当前位置：首页 > news >正文

无人机航拍向日葵识别数据集｜智慧农业作物检测｜出苗率监测｜YOLO目标检测数据集

news 2026/6/13 18:14:08

无人机航拍向日葵识别数据集｜智慧农业作物检测｜出苗率监测｜YOLO目标检测数据集

传统农业靠人工巡检向日葵出苗、长势与分布，效率低、误差大、成本高；无人机航拍+AI视觉正重构田间监测范式，单类别精准数据集成为算法落地关键——本数据集专为向日葵视觉检测打造，助力出苗统计、长势评估、产量预估等智慧农业场景快速落地。

📖 项目简介

Sunflower-UAV-Detection 是面向智慧农业的无人机航拍单类别目标检测数据集，聚焦向日葵植株精准识别与出苗率量化分析，适配YOLO系列、Faster-RCNN、RetinaNet等主流检测框架，用于作物识别、生长监测、田间巡检、数字化管理等工程与科研场景。

🎯 核心亮点

单类别精准标注：仅向日葵(Tournesol)，无类别干扰，标注纯度高、训练收敛快
航拍实景覆盖：农田复杂背景，光照/遮挡/密度差异大，泛化能力强
规模适中：有效避免过拟合，兼顾训练效果与存储/算力成本
开箱即用：兼容YOLO格式，直接对接训练脚本，快速启动模型迭代

📊 数据集详情

信息项	详细说明
任务类型	计算机视觉·目标检测
目标类别	向日葵(Tournesol)，单类别
图像总量	1459张无人机航拍图
数据格式	JPG/PNG，支持YOLO标注
适用场景	出苗率统计、植株计数、长势监测、分布测绘、智慧巡检
配套能力	无预训练模型，可直接训练自定义权重

📁 目录结构

Sunflower-UAV-Detection/ ├── images/ # 原始航拍图像 │ ├── train/ # 训练集 │ └── val/ # 验证集 ├── labels/ # YOLO格式标注文件 │ ├── train/ │ └── val/ ├── data.yaml # 数据集配置文件 ├── train.py # 训练脚本 ├── inference.py # 推理脚本 └── README.md

🔧 快速开始（YOLOv8实战代码）

1. 环境安装

# 安装核心依赖pipinstallultralytics opencv-python torch

2. 数据集配置（data.yaml）

# 向日葵无人机检测配置 - 单类别精准训练path:./Sunflower-UAV-Detection# 数据集根路径train:images/train# 训练图像路径val:images/val# 验证图像路径nc:1# 类别数=向日葵names:['Tournesol']# 类别名称

3. 模型训练脚本（train.py）

fromultralyticsimportYOLOimporttorchdeftrain_sunflower_model():""" 【智慧农业-向日葵检测】训练注释 场景：无人机航拍、田间复杂背景、单类别高召回 策略：用YOLOv8s平衡速度与精度；imgsz=640适配航拍分辨率； 单类别无需多分类Loss，聚焦定位与置信度 """# 加载轻量预训练模型，适配农业边缘部署model=YOLO("yolov8s.pt")# 启动训练：100轮确保收敛，批次16，图像640，单类别加速收敛model.train(data="data.yaml",epochs=100,imgsz=640,batch=16,device=0iftorch.cuda.is_available()else"cpu",patience=10,# 早停防止过拟合save=True# 保存最优权重)if__name__=="__main__":train_sunflower_model()

4. 出苗率推理与计数（inference.py）

fromultralyticsimportYOLOimportcv2importosdefcalculate_emergence_rate(model_path,img_dir,area_per_img=1.0):""" 【出苗率计算核心函数】农业场景专用 输入：模型路径、航拍图目录、单图覆盖面积(亩) 输出：单图株数、全局平均密度、出苗率估算 """model=YOLO(model_path)total_count=0img_count=len([fforfinos.listdir(img_dir)iff.endswith(('jpg','png'))])forimg_nameinos.listdir(img_dir):img_path=os.path.join(img_dir,img_name)img=cv2.imread(img_path)# 置信度0.25，IOU0.45，农业遮挡场景保召回results=model(img,conf=0.25,iou=0.45)# 统计当前图向日葵数量count=len(results[0].boxes)total_count+=count# 绘制检测框与计数forboxinresults[0].boxes:x1,y1,x2,y2=map(int,box.xyxy[0])cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)cv2.putText(img,f"Count:{count}",(20,50),cv2.FONT_HERSHEY_SIMPLEX,1.5,(0,0,255),3)cv2.imwrite(f"output/{img_name}",img)avg_density=total_count/(img_count*area_per_img)print(f"总株数：{total_count}")print(f"平均密度：{avg_density:.1f}株/亩")returntotal_count,avg_densityif__name__=="__main__":calculate_emergence_rate(model_path="runs/train/weights/best.pt",img_dir="images/val")