航拍农田杂草检测数据集-1.2k张航拍图像
航拍农田杂草检测数据集介绍
数据集概述
是一个用于计算机视觉项目的航拍图像数据集，专注于农田中作物与杂草的检测。
核心特点
数据集基本信息
数据量：1.2k张航拍图像
标注类型：对象检测(Object Detection)
使用模型：YOLOv5
类别：2类(crop作物和weed杂草)
数据集特点
航拍视角：所有图像均为农田的航拍视角，提供了独特的观察角度
专业标注：杂草区域使用粉色标记点进行标注
数据集应用
该数据集非常适合用于：
农业自动化研究
杂草检测算法开发
计算机视觉模型泛化能力测试
精准农业技术开发
航拍农田杂草检测数据集-1.2k张航拍图像
本教程介绍如何使用 YOLOv8 对航拍农田杂草等目标进行识别与检测。涵盖环境配置、数据准备、训练模型、模型推理和部署等全过程。
📦 1. 环境配置
建议使用 Python 3.8+，并确保支持 CUDA 的 GPU 环境。
# 创建并激活虚拟环境（可选）python -m venv yolov8_envsource yolov8_env/bin/activate # Windows 用户使用 yolov8_env\Scripts\activateAI写代码bash123安装 YOLOv8 官方库 ultralytics
pip install ultralyticsAI写代码bash1📁 2. 数据准备
2.1 数据标注格式（YOLO）
每张图像对应一个 .txt 文件，每行代表一个目标，格式如下：
<class_id> <x_center> <y_center> <width> <height>AI写代码plaintext1所有值为相对比例（0~1）。
类别编号从 0 开始。
2.2 文件结构示例
datasets/├── images/│ ├── train/│ └── val/├── labels/│ ├── train/│ └── val/AI写代码plaintext12345672.3 创建 data.yaml 配置文件
path: ./datasetstrain: images/trainval: images/valnc: 11names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]AI写代码yaml123456🚀 3. 模型训练
YOLOv8 提供多种模型：yolov8n, yolov8s, yolov8m, yolov8l, yolov8x。可根据设备性能选择。
yolo detect train \ model=yolov8s.pt \ data=./data.yaml \ imgsz=640 \ epochs=50 \ batch=16 \ project=weed_detection \ name=yolov8s_crop_weedAI写代码bash12345678| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
model | 字符串 | - | 指定基础模型架构文件或预训练权重文件路径（.pt/.yaml） |
data | 字符串 | - | 数据集配置文件路径（YAML 格式），包含训练/验证路径和类别定义 |
imgsz | 整数 | 640 | 输入图像的尺寸（像素），推荐正方形尺寸（如 640x640） |
epochs | 整数 | 100 | 训练总轮次，50 表示整个数据集会被迭代 50 次 |
batch | 整数 | 16 | 每个批次的样本数量，值越大需要越多显存 |
project | 字符串 | - | 项目根目录名称，所有输出文件（权重/日志等）将保存在此目录下 |
name | 字符串 | - | 实验名称，用于在项目目录下创建子文件夹存放本次训练结果 |
关键参数补充说明：
model=yolov8s.pt
- 使用预训练的 YOLOv8 small 版本（平衡速度与精度）可用选项：
yolov8n.pt(nano)/yolov8m.pt(medium)/yolov8l.pt(large)data=./data.yaml
# 典型 data.yaml 结构示例path: ../datasets/weedstrain: images/trainval: images/valnames: 0: Bent_Insulator 1: Broken_Insulator_Cap 2: ... 3: ...AI写代码yaml123456789📈 4. 模型验证与测试
4.1 验证模型性能
yolo detect val \ model=runs/detect/yolov8s_crop_weed/weights/best.pt \ data=./data.yamlAI写代码bash123| 参数 | 类型 | 必需 | 说明 |
|---|---|---|---|
model | 字符串 | 是 | 要验证的模型权重路径（通常为训练生成的 best.pt 或 last.pt） |
data | 字符串 | 是 | 与训练时相同的 YAML 配置文件路径，需包含验证集路径和类别定义 |
关键参数详解
model=runs/detect/yolov8s_crop_weed/weights/best.pt
使用训练过程中在验证集表现最好的模型权重（best.pt）
替代选项：last.pt（最终epoch的权重）
路径结构说明：
runs/detect/└── [训练任务名称]/ └── weights/ ├── best.pt # 验证指标最优的模型 └── last.pt # 最后一个epoch的模型AI写代码12345data=./data.yaml
必须与训练时使用的配置文件一致
确保验证集路径正确：
val: images/val # 验证集图片路径names: 0: crop 1: weedAI写代码yaml1234常用可选参数
| 参数 | 示例值 | 作用 |
|---|---|---|
batch | 16 | 验证时的批次大小 |
imgsz | 640 | 输入图像尺寸（需与训练一致） |
conf | 0.25 | 置信度阈值（0-1） |
iou | 0.7 | NMS的IoU阈值 |
device | 0/cpu | 选择计算设备 |
save_json | True | 保存结果为JSON文件 |
典型输出指标
Class Images Instances P R mAP50 mAP50-95all 100 752 0.891 0.867 0.904 0.672crop 100 412 0.912 0.901 0.927 0.701weed 100 340 0.870 0.833 0.881 0.643AI写代码text12344.2 推理测试图像
yolo detect predict \ model=runs/detect/yolov8s_crop_weed/weights/best.pt \ source=./datasets/images/val \ save=TrueAI写代码bash1234🧠 5. 自定义推理脚本（Python）
from ultralytics import YOLOimport cv2# 加载模型model = YOLO('runs/detect/yolov8s_crop_weed/weights/best.pt')# 推理图像results = model('test.jpg')# 可视化并保存结果results[0].show()results[0].save(filename='result.jpg')AI写代码python运行123456789101112🛠 6. 部署建议
✅ 本地运行：通过 Python 脚本直接推理。
🌐 Web API：可用 Flask/FastAPI 搭建检测接口。
📦 边缘部署：YOLOv8 支持导出为 ONNX，便于在 Jetson、RKNN 等平台上部署。
导出示例：
yolo export model=best.pt format=onnxAI写代码bash1📌 总结流程
| 阶段 | 内容 |
|---|---|
| ✅ 环境配置 | 安装 ultralytics, PyTorch 等依赖 |
| ✅ 数据准备 | 标注图片、组织数据集结构、配置 YAML |
| ✅ 模型训练 | 使用命令行开始训练 YOLOv8 模型 |
| ✅ 验证评估 | 检查模型准确率、mAP 等性能指标 |
| ✅ 推理测试 | 运行模型检测实际图像目标 |
| ✅ 高级部署 | 导出模型，部署到 Web 或边缘设备 |
