番茄叶片
收藏资源简介:
## 数据集描述 ### 数据集简介 数据集包含番茄叶片图像。 ### 数据集支持的任务 可用于模型验证、性能评估、模型分类训练等。 ## 数据集的格式和结构 ### 数据格式 数据集包括训练集train,测试集test和验证集val,train,test和val文件夹之下按文件夹进行分类,共有3个子文件夹,同类别标签的图片在同一个文件夹下,图片格式为JPG。 ### 数据集加载方式 ```python from modelscope.msdatasets import MsDataset from modelscope.utils.constant import DownloadMode ms_train_dataset = MsDataset.load( 'tomato-leaf-test', namespace='mimioo', subset_name='default', split='train2017') # 加载训练集 print(next(iter(ms_train_dataset))) ms_test_dataset = MsDataset.load( 'tomato-leaf-test', namespace='mimioo', subset_name='default', split='test2017') # 加载测试集 print(next(iter(ms_train_dataset))) ms_val_dataset = MsDataset.load( 'tomato-leaf-test', namespace='mimioo', subset_name='default', split='val2017') # 加载验证集 print(next(iter(ms_val_dataset))) ### 数据分片 本数据集包含train,test,和val数据集。 | 子数据集 | train | val | test | |---------|-------------:|-----------:|---------:| | default | 训练集 | 验证集 | 测试集 | ### Clone with HTTP ```bash git clone https://www.modelscope.cn/datasets/mimioo/tomato-leaf-test.git ```
### 数据集简介 本数据集收录番茄叶片图像。 ### 数据集支持的任务 可应用于模型验证、性能评测以及分类模型训练等场景。 ## 数据集的格式和结构 ### 数据格式 本数据集包含训练集(train)、测试集(test)与验证集(val)三类子数据集,各子数据集内部均按文件夹进行类别划分:带有相同类别标签的图像存储于同一类别文件夹中,本数据集共包含3个类别子文件夹,所有图像格式均为JPG。 ### 数据集加载方式 python from modelscope.msdatasets import MsDataset from modelscope.utils.constant import DownloadMode ms_train_dataset = MsDataset.load( 'tomato-leaf-test', namespace='mimioo', subset_name='default', split='train2017') # 加载训练集 print(next(iter(ms_train_dataset))) ms_test_dataset = MsDataset.load( 'tomato-leaf-test', namespace='mimioo', subset_name='default', split='test2017') # 加载测试集 print(next(iter(ms_train_dataset))) ms_val_dataset = MsDataset.load( 'tomato-leaf-test', namespace='mimioo', subset_name='default', split='val2017') # 加载验证集 print(next(iter(ms_val_dataset))) ### 数据分片 本数据集包含训练集、测试集与验证集三类子数据集。 | 子数据集标识 | 训练集 | 验证集 | 测试集 | |---------|-------:|-------:|-------:| | default | 训练集 | 验证集 | 测试集 | ### HTTP 克隆 bash git clone https://www.modelscope.cn/datasets/mimioo/tomato-leaf-test.git




