一、前言

在农业人工智能领域，作物病害检测是保障农产品产量和品质的重要环节，而基于计算机视觉的目标检测技术已成为病害快速识别的核心手段。草莓作为广泛种植的经济作物，叶片病害易导致长势受损、产量下降，及时准确的病害检测对草莓种植管理具有重要意义。

目前，公开的草莓叶病害专用数据集要么数量不足，要么标注不规范，给相关研究和项目开发带来诸多不便。为此，本文整理并标注了一套完整的草莓叶病害数据集，同时基于多个版本的YOLO模型完成训练测试，将数据集信息及训练结果进行分享，希望能为从事农业视觉、目标检测相关研究的开发者和学生提供参考。

二、数据集介绍

本次分享的草莓叶病害数据集，经过人工筛选、标注与整理，涵盖了草莓生长过程中常见叶片病害的典型场景，数据分布合理，可直接用于目标检测模型的训练、验证与测试。

数据集具体规模如下：训练集包含5901张图片，用于模型的参数学习与拟合；验证集包含247张图片，用于训练过程中模型超参数的调整与性能评估，避免模型过拟合；测试集包含246张图片，用于独立验证训练后模型的泛化能力和检测精度，确保模型性能的可靠性。整个数据集标注规范，边界框准确，能够满足YOLO等主流目标检测模型的训练需求。

三、模型训练与实测情况

为验证该数据集的实用性，本文选取了YOLO系列中多个经典且常用的版本进行训练测试，分别为YOLO v5、YOLO v8、YOLO v11、YOLO v12以及最新的YOLO v26。训练过程中，保持相同的数据集配置、超参数设置（学习率、迭代次数、批次大小等），确保不同版本模型的性能对比具有公平性。

训练完成后，生成了各版本模型的训练曲线（损失值变化曲线）、精度-召回曲线（PR曲线）、平均精度均值（mAP）等关键指标结果图。从实测结果来看，各版本YOLO模型基于该数据集均能实现较好的草莓叶病害检测效果，其中新版本模型在检测精度和速度上均有一定提升，具体性能差异可通过生成的结果图直观对比分析。这也进一步证明了该数据集具有良好的适配性和实用性，能够支撑不同版本目标检测模型的训练与性能对比实验。

四、数据集应用场景

该草莓叶病害数据集及对应的模型训练结果，适用场景广泛。对于高校学生而言，可直接用于本科或硕士阶段的毕设项目、课程设计，尤其适合农业工程、计算机视觉、人工智能等相关专业的学生开展目标检测方向的研究；对于科研人员，可基于该数据集进行模型改进、算法优化等研究工作，为草莓叶病害检测技术的创新提供数据支撑；对于工程开发者，可将数据集用于实际农业检测系统的开发，快速搭建草莓叶病害自动检测模型，助力智慧农业的落地应用。

五、总结与展望

本文分享了一套完整的草莓叶病害数据集，明确了数据集的规模与分布，并通过多版本YOLO模型的训练实测验证了数据集的实用性。该数据集解决了草莓叶病害检测领域公开数据稀缺、标注不规范的问题，能够为相关研究和项目开发节省大量的数据整理与标注时间。

后续，可基于该数据集进一步开展模型优化工作，比如结合数据增强技术提升模型的泛化能力，或针对特定病害场景优化模型结构，提高检测精度和实时性。同时，也希望本次数据集的分享能够促进农业视觉领域相关研究的交流与发展，助力更多高效、精准的作物病害检测技术落地应用，为智慧农业发展贡献一份力量。