前言

在农业智能检测领域，番茄病害的快速识别与诊断对提升作物产量、减少农药滥用具有重要现实意义。目标检测模型作为病害识别的核心技术之一，高质量标注数据集的缺失往往成为模型开发与优化的瓶颈。基于此，本文分享一套自主整理的番茄病害目标检测数据集，并基于YOLO系列的5个不同版本完成模型训练与测试，为相关领域的研究人员和开发者提供数据支撑与参考。

一、数据集基本信息

本次分享的数据集专门针对番茄病害目标检测场景构建，数据来源涵盖多种田间环境、不同病害类型及不同发病阶段的番茄样本，经过筛选、标注、清洗等多步处理，确保数据的有效性和可靠性。

数据集整体划分为训练集、验证集和测试集三部分，划分比例符合目标检测模型训练的常规需求，能够有效避免模型过拟合，保证训练效果的泛化能力。具体数据量如下：训练集1840张、验证集177张、测试集87张，所有样本均完成精准标注，标注格式适配YOLO系列模型的训练要求，可直接用于模型训练，无需额外进行格式转换或数据预处理工作。

二、模型训练及结果说明

为验证数据集的实用性和适配性，本次选用YOLO系列的5个主流版本（v5、v8、v11、v12、v26）进行模型训练测试。训练过程中采用统一的超参数配置和训练环境，确保不同版本模型的训练结果具有可比性，能够直观反映各版本模型在番茄病害检测任务上的性能差异。

训练完成后，已生成各版本模型的训练结果图，包括损失曲线、精确率-召回率曲线（PR曲线）、mAP等关键指标可视化图表。从训练结果来看，各版本模型均能基于该数据集实现较好的番茄病害检测效果，不同版本在检测精度、推理速度等方面各有优劣，可为后续针对特定场景（如实时检测、高精度检测）的模型选型提供参考依据。

三、总结与展望

本文分享的番茄病害目标检测数据集，数据量充足、划分规范、标注精准，且已通过YOLO多版本模型验证了其适配性，能够为农业病害检测领域的研究和开发工作提供有力的数据支持。无论是用于模型的基础训练、性能对比，还是用于病害检测算法的优化改进，该数据集都具有较高的实用价值。

后续将进一步优化数据集，扩充样本类型和数量，提升数据集的覆盖范围和鲁棒性。同时，也将基于该数据集开展更多模型优化工作，探索更适合番茄病害检测的技术方案。如需获取该数据集或相关训练结果图，可在评论区留言交流，欢迎各位同行共同探讨农业智能检测领域的技术问题，助力农业智能化发展。