📦点击查看-已发布目标检测数据集合集（持续更新）

数据集名称	图像数量	应用方向	博客链接
🔌 电网巡检检测数据集	1600 张	电力设备目标检测	点击查看
🔥 火焰 / 烟雾 / 人检测数据集	10000张	安防监控，多目标检测	点击查看
🚗 高质量车牌识别数据集	10,000 张	交通监控 / 车牌识别	点击查看
🌿 农田杂草航拍检测数据集	1,200 张	农业智能巡检	点击查看
🐑 航拍绵羊检测数据集	1,700 张	畜牧监控 / 航拍检测	点击查看

…
更多数据集可点击此链接

🐠 鱼类健康状态检测数据集介绍

📌 数据集概览

本项目是专注于水产养殖与观赏鱼健康的计算机视觉数据集，共包含约 698 张高分辨率鱼类图像，主要用于训练深度学习模型对鱼类的健康状态进行二分类识别。该数据集为智能水产养殖、水族馆管理和鱼类疾病早期预警提供了高质量的训练基础。

• 图像数量：1698 张
• 类别数：2 类
• 适用任务：图像分类（Image Classification）
• 适配模型：ResNet、EfficientNet、MobileNet、Vision Transformer 等主流分类架构

包含类别

类别	英文名称	描述
健康鱼	healthy-fish	体表光滑、色泽正常、无明显病灶或损伤的健康个体
病鱼	sick-fish	体表出现溃烂、出血、霉斑、寄生虫附着、肿胀等异常症状的患病个体

数据集覆盖多种常见淡水鱼种的健康与病态表现，能够显著提升AI模型在水产养殖管理中的自动化监测能力与疾病预警效率。

🎯 应用场景

该数据集非常适用于以下农业与研究领域：

• 智能水产养殖系统
  自动识别池塘或循环水系统中病鱼，及时隔离并预警，减少大规模死亡损失。

• 水族馆健康管理
  辅助管理员监控观赏鱼健康状况，实现早发现、早治疗，降低死亡率。

• 渔业科研与教学
  作为鱼类病理学研究和兽医培训的教学材料，帮助快速识别典型病症。

• 电商平台验货
  在线上销售活鱼时，自动评估鱼只健康状态，提升消费者信任度。

• 智能投喂设备联动
  与自动投喂系统结合，在检测到病鱼时调整投喂策略或暂停投喂。

• 水质与疾病关联分析
  结合环境传感器数据，研究水质变化与鱼类健康状态的相关性。

🖼 数据样本展示

以下展示部分数据集内的样本图片（均为真实鱼类拍摄）：

数据集包含多种真实养殖与自然环境下的鱼类图像：

• 多鱼种覆盖：金鱼、锦鲤、鲫鱼、罗非鱼等多种常见淡水鱼
• 多病症表现：涵盖真菌感染、细菌性溃疡、寄生虫、外伤等多种病理特征
• 不同拍摄环境：水下、水面、手持特写、背景板等多种拍摄条件
• 不同光照条件：自然光、人工光源、水下光线折射等
• 清晰病灶特写：部分图像聚焦于病变部位，便于模型学习关键特征

图像来源于真实病例采集，具有高度的实用价值和挑战性，特别适合训练鲁棒性强的动物健康识别模型。

使用建议

1. 数据预处理优化

   • 标准化色彩空间，减少水体浑浊或反射干扰
   • 应用直方图均衡化或CLAHE增强病灶细节对比度
   • 统一图像尺寸（推荐224x224或512x512），保持鱼体主体居中

2. 模型训练策略

   • 使用在ImageNet上预训练的模型进行迁移学习
   • 采用分层学习率或余弦退火策略提升收敛效果
   • 针对小样本类别使用过采样或Focal Loss缓解不平衡问题

3. 实际部署考虑

   • 边缘设备优化：针对养殖场摄像头或手机App进行轻量化部署
   • 实时推理能力：优化模型延迟，满足现场快速诊断需求
   • 离线可用性：支持无网络环境下的本地运行

4. 应用场景适配

   • 移动端集成：开发微信小程序或独立App，支持养殖户自助拍摄分析
   • 养殖场监控对接：与现有视频监控系统无缝集成，实现自动报警
   • 云端API服务：提供批量上传和自动分类的云服务接口

5. 性能监控与改进

   • 建立按鱼种和病症划分的性能评估矩阵
   • 收集易混淆样本（如轻微寄生虫与正常鳞片、初期溃疡与擦伤）进行模型强化
   • 定期更新模型以适应新的病原体变异和养殖环境

🌟 数据集特色

• 临床真实性：所有图像来自真实病例，非合成或模拟数据
• 标注专业性：由水产兽医或经验丰富的养殖人员审核确认
• 病症代表性：涵盖多种高发、高致死率的鱼类疾病类型
• 技术兼容性：支持主流深度学习框架与移动端部署方案
• 持续维护：定期更新并扩展新病例，保持数据集时效性

📈 商业价值

该数据集在以下商业领域具有重要价值：

• 水产科技公司：构建核心健康监测引擎，提升产品竞争力
• 智能养殖设备商：集成到水质监控或投喂系统中，提供增值服务
• 水族馆与宠物店：用于客户咨询与售后服务，提高专业形象
• 渔业保险公司：用于灾害定损与风险评估，提高理赔效率

🔗 技术标签

计算机视觉 图像分类 鱼类健康 水产养殖 疾病检测 深度学习 ResNet 农业AI 智能监控 水族管理

---

注意: 本数据集仅限于农业研究、教育及商业开发用途。在实际生产中应用时，应结合专业兽医意见进行综合判断，避免单一依赖AI诊断结果。

YOLOv8 训练实战

本教程介绍如何使用 YOLOv8 对目标进行识别与检测。涵盖环境配置、数据准备、训练模型、模型推理和部署等全过程。

---

📦 1. 环境配置

建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。

# 创建并激活虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate  # Windows 用户使用 yolov8_env\Scripts\activate

安装 YOLOv8 官方库 ultralytics

pip install ultralytics

📁 2. 数据准备

2.1 数据标注格式（YOLO）

每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：

<class_id> <x_center> <y_center> <width> <height>

所有值为相对比例（0~1）。

类别编号从 0 开始。

2.2 文件结构示例

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

2.3 创建 data.yaml 配置文件

path: ./datasets
train: images/train
val: images/val

nc: 11
names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

🚀 3. 模型训练

YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。

yolo detect train \
  model=yolov8s.pt \
  data=./data.yaml \
  imgsz=640 \
  epochs=50 \
  batch=16 \
  project=weed_detection \
  name=yolov8s_crop_weed

参数	类型	默认值	说明
model	字符串	-	指定基础模型架构文件或预训练权重文件路径（.pt/.yaml）
data	字符串	-	数据集配置文件路径（YAML 格式），包含训练/验证路径和类别定义
imgsz	整数	640	输入图像的尺寸（像素），推荐正方形尺寸（如 640x640）
epochs	整数	100	训练总轮次，50 表示整个数据集会被迭代 50 次
batch	整数	16	每个批次的样本数量，值越大需要越多显存
project	字符串	-	项目根目录名称，所有输出文件（权重/日志等）将保存在此目录下
name	字符串	-	实验名称，用于在项目目录下创建子文件夹存放本次训练结果

关键参数补充说明：

1. model=yolov8s.pt

   • 使用预训练的 YOLOv8 small 版本（平衡速度与精度）
   • 可用选项：yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)

2. data=./data.yaml

   # 典型 data.yaml 结构示例
   path: ../datasets/weeds
   train: images/train
   val: images/val
   names:
     0: Bent_Insulator
     1: Broken_Insulator_Cap
     2: ...
     3: ...
   

📈 4. 模型验证与测试

4.1 验证模型性能

yolo detect val \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  data=./data.yaml

参数	类型	必需	说明
model	字符串	是	要验证的模型权重路径（通常为训练生成的 best.pt 或 last.pt）
data	字符串	是	与训练时相同的 YAML 配置文件路径，需包含验证集路径和类别定义

关键参数详解

1. model=runs/detect/yolov8s_crop_weed/weights/best.pt

   • 使用训练过程中在验证集表现最好的模型权重（best.pt）
   • 替代选项：last.pt（最终epoch的权重）
   • 路径结构说明：

     runs/detect/
     └── [训练任务名称]/
         └── weights/
             ├── best.pt   # 验证指标最优的模型
             └── last.pt   # 最后一个epoch的模型
     

2. data=./data.yaml

   • 必须与训练时使用的配置文件一致
   • 确保验证集路径正确：

     val: images/val  # 验证集图片路径
     names:
       0: crop
       1: weed
     

常用可选参数

参数	示例值	作用
batch	16	验证时的批次大小
imgsz	640	输入图像尺寸（需与训练一致）
conf	0.25	置信度阈值（0-1）
iou	0.7	NMS的IoU阈值
device	0/cpu	选择计算设备
save_json	True	保存结果为JSON文件

典型输出指标

Class     Images  Instances      P      R      mAP50  mAP50-95
all        100       752      0.891  0.867    0.904    0.672
crop       100       412      0.912  0.901    0.927    0.701
weed       100       340      0.870  0.833    0.881    0.643

4.2 推理测试图像

yolo detect predict \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  source=./datasets/images/val \
  save=True

🧠 5. 自定义推理脚本（Python）

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt')

# 推理图像
results = model('test.jpg')

# 可视化并保存结果
results[0].show()
results[0].save(filename='result.jpg')

🛠 6. 部署建议

✅ 本地运行：通过 Python 脚本直接推理。

🌐 Web API：可用 Flask/FastAPI 搭建检测接口。

📦 边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。

导出示例：

yolo export model=best.pt format=onnx

📌 总结流程

阶段	内容
✅ 环境配置	安装 ultralytics, PyTorch 等依赖
✅ 数据准备	标注图片、组织数据集结构、配置 YAML
✅ 模型训练	使用命令行开始训练 YOLOv8 模型
✅ 验证评估	检查模型准确率、mAP 等性能指标
✅ 推理测试	运行模型检测实际图像目标
✅ 高级部署	导出模型，部署到 Web 或边缘设备