蚊子视觉验证数据集 | 蚊虫识别 疟疾防控 病媒生物 细粒度分类 YOLO格式 深度学习数据集9014期数据集概述本数据集专注于病媒蚊虫视觉识别服务于公共卫生监测、疟疾防控及昆虫生态研究。数据涵盖多种按蚊、库蚊及非蚊干扰物适配形态学鉴定辅助、蚊种自动分类及孳生地调查等场景。数据集核心信息数据要素详细说明类别共8类具体为按蚊、冈比亚按蚊、其他按蚊、未知按蚊、库蚊、曼蚊、非蚊、不可用数量5000张图像格式图像为 JPG/PNG标签为 YOLO 格式的 txt 文件水平边界框应用价值1.疾病防控辅助野外监测点快速区分疟疾媒介按蚊与常见蚊种提升预警效率。2.孳生地排查通过蚊种分布识别潜在积水等孳生环境指导精准消杀。3.生态研究为蚊虫种群动态监测、杀虫剂抗性研究提供视觉数据基础。数据三要素解析类别与数量数据集定义8个细分类别涵盖4类按蚊含不同种、属及未知状态、库蚊、曼蚊、非蚊干扰物及不可用样本。具体如下按蚊Anopheles funestus疟疾主要媒介之一冈比亚按蚊Anopheles gambiae非洲疟疾主要传播媒介其他按蚊Anopheles other其他非优势种按蚊未知按蚊Anopheles unknown图像模糊或特征不明确但仍可判断为按蚊属库蚊Culex常见骚扰性蚊虫可传播乙脑等病毒曼蚊Mansonia常见于有水草环境的蚊种非蚊Non-mosquito图像中的非蚊虫类物体用于降低误报不可用Unusable图像质量严重不佳无法用于有效分类或检测图像总量约5000张规模适中适合作为蚊虫视觉识别算法的基准数据集。类别设置包含“非蚊”与“不可用”两类负样本有助于提升模型在实际部署中的泛化能力与误报抑制能力。格式与结构采用通用YOLO 格式每张图像对应一个同名txt标签文件包含类别 ID 与归一化边界框坐标可直接接入 YOLOv5、YOLOv8 等主流检测框架。图像与标签一一对应数据结构清晰便于进行训练/验证集划分与预处理集成。应用与扩展数据集可扩展用于蚊虫性别识别、龄期鉴定等更精细的生物学特征分析。可迁移至其他医学媒介如蜱、蠓、白蛉的视觉识别任务进行微调适配。类别分层设计按蚊大类别下含亚类便于构建层级分类模型实现从“是否为按蚊”到“具体种属”的逐步推理。知识普及蚊虫视觉识别难点蚊虫种类鉴定传统依赖显微镜下的形态学特征如翅脉、触须、鳞片对普通RGB图像而言种间差异极其细微且受拍摄角度、光照、蚊虫姿态及保存状态影响显著。深度学习通过提取高维纹理、轮廓等潜在特征可实现较高精度的自动分类。但需注意数据集中的“不可用”类表明模糊、受损图像是实际监测中不可忽视的部分需在模型部署时设计拒识机制。快速开始代码示例配置文件data.yaml示例train:./dataset/images/trainval:./dataset/images/valnc:8names:[anopheles_funestus,anopheles_gambiae,anopheles_other,anopheles_unknown,culex,mansonia,non_mosquito,unusable]启动 YOLOv8 训练针对细粒度分类推荐使用更深的骨干网络fromultralyticsimportYOLO modelYOLO(yolov8l.pt)# 更大模型以捕获细微特征model.train(datadata.yaml,epochs120,imgsz640,batch16)标签蚊虫识别疟疾防控病媒生物细粒度分类YOLO格式深度学习数据集计算机视觉