AI虫子种类识别数据集（近3000张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】

数据集已划分为 train、test、val 三个子集，共计近 3000张高清图像，每张图像都包含清晰的目标注释文件（YOLO格式），非常适合用于深度学习模型中的目标检测与分类任务，特别是YOLOv5、YOLOv8、YOLOv11等模型的训练与测试。

背景

在农业智能化与生态研究中，虫害识别一直是计算机视觉中的重要应用方向。不同种类的昆虫对作物、林木等有着截然不同的影响，及时准确识别虫子种类对于灾害预警、防治投放具有实际意义。

然而，公开可用的虫子图像数据集较为稀缺，尤其是面向小样本、边缘设备部署场景下的高质量虫子目标检测数据集更是凤毛麟角。因此，我们整理并清洗了一个近3000张图片的虫子识别数据集，涵盖多种常见虫子种类，标注标准规范，便于训练YOLO类目标检测算法。

数据集概述

数据集中每张图像都配有YOLO格式标注文件，标注内容包括虫子在图像中的类别编号和边界框（bounding box）坐标信息，适合用于目标检测训练任务。

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/

该结构简单明晰，开箱即用，便于接入各种深度学习训练流程。

数据集详情

• 图像总数：近3000张
• 图像格式：JPG（部分为PNG）
• 分辨率：大多在720p以上
• 注释格式：YOLO格式 .txt，与图像同名
• 类别数量：共计 7类常见虫子
• 数据划分：
  • train: 2089张
  • val: 447张
  • test: 448张

数据来源包括实地拍摄图像、公开虫子图像资源、手工清洗处理后的标注数据。所有标注均由专业人员完成，确保了高准确性和实用性。

所有类别均有丰富的样本图像，部分小样本类别适合用于数据增强、Few-shot等研究场景。

每个样本图像均包含虫体在图像中的 边界框（bounding box）坐标，并指明具体类别编号，完全遵循YOLO格式。例如某张图像的标注文件内容为：

3 0.512 0.439 0.187 0.274

表示第4类虫子在图像中的相对位置与大小。

适用场景

本数据集适用于多种计算机视觉研究与实际应用场景：

• ✅ YOLOv5 / YOLOv8 / YOLOv11等目标检测模型训练
• ✅ 多类虫子识别分类研究
• ✅ 数据增强/迁移学习实验
• ✅ 小样本学习 / 农业害虫识别模型开发
• ✅ AIoT边缘设备部署测试

同时该数据集也适合用作学生科研课题、AI竞赛、学术研究中的标准基准测试集。

结语

本数据集的发布旨在推动AI在生态虫害识别领域的落地应用，为模型提供高质量、结构清晰的数据资源。我们鼓励大家在遵守开源协议的前提下进行使用、训练与改进，也欢迎反馈优化建议。

后续我们也将提供基于该数据集的YOLO训练脚本、PyTorch使用示例、轻量化部署方案等配套资源，助力各类AI虫害识别项目高效落地。

昆虫是地球上最多样化的生物类群之一，其种类繁多，分布广泛，对生态系统的稳定性和农业生产具有重要影响。然而，由于昆虫种类众多且形态多样，传统的昆虫分类方法通常需要专家的知识和经验，费时费力。随着深度学习技术的迅速发展，基于图像的自动化昆虫分类方法逐渐成为研究热点。这不仅可以提高分类的效率和准确性，还能为昆虫学研究和生态监测提供有力支持。

数据集分享

通过网盘分享的文件：AI虫子种类识别数据集

链接: https://pan.baidu.com/s/1pKwBxIptk3PE6OUk5HxzCw?pwd=4ih3

总结

本次发布的《AI虫子种类识别数据集》为农业智能化、生态环境监测、AI视觉模型研究等领域提供了一个高质量、结构规范的图像识别基准数据集。数据集共包含近3000张已标注图像，覆盖7类常见虫子，采用标准YOLO格式，已按训练、验证、测试集划分完毕，可直接应用于YOLOv5、YOLOv8、YOLOv11等主流目标检测框架。

该数据集不仅适合用于常规的目标检测任务，也适合开展迁移学习、小样本学习、轻量化部署等前沿研究，特别契合农业害虫识别、生态虫类分类等实际应用需求。我们将持续更新并配套提供训练脚本与部署方案，欢迎研究者和开发者在合法合规范围内广泛使用与改进本数据集。

AI虫害识别，从此高效精准。