作物病虫害识别数据集下载指南：PlantVillage、IP102 来源与许可证

一、先区分清楚：你需要的是“病害”还是“虫害”

这两者常被合在一起称呼，但实际上是两套完全不同的数据集，选错方向会浪费大量时间。

• 病害：指叶片上的斑点、霉斑、枯黄等症状。经典数据集是PlantVillage（官方仓库：https://github.com/spMohanty/PlantVillage-Dataset），收录 5 万多张实验室拍摄的单片叶子照片，覆盖苹果、葡萄、番茄等作物。该数据集免费直接下载，无需注册。需要注意的是，它是在干净背景下拍摄的单片叶子，迁移到大田场景使用时效果会下降——模型在数据集上可达 95% 的准确率，落到实际田间可能降至 70% 左右。
• 虫害：指蚜虫、螟虫等害虫本身。绕不开的是IP102（https://github.com/xpwu95/IP102），共 7.5 万张图、102 类害虫，其中 1.9 万张带标注框，可用于检测任务。同样免费直接下载。

不建议使用第三方拼合的“病虫害合集”，它们并非官方权威来源。先明确需求是“病”还是“虫”，再到对应来源查找，可以节省大量时间。

数据集筛选决策流程图

为了更直观地展示如何根据任务类型和场景筛选数据集，可以参考以下决策路径：

流程图说明：

1. 从任务类型开始：首先确定你的任务是分类、检测还是分割。
2. 检测任务：直接选择IP102（实验室虫害检测）。
3. 分割任务：直接选择PlantSeg（田间病害分割）。
4. 分类任务：进一步按场景选择：
   • 实验室场景→ 选择PlantVillage（实验室病害分类）
   • 田间场景→ 选择Cassava（田间病害分类）

此流程图基于后文表格中的四个核心数据集（PlantVillage、IP102、Cassava、PlantSeg）构建，涵盖了主要的任务类型和场景组合。

核心数据集横向对比

为了方便快速了解四个核心数据集的关键信息，下表整理了它们的主要特征：

注：AI Challenger 2018 农作物病害集（61 类、4.7 万张）因原官网已停止运行，未列入对比表。建议优先使用飞桨或天池上的同类替代数据集。

如何根据表格快速筛选数据集？

1. 按任务类型筛选：

   • 分类任务：选择 PlantVillage 或 Cassava
   • 检测任务：选择 IP102（包含标注框）
   • 分割任务：选择 PlantSeg

2. 按场景筛选：

   • 实验室场景（干净背景）：选择 PlantVillage 或 IP102
   • 田间场景（真实环境）：选择 Cassava 或 PlantSeg

3. 组合筛选示例：

   • 需要田间病害分类→ 选择Cassava
   • 需要实验室虫害检测→ 选择IP102
   • 需要田间病害分割→ 选择PlantSeg
   • 需要实验室病害分类→ 选择PlantVillage

结合"下载难度"列，可以快速判断获取成本：⭐️ 简单表示可直接下载，⭐⭐ 中等表示需要注册或接受平台规则。

二、知道去哪找，更要会挑

可靠的下载入口有多个，按需选用即可。

国内网络访问友好：飞桨 AI Studio 与阿里云天池

• 飞桨 AI Studio（https://aistudio.baidu.com/datasetoverview）：国内可直接下载，无需翻墙。搜索“病虫害”即可找到 PlantVillage 镜像、农业病虫害识别、小麦病害等数据集。需注册百度账号，免费使用。
• 阿里云天池（https://tianyi.aliyun.com/）：可搜索水稻病害（7000 张）或 102 类害虫（2 万张 YOLO 格式）数据集。需阿里云账号，免费使用。

面向真实场景：不要只用实验室数据集

若目标是做出可实际落地的模型，应优先选择“田间实拍”的数据集。例如 Kaggle 上的Cassava 木薯叶病害（https://www.kaggle.com/competitions/cassava-leaf-disease-classification），其中 2 万多张由乌干达农民用手机在田间拍摄，包含杂草、复杂光线等真实干扰，模型迁移到实际场景时性能损失更小。下载需注册 Kaggle 账号并接受竞赛规则。

此外，Zenodo 上的PlantSeg 分割集（https://zenodo.org/records/14051480）也是田间拍摄。需特别注意：该数据集采用 CC BY-NC 4.0 许可，禁止商用。若用于商业项目，看到“NC”即应避开。

提醒：已失效的数据集不必强求

AI Challenger 2018 农作物病害集（61 类、4.7 万张）在国内曾广为使用。但原官网已停止运行，目前网络上仅存第三方转存的百度网盘链接（https://github.com/spytensor/plants_disease_detection，提取码：iksk）。此类链接随时可能失效，完整性也无保证。与其依赖该来源，不如直接使用飞桨或天池上的同类数据集，更为稳妥。

三、许可证必须逐一核对，避免版权风险

许可证是最容易出问题的环节。几个典型情况：

• PlantVillage：多标注为 CC BY 3.0（署名即可），但应以官方仓库的 LICENSE 为准。
• Zenodo 上的 PlantSeg：CC BY-NC 4.0，不可商用，违反可能面临侵权追责。
• Kaggle 上的 Cassava：受竞赛规则约束，需确认是否允许商用。

用于商业项目前，必须逐个核对官方页面的 LICENSE，不要依据镜像站的标注。此外，二手资料中的数字也不应直接照搬（例如 PlantVillage 有标 54305 的、有标 54306 的），应以官方一手信息为准。

四、如果来源过于分散，希望省力

上述来源分布在多个平台，“病”与“虫”两类、“实验室”与“田间”两种，许可证也各不相同。逐个查找、逐个判断是否可下载、是否可商用，确实费时费力。

如果你不想自己逐个平台核验，可以考虑使用数据聚合平台或学术搜索引擎，一次性查找多个来源。但请注意，无论使用何种工具，最终都需要亲自核对每个数据集的官方页面，确认其实际可得性、下载方式以及许可证条款。

说明：本文为公开资料整理，仅供参考；平台政策、价格、下载方式与链接随时可能变化，本文不保证持续更新，请以各官方页面最新信息为准。

说明：本文为公开资料整理，仅供参考；平台政策、价格、下载方式与链接随时可能变化，本文不保证持续更新，请以各官方页面最新信息为准。

五、下一步：模型训练与评估建议

选定数据集后，下一步是选择合适的模型进行训练与评估。针对上文提到的三个核心数据集，以下是一些基线模型与关键评估指标的建议，并特别提醒注意过拟合问题。

1. PlantVillage（病害分类）

• 推荐基线模型：ResNet系列（如 ResNet-50, ResNet-101）是图像分类任务的经典选择，在 PlantVillage 上被广泛用作基线。其残差结构能有效训练深层网络，快速收敛。对于追求轻量化的场景，可考虑EfficientNet或MobileNet。
• 关键评估指标：
  • 准确率 (Accuracy)：最直观的指标，反映模型整体分类正确率。
  • 宏平均 F1 分数 (Macro-F1)：当各类别样本数量不均衡时，此指标比准确率更能反映模型对少数类的识别能力。
• 注意过拟合：PlantVillage 是实验室环境下拍摄的干净背景图片，模型极易在训练集上达到很高准确率（如 95%+），但在真实田间场景（如 Cassava 数据集）上测试时性能可能大幅下降。务必使用数据增强（随机裁剪、旋转、色彩抖动）和早停法 (Early Stopping)，并在独立的验证集上监控性能。

2. IP102（虫害检测）

• 推荐基线模型：YOLO系列（如 YOLOv5, YOLOv8）或Faster R-CNN。YOLO 系列在速度和精度上取得了较好平衡，适合实时检测需求；Faster R-CNN 作为两阶段检测器的代表，通常能获得更高的定位精度。
• 关键评估指标：
  • 平均精度均值 (mAP)：目标检测的核心指标，综合了不同 IoU（交并比）阈值和置信度阈值下的精度，常用 mAP@0.5 或 mAP@0.5:0.95。
  • 每类平均精度 (AP per class)：IP102 包含 102 类害虫，各类别数量差异大，查看每类的 AP 有助于发现模型对稀有类别的识别短板。
• 注意过拟合：IP102 数据量较大，但类别极多（102类），存在严重的长尾分布问题（少数类别样本极少）。建议采用类别平衡采样、焦点损失 (Focal Loss)或迁移学习（在 COCO 等大型检测数据集上预训练）来缓解过拟合到头部类别的问题。

3. Cassava（田间病害分类）

• 推荐基线模型：同样推荐ResNet或EfficientNet系列。由于 Cassava 是田间拍摄，背景复杂，Vision Transformer (ViT)或Swin Transformer等基于注意力机制的模型可能捕捉更全局的上下文信息，表现更优，但需要更多计算资源。
• 关键评估指标：
  • 准确率 (Accuracy)。
  • Cohen‘s Kappa 系数：该指标考虑了随机分类的准确性，对于类别不平衡的数据集（如 Cassava）能更稳健地评估模型性能，在 Kaggle 该竞赛中曾被用作官方评估指标。
• 注意过拟合：Cassava 数据量相对较小（约 2.1 万张），且包含真实环境干扰。过拟合表现为在训练集上表现良好，但在测试集或新采集的田间图片上表现差。除了常规的数据增强和早停法，强烈建议使用k 折交叉验证来更可靠地评估模型泛化能力，并考虑使用集成学习（如多个模型的预测结果取平均）来提升稳定性。

通用建议

• 划分数据集：始终将数据划分为训练集、验证集和测试集（例如 70%/15%/15%）。测试集仅在最终评估时使用一次。
• 监控训练过程：绘制训练和验证集的损失 (Loss)与准确率曲线。若验证集指标早于训练集指标开始下降，则是过拟合的明显信号。
• 利用预训练权重：几乎所有上述模型都在 ImageNet 等大型数据集上有预训练权重。使用它们进行迁移学习，可以加速收敛并提升最终性能。

选择模型时，应从项目对精度、速度和计算资源的需求出发进行权衡。建议先从上述基线模型开始，快速验证数据 pipeline 和模型可行性，再逐步尝试更复杂的架构或优化策略。

参考资料

数据集

PlantVillage

• 官方仓库：https://github.com/spMohanty/PlantVillage-Dataset
• 论文：Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419. https://doi.org/10.3389/fpls.2016.01419

IP102

• 官方仓库：https://github.com/xpwu95/IP102
• 论文：Wu, X., Zhan, C., Lai, Y. K., Cheng, M. M., & Yang, J. (2019). IP102: A large-scale benchmark dataset for insect pest recognition. InProceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(pp. 8787-8796). https://openaccess.thecvf.com/content_CVPR_2019/html/Wu_IP102_A_Large-Scale_Benchmark_Dataset_for_Insect_Pest_Recognition_CVPR_2019_paper.html

Cassava Leaf Disease Classification

• Kaggle 竞赛页面：https://www.kaggle.com/competitions/cassava-leaf-disease-classification
• 数据集下载：https://www.kaggle.com/competitions/cassava-leaf-disease-classification/data
• 相关论文：Ramcharan, A., Baranowski, K., McCloskey, P., Ahmed, B., Legg, J., & Hughes, D. P. (2017). Deep learning for image-based cassava disease detection. Frontiers in Plant Science, 8, 1852. https://doi.org/10.3389/fpls.2017.01852

PlantSeg

• Zenodo 记录：https://zenodo.org/records/14051480
• 许可证：CC BY-NC 4.0（非商业使用）

AI Challenger 2018 农作物病害数据集

• 原官网：已停止运行（原地址：https://challenger.ai/competition/pdr2018）
• 第三方转存仓库：https://github.com/spytensor/plants_disease_detection
• 相关论文：Tian, Y., Yang, G., Wang, Z., Wang, H., Li, E., & Liang, Z. (2019). Apple detection during different growth stages in orchards using the improved YOLO-V3 model. Computers and Electronics in Agriculture, 157, 417-426. https://doi.org/10.1016/j.compag.2019.01.012

平台

飞桨 AI Studio

• 官方主页：https://aistudio.baidu.com
• 数据集总览：https://aistudio.baidu.com/datasetoverview
• 文档中心：https://ai.baidu.com/ai-doc

阿里云天池

• 官方主页：https://tianyi.aliyun.com
• 数据集平台：https://tianchi.aliyun.com/dataset
• 开发者文档：https://help.aliyun.com/zh/tianchi

Kaggle

• 官方主页：https://www.kaggle.com
• 数据集页面：https://www.kaggle.com/datasets
• 竞赛页面：https://www.kaggle.com/competitions

Zenodo

• 官方主页：https://zenodo.org
• 搜索页面：https://zenodo.org/search
• 关于 Zenodo：https://about.zenodo.org

其他相关资源

• CC BY 3.0 许可证：https://creativecommons.org/licenses/by/3.0/
• CC BY-NC 4.0 许可证：https://creativecommons.org/licenses/by-nc/4.0/
• GitHub 使用指南：https://docs.github.com
• 学术搜索引擎：Google Scholar (https://scholar.google.com)、arXiv (https://arxiv.org)

注：链接有效性可能随时间变化，建议访问时确认是否为最新版本。