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
- 核心特点
航拍农田杂草检测数据集-1.2k张航拍图像
- [📦 1. 环境配置](#📦 1. 环境配置 "#_1__39")
[安装 YOLOv8 官方库 ultralytics](#安装 YOLOv8 官方库 ultralytics "#_YOLOv8__ultralytics_48")
- [📁 2. 数据准备](#📁 2. 数据准备 "#_2__52")
- - [2.1 数据标注格式（YOLO）](#2.1 数据标注格式（YOLO） "#21_YOLO_53")
  - [2.2 文件结构示例](#2.2 文件结构示例 "#22__62")
  - [2.3 创建 data.yaml 配置文件](#2.3 创建 data.yaml 配置文件 "#23__datayaml__72")
- [🚀 3. 模型训练](#🚀 3. 模型训练 "#_3__81")
- - 关键参数补充说明：
- [📈 4. 模型验证与测试](#📈 4. 模型验证与测试 "#_4__120")
- - [4.1 验证模型性能](#4.1 验证模型性能 "#41__121")
  - 关键参数详解
  - 常用可选参数
  - 典型输出指标
  - [4.2 推理测试图像](#4.2 推理测试图像 "#42__173")
- [🧠 5. 自定义推理脚本（Python）](#🧠 5. 自定义推理脚本（Python） "#_5_Python_180")
- [🛠 6. 部署建议](#🛠 6. 部署建议 "#_6__195")

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。

bash 复制代码

# 创建并激活虚拟环境（可选）
python -m venv yolov8_env
source yolov8_env/bin/activate  # Windows 用户使用 yolov8_env\Scripts\activate

AI写代码bash
123

安装 YOLOv8 官方库 ultralytics

复制代码

pip install ultralytics

AI写代码bash
1

📁 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：

xml 复制代码

<class_id> <x_center> <y_center> <width> <height>

AI写代码plaintext
1

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

kotlin 复制代码

datasets/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

AI写代码plaintext
1234567

2.3 创建 data.yaml 配置文件

bash 复制代码

path: ./datasets
train: images/train
val: images/val

nc: 11
names: ['Bent_Insulator', 'Broken_Insulator_Cap', '', ...]

AI写代码yaml
123456

🚀 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。

ini 复制代码

yolo detect train \
  model=yolov8s.pt \
  data=./data.yaml \
  imgsz=640 \
  epochs=50 \
  batch=16 \
  project=weed_detection \
  name=yolov8s_crop_weed

AI写代码bash
12345678

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

yaml 复制代码

# 典型 data.yaml 结构示例
path: ../datasets/weeds
train: images/train
val: images/val
names:
  0: Bent_Insulator
  1: Broken_Insulator_Cap
  2: ...
  3: ...

AI写代码yaml
123456789

📈 4. 模型验证与测试

4.1 验证模型性能

ini 复制代码

yolo detect val \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  data=./data.yaml

AI写代码bash
123

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：
  bash 复制代码
```
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
12345
```
data=./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：
  yaml 复制代码
```
val: images/val  # 验证集图片路径
names:
  0: crop
  1: weed

AI写代码yaml
1234
```

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

css 复制代码

Class     Images  Instances      P      R      mAP50  mAP50-95
all        100       752      0.891  0.867    0.904    0.672
crop       100       412      0.912  0.901    0.927    0.701
weed       100       340      0.870  0.833    0.881    0.643

AI写代码text
1234

4.2 推理测试图像

ini 复制代码

yolo detect predict \
  model=runs/detect/yolov8s_crop_weed/weights/best.pt \
  source=./datasets/images/val \
  save=True

AI写代码bash
1234

🧠 5. 自定义推理脚本（Python）

ini 复制代码

from ultralytics import YOLO
import 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：

ini 复制代码

yolo export model=best.pt format=onnx

AI写代码bash
1

📌 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