农业数字化｜玉米地田间作物识别数据集｜幼苗出苗率｜杂草识别｜YOLO格式｜AI智能农田应用

在智慧农业加速落地的今天，田间作物精准识别、出苗率智能统计、杂草自动化防控已成为提升种植效率与产量的核心环节。传统人工巡检效率低、误差大，而高质量标注数据集与轻量化深度学习模型，正成为破解农田视觉感知“最后一公里”的关键抓手。

📌 项目概述

本数据集为农业场景专用目标检测数据集，聚焦玉米田间真实环境，面向玉米幼苗识别、出苗率统计、杂草智能检测等核心任务，原生支持YOLO系列模型快速训练与部署，助力农业AI工程化落地。

🧾 数据集核心信息

✅ 数据集优势

• 场景纯净：无冗余背景，全为玉米田间真实环境，降低模型干扰
• 标注规范：严格遵循YOLO标注规范，开箱即用，减少数据预处理成本
• 细分充分：11个子集覆盖苗期、成株期、稀疏/稠密杂草等多样工况
• 工程友好：适配YOLOv5/v8/v10/v12等主流框架，支持端侧与云端部署

🧠 深度学习实战代码（玉米-杂草YOLO训练）

# -*- coding: utf-8 -*-
"""
玉米地杂草识别训练脚本 · 农业场景专用
适配本数据集：玉米(corn) + 杂草(weeds)二分类检测
场景经验：农田低对比度、叶片重叠、光照多变
训练策略：小批次、高增强、早停，适配农田小目标特性
"""
from ultralytics import YOLO
import torch

# ====================== 核心配置 ======================
# 数据集配置（对应本数据集目录结构）
DATA_YAML = "maize_weeds.yaml"
# 选用轻量模型，适配无人机/边缘设备部署
MODEL = "yolov8s.pt"
EPOCHS = 150
BATCH_SIZE = 16
IMAGE_SIZE = 640
# 农田场景建议：低置信度+适中IOU，减少漏检
CONF_THRESH = 0.25
IOU_THRESH = 0.45

# ====================== 训练启动 ======================
def train_maize_weeds():
    # 优先使用GPU
    device = 0 if torch.cuda.is_available() else "cpu"
    model = YOLO(MODEL)
    
    # 训练参数（农田数据增强经验值）
    model.train(
        data=DATA_YAML,
        epochs=EPOCHS,
        batch=BATCH_SIZE,
        imgsz=IMAGE_SIZE,
        device=device,
        patience=20,          # 早停，防止过拟合
        cache=True,           # 加速读取
        augment=True,         # 开启增强
        hsv_h=0.015,          # 色调（农田光照鲁棒）
        hsv_s=0.3,            # 饱和度
        hsv_v=0.4,            # 明度
        degrees=10,           # 旋转限制
        perspective=0.001,    # 轻微透视
        flipud=0.1,           # 上下翻转
        fliplr=0.5,           # 左右翻转
        conf=CONF_THRESH,
        iou=IOU_THRESH,
        project="runs/maize_weeds",
        name="yolov8s_maize",
        exist_ok=True
    )

# ====================== 推理验证 ======================
def detect_field_image(model_path, img_path):
    """
    单张田间图像推理：输出玉米/杂草位置与置信度
    """
    model = YOLO(model_path)
    results = model.predict(
        source=img_path,
        conf=CONF_THRESH,
        iou=IOU_THRESH,
        imgsz=IMAGE_SIZE,
        save=True,
        show=False
    )
    # 打印出苗/杂草统计信息
    for result in results:
        boxes = result.boxes
        corn_num = sum(1 for d in boxes.cls if int(d) == 0)
        weed_num = sum(1 for d in boxes.cls if int(d) == 1)
        print(f"🌽 玉米株数: {corn_num} | 🌿 杂草株数: {weed_num}")

if __name__ == "__main__":
    train_maize_weeds()
    # 训练完成后推理
    # detect_field_image("runs/maize_weeds/yolov8s_maize/weights/best.pt", "test.jpg")

📋 配套YAML配置（maize_weeds.yaml）

# 玉米-杂草检测数据集配置 · 对齐本数据集结构
path: ./datasets/adventices-mais  # 数据集根目录
train: images/train               # 训练集路径
val: images/val                   # 验证集路径
test: images/test                 # 测试集（可选）

# 类别定义（与数据集标注完全一致）
nc: 2
names:
  0: corn
  1: weeds

🎯 典型应用场景

1. 出苗率智能统计：无人机巡田→图像识别→自动计算出苗率→生成田间报表
2. 精准除草机器人：实时检测杂草→定位喷药/机械除草→省药减损、保护幼苗
3. 农田监测系统：边缘端轻量化部署，7×24小时监测长势与杂草入侵
4. 育种辅助评估：批量分析苗期长势，为品种筛选提供客观数据

🔧 环境依赖

# 一键安装依赖
pip install ultralytics opencv-python torch torchvision pillow

📌 使用流程

1. 下载数据集并解压至datasets/adventices-mais
2. 配置maize_weeds.yaml路径
3. 运行训练脚本，自动完成训练与验证
4. 导出best.pt用于推理、部署、二次开发

📌 标签

#农业数字化 #玉米出苗率 #杂草识别 #YOLO数据集 #目标检测 #智慧农业 #AI农田 #农业智能化 #计算机视觉 #深度学习数据集