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

鸭蛋粉

170人浏览 · 2026-05-29 07:00:00

鸭蛋粉 · 2026-05-29 07:00:00 发布

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。
在这里插入图片描述

📖 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。
在这里插入图片描述

🎯 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

在这里插入图片描述

📁 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
pip install ultralytics 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）

from ultralytics import YOLO
import torch

def train_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=0 if torch.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）

from ultralytics import YOLO
import cv2
import os

def calculate_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 = 0
    img_count = len([f for f in os.listdir(img_dir) if f.endswith(('jpg','png'))])

    for img_name in os.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
        for box in results[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")
    return total_count, avg_density

if __name__ == "__main__":
    calculate_emergence_rate(
        model_path="runs/train/weights/best.pt",
        img_dir="images/val"
    )