):
    temp_dirs = [
        f'{project_dir}/wandb',
        f'{project_dir}/cache'
    ]
    
    for dir_path in temp_dirs:
        if os.path.exists(dir_path):
            shutil.rmtree(dir_path)
            print(f"Removed directory: {dir_path}")

# 使用示例
clean_temp_files('runs/classify/orange_pest_classification')
```
 7. 推理和显示结果

推理和显示结果。
```
from ultralytics import YOLO
import cv2
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

# 主函数
def main():
    # 加载模型
    model = YOLO('runs/classify/orange_pest_classification/weights/best.pt')
    
    # 测试图片路径
    test_image_path = './datasets/orange_pest_dataset/images/test_image.jpg'
    
    # 进行预测
    results = model.predict(test_image_path, conf=0.5)[0]
    
    # 获取预测结果
    predicted_class_id = int(results.probs.argmax())
    predicted_class_name = model.names[predicted_class_id]
    confidence = float(results.probs.max())
    
    # 打印预测结果
    print(f"Predicted Class: {predicted_class_name}, Confidence: {confidence:.2f}")
    
    # 显示图片
    image = cv2.imread(test_image_path)
    image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    
    # 在图片上添加预测标签
    font = cv2.FONT_HERSHEY_SIMPLEX
    text = f"{predicted_class_name} ({confidence:.2f})"
    position = (10, 30)
    font_scale = 1
    color = (0, 255, 0)
    thickness = 2
    
    cv2.putText(image_rgb, text, position, font, font_scale, color, thickness)
    
    plt.imshow(image_rgb)
    plt.axis('off')
    plt.show()

if __name__ == "__main__":
    main()
```
#### 运行脚本

在终端中运行以下命令来执行整个流程：
```
python main.py
```
### 总结

以上文档包含了从数据集准备、模型训练、评估、可视化训练结果、清理临时文件到推理和显示结果的所有步骤。希望这些详细的信息和代码能够帮助你顺利实施和优化你的柑橘虫害分类系统。

柑橘虫害数据集，包括19个类别共7273张图像：柑橘凤蝶Papilio xuthus、柑橘红蜘蛛Panonchus citri McGregor、柑橘锈螨Phyllocoptes oleiverus ashmead、吹绵蚧Icerya purchasi Maskell、矢尖蚧Unaspis yanonensis、红蜡蚧Ceroplastes rubens、黑褐圆盾蚧Chrysomphalus aonidum、黑点介壳虫Parlatoria zizyphus Lucus、堆蜡粉蚧Nipaecoccus vastalor、黑刺粉虱Aleurocanthus spiniferus柑橘大实蝇Tetradacus c Bactrocera、芒果柑桔小实蝇Dacus dorsalis(Hendel)蜜柑大实蝇Bactrocera tsuneonis、斜纹夜蛾Prodenia litura、枯叶夜蛾Adristyrannus、柑桔潜叶蛾Phyllocnistis citrella Stainton、花椒蚜虫Toxoptera citricidus、茶蚜Toxoptera aurantii、绣线菊蚜Aphis citricola Vander好的，以下是详细的文档格式，包含了如何使用YOLOv8进行柑橘虫害分类的数据集训练。由于这是一个分类任务而不是目标检测任务，我们将使用YOLOv8的分类功能来进行训练。

使用 YOLOv8 训练柑橘虫害分类检测 柑橘虫害数据集， 包括19个类别共7273张图像：

柑橘虫害数据集，包括19个类别共7273张图像：柑橘凤蝶Papilio xuthus、柑橘红蜘蛛Panonchus citri McGregor、柑橘锈螨Phyllocoptes oleiverus ashmead、吹绵蚧Icerya purchasi Maskell、矢尖蚧Unaspis yanonensis、红蜡蚧Ceroplastes rubens、黑褐圆盾蚧Chrysomphalus ao

人工智能

算法

开发工具

柑橘虫害数据集包含19类7273张图像，涵盖柑橘凤蝶、红蜘蛛、锈螨等常见害虫。使用YOLOv8分类功能训练模型，提供完整流程：数据准备、分割、训练、评估及可视化。适用于农业病虫害智能识别系统开发，提升柑橘种植管理效率。

代码解释

YOLO

2026上云采购 | AI焕新·智启新局

datainlong

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

使用 YOLOv8 训练柑橘虫害分类检测 柑橘虫害数据集， 包括19个类别共7273张图像：-腾讯云开发者社区-腾讯云

使用 YOLOv8 训练柑橘虫害分类检测柑橘虫害数据集，包括19个类别共7273张图像：

使用 YOLOv8 训练柑橘虫害分类检测柑橘虫害数据集，包括19个类别共7273张图像：

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

使用 YOLOv8 训练柑橘虫害分类检测 柑橘虫害数据集， 包括19个类别共7273张图像：

使用 YOLOv8 训练柑橘虫害分类检测 柑橘虫害数据集， 包括19个类别共7273张图像：

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

使用 YOLOv8 训练柑橘虫害分类检测柑橘虫害数据集，包括19个类别共7273张图像：

使用 YOLOv8 训练柑橘虫害分类检测柑橘虫害数据集，包括19个类别共7273张图像：