fmagot01/beans_all_preprocessed

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
dataset_info:
features:
- name: image_file_path
dtype: string
- name: image
dtype: image
- name: labels
dtype:
class_label:
names:
'0': angular_leaf_spot
'1': bean_rust
'2': healthy
splits:
- name: train
num_bytes: 143754816.662
num_examples: 1034
- name: validation
num_bytes: 18514596.0
num_examples: 133
- name: test
num_bytes: 17719412.0
num_examples: 128
download_size: 179978089
dataset_size: 179988824.662
---
# Dataset Card for "beans_all_preprocessed"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

This dataset contains preprocessed bean images for classification tasks. It is divided into train, validation, and test sets, each containing a different number of image files. The image features include the image file path, the image itself, and the corresponding labels. The labels are categorized into three classes: angular_leaf_spot, bean_rust, and healthy. Detailed information about the dataset includes the size and number of examples for each split, as well as the total download and dataset size.

原始信息汇总

数据集概述

数据集配置

• 配置名称: default
• 数据文件路径:
  • 训练集: data/train-*
  • 验证集: data/validation-*
  • 测试集: data/test-*

数据集信息

• 特征:
  • 名称: image_file_path
    • 数据类型: string
  • 名称: image
    • 数据类型: image
  • 名称: labels
    • 数据类型: class_label
      • 类别名称:
        • 0: angular_leaf_spot
        • 1: bean_rust
        • 2: healthy

数据集分割

• 训练集:
  • 字节数: 143754816.662
  • 样本数: 1034
• 验证集:
  • 字节数: 18514596.0
  • 样本数: 133
• 测试集:
  • 字节数: 17719412.0
  • 样本数: 128

数据集大小

• 下载大小: 179978089
• 数据集大小: 179988824.662

搜集汇总

数据集介绍

构建方式

在植物病理学与计算机视觉交叉领域，精准的叶片病害识别对农业生产至关重要。该数据集基于豆类作物叶片图像构建，原始数据经过预处理后形成标准化资源。数据集划分为训练集、验证集和测试集三个子集，其中训练集包含1034个样本，验证集133个样本，测试集128个样本。所有图像以文件路径形式存储，并关联对应的图像数据，标签体系涵盖角状叶斑病、豆锈病和健康三种类别，采用分类标签格式进行标注。

使用方法

使用该数据集时，可通过HuggingFace Datasets库的load_dataset函数加载，指定数据集名称即可自动下载并划分数据。加载后可通过字典键访问'image'字段获取图像张量，'labels'字段获取对应整数标签。图像数据可直接输入预训练卷积神经网络或自定义模型，标签映射需参考类别名称顺序。建议在训练前对图像进行归一化与数据增强，以提升模型泛化能力。

背景与挑战

背景概述

在植物病理学与计算机视觉交叉领域，农作物病害的精准识别是保障粮食安全的关键技术之一。由fmagot01团队构建的beans_all_preprocessed数据集，聚焦于豆类叶部病害的智能诊断，创建于深度学习农业应用蓬勃发展的时期。该数据集包含1034张训练图像、133张验证图像及128张测试图像，覆盖角斑病、豆锈病与健康叶片三类标签，为细粒度图像分类任务提供了标准化基准。其预处理后的图像数据降低了环境噪声干扰，显著提升了模型泛化能力，在农业AI领域具有里程碑意义，为后续智慧农业中的病害预警系统奠定了数据基础。

当前挑战

该数据集面临的核心挑战包括：其一，病害类别间视觉特征高度相似，如角斑病与锈病早期症状难以区分，对模型判别能力提出严苛要求；其二，样本规模有限（总计1295张图像），易导致深度模型过拟合，需借助数据增强或迁移学习策略缓解；其三，构建过程中需克服田间光照、叶片姿态等自然变异，预处理虽消除部分噪声，但极端场景（如重叠病斑）的标注一致性仍是难点。此外，类别不平衡（健康样本占比可能较低）进一步加剧了模型鲁棒性优化的复杂性。

常用场景

经典使用场景

在植物病理学与计算机视觉交叉领域，'beans_all_preprocessed' 数据集为豆类作物叶部病害的智能识别提供了标准化的图像资源。该数据集包含1034张训练图像、133张验证图像和128张测试图像，覆盖角斑病、豆锈病和健康叶片三种类别，经过预处理的图像可直接用于深度学习模型的训练与评估。经典使用场景聚焦于构建基于卷积神经网络的分类器，实现病害的自动化诊断，例如利用预训练的ResNet或EfficientNet架构进行迁移学习，以提升小样本条件下的识别精度。

解决学术问题

该数据集有效解决了豆类作物病害识别中数据稀缺与类别不平衡的学术难题。通过提供规范的标注图像，研究者可系统探索数据增强策略、注意力机制及轻量化模型在农业病害检测中的效能。其意义在于推动了细粒度图像分类技术在植物健康监测中的应用，为后续研究如多病害共存场景下的分割与定位奠定了数据基础，促进了植物表型组学与精准农业的交叉融合。

实际应用

在实际生产环境中，该数据集支撑着移动端病害诊断系统的开发。基于此训练的模型可集成于田间巡检无人机或农户智能手机应用程序，实时拍摄豆类叶片并输出病害类型与严重程度。例如，在非洲小农户农业中，此类工具能辅助缺乏植保专家的地区快速识别角斑病或锈病，从而指导针对性农药喷洒，减少产量损失并降低化学药剂滥用风险。

数据集最近研究

最新研究方向

在植物病理学与计算机视觉交叉领域，fmagot01/beans_all_preprocessed数据集为豆类作物病害的自动化诊断提供了关键支撑。当前前沿研究方向聚焦于利用深度学习模型（如卷积神经网络和视觉Transformer）对该数据集中的角斑病、豆锈病及健康叶片图像进行精准分类，探索小样本学习与迁移学习策略以提升模型在农业实际场景中的泛化能力。结合智慧农业热点，该数据集推动了边缘计算设备上轻量化病害检测系统的研发，助力实时监测与精准施药，对保障全球豆类粮食安全及减少农药滥用具有深远意义。