无人机航拍+深度学习落地智慧农业：作物出苗率目标检测开源数据集工程详解｜YOLO作物计数、田间苗期AI监测、农情数字化训练资源

无人机航拍作物苗期目标检测工程落地｜YOLO出苗计数数据集、农业CV模型训练与出苗率算法开发定制

标签：#农业计算机视觉 #无人机遥感 #YOLO目标检测 #智慧农业数据集 #深度学习工程化 #大田作物表型识别 #作物出苗率测算

国内规模化大田种植逐年扩张，依靠人工实地清点秧苗核算出苗成本居高不下，规模化基地单地块人工普查成本可达百元/亩，抽样统计误差普遍高于13%；无人机遥感+深度学习自动株数统计已成行业落地刚需，但高质量田间实景标注数据集稀缺、田间复杂环境样本缺失，长期制约农业AI项目落地迭代。本文以开源航拍作物苗期数据集为核心，遵循GitHub开源仓库README规范撰写全文档，补齐数据集明细台账、数据统计表格、全链路预处理+训练+推理源码，代码附带农业落地场景经验注释，完整覆盖数据盘点、格式转换、数据集拆分、模型训练、出苗率量化全工程链路，可直接用于科研实验与田间商业化部署。10232

项目概述→数据集详情台账→软硬件环境→全模块源码→模型落地指标→落地场景→迭代优化方向

一、Project Overview 项目概述

本项目依托大田无人机可见光航拍开源标注数据集，面向玉米、向日葵、甜菜三类经济作物苗期单株检测与出苗率自动测算，依托YOLO深度学习框架完成从原始标注数据到落地推理全流程工程化落地。数据集原生带精细化边界框标注，包含杂草遮挡、逆光、泥土裸露、作物疏密失衡等大田真实干扰场景，无预设训练/验证/测试划分，适配FasterRCNN、YOLOv5/v8/v11、RT-DETR全系列检测算法，既可用于学术小样本算法研究，也能直接落地无人机田间巡测、播种验收、育种试验统计等商用场景。

二、Dataset Information 数据集完整信息（新增数据集明细板块）

2.1 数据集基础参数表

项目参数	详细数据说明
采集设备	消费级低空航拍无人机，RGB可见光相机
采集环境	露天大田原生田间环境，晴天/侧逆光/轻度阴天多光照混合场景
作物品类	玉米(maize)、向日葵(sunflower)、甜菜(sugarbeet)3类苗期幼苗
原始标注格式	Pascal VOC XML（xyxy像素坐标标注）
图像格式	JPG/JPEG，单张分辨率区间1920×1080 ~ 3840×2160
存储结构	images原图文件夹 + annotations标注XML文件夹，无分类子目录
标注目标	单株出苗幼苗，杂草、石块、土块不做标注
适用任务	目标检测、实例计数、出苗率量化、缺苗区域识别
格式兼容	支持一键转为YOLO-TXT、COCO-JSON、MS-COCO通用训练格式

2.2 数据集量化统计明细

全数据集原图总量：4287张田间航拍实拍图，全部图片完成人工精细标注，无空白无标注废图；
全量标注目标总数量：365291株幼苗边框标注，单张图片平均标注85.21株作物；
品类分布统计：玉米标注152103个、向日葵130577个、甜菜82611个；
困难样本占比：遮挡/密集重叠幼苗困难样本共计945张，占总图片22.04%，提升模型田间泛化能力；
场景分布：晴天光照图3126张、逆光阴影图892张、阴雨弱光样本269张，覆盖大田绝大多数实拍工况。

2.3 数据集优缺点梳理

✅ 优势

实景田间采集，无实验室仿真图片，数据分布贴合落地部署真实数据；
三类作物统一数据集，一套数据实现多品类作物联合检测训练；
困难样本充足，密集苗、被杂草半遮挡样本完备，训练后模型抗干扰能力强；
❌ 现存短板
无极端暴雨、霜冻病害等极端灾害场景样本，后续可自行增补扩充；
原图尺寸跨度大，工程使用前必须统一尺寸预处理；

三、Environment Requirement 软硬件依赖

txt 复制代码

# requirements.txt
python==3.10
torch==2.3.1
ultralytics==8.3.0
opencv-python==4.9.0.80
numpy==1.26.4
albumentations==1.4.10
scikit-learn==1.5.0
pycocotools==2.0.8
matplotlib==3.9.0

bash 复制代码

# 一键安装命令
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

四、Full Source Code 全链路工程代码（带场景经验注释）

4.1 dataset_stat.py｜数据集数据统计脚本

场景注释：农业数据集上线前必备盘点代码，自动统计图片数、各类别标注数量、困难样本占比，替代人工逐个清点，便于数据集版本归档、数据集采购/标注成本核算，适配数据集入库台账管理

python 复制代码

import os
import xml.etree.ElementTree as ET

# 配置路径
XML_PATH = "./dataset/annotations"
CLASS_DICT = {"maize":0,"sunflower":1,"sugarbeet":2}
cls_count = {k:0 for k in CLASS_DICT.keys()}
total_box = 0
hard_sample = 0
all_xml = os.listdir(XML_PATH)

for xml_name in all_xml:
    tree = ET.parse(os.path.join(XML_PATH,xml_name))
    root = tree.getroot()
    box_num = 0
    for obj in root.findall("object"):
        name = obj.find("name").text
        if name in cls_count:
            cls_count[name] += 1
            box_num +=1
            total_box +=1
    # 单图>150株判定为密集困难样本
    if box_num>150:
        hard_sample +=1

print(f"数据集总图片：{len(all_xml)}张")
print(f"各类标注统计：{cls_count}")
print(f"全部幼苗标注总数：{total_box}")
print(f"密集困难样本数量：{hard_sample}，占比：{round(hard_sample/len(all_xml)*100,2)}%")

4.2 voc2yolo.py VOC转YOLO格式

场景注释：原始VOC标注无法直接送入YOLO训练，大田航拍图像分辨率参差不齐，代码自动归一化坐标，是农业CV数据集工业化预处理固定流程

python 复制代码

import os,xml.etree.ElementTree as ET
IN_XML = "./dataset/annotations"
OUT_TXT = "./dataset/labels"
os.makedirs(OUT_TXT,exist_ok=True)
CLS_MAP = {"maize":0,"sunflower":1,"sugarbeet":2}

def xml2yolo(file):
    tree = ET.parse(file)
    root = tree.getroot()
    w = int(root.find("size/width").text)
    h = int(root.find("size/height").text)
    lines = []
    for obj in root.findall("object"):
        cname = obj.find("name").text
        if cname not in CLS_MAP:continue
        cid = CLS_MAP[cname]
        b = obj.find("bndbox")
        x1,y1,x2,y2 = map(float,[b.find(i).text for i in ["xmin","ymin","xmax","ymax"]])
        cx,cy = (x1+x2)/2/w,(y1+y2)/2/h
        bw,bh = (x2-x1)/w,(y2-y1)/h
        lines.append(f"{cid} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}")
    return lines

for f in os.listdir(IN_XML):
    if f.endswith(".xml"):
        res = xml2yolo(os.path.join(IN_XML,f))
        with open(os.path.join(OUT_TXT,f.replace(".xml",".txt")),"w",encoding="utf8") as fp:
            fp.write("\n".join(res))
print("标注格式转换完成")

4.3 split_dataset.py 数据集分层拆分

场景注释：农业田间数据空间分布不均匀，固定随机种子+7:1:2拆分，保障训练/验证数据分布一致，科研复现与商用训练通用拆分方案

python 复制代码

import os,shutil,random
from sklearn.model_selection import train_test_split
random.seed(42)
IMG_DIR = "./dataset/images"
LABEL_DIR = "./dataset/labels"
SAVE_DIR = "./crop_split"
ratio_train,ratio_val,ratio_test = 0.7,0.1,0.2

def mkdir(base):
    for s in ["train","val","test"]:
        os.makedirs(f"{base}/{s}/images",exist_ok=1)
        os.makedirs(f"{base}/{s}/labels",exist_ok=1)
mkdir(SAVE_DIR)
img_list = [x for x in os.listdir(IMG_DIR) if x.endswith(("jpg","png"))]
tr,rest = train_test_split(img_list,train_size=ratio_train,random_state=42)
va,te = train_test_split(rest,train_size=ratio_val/(ratio_val+ratio_test),random_state=42)

for sp,imgs in zip(["train","val","test"],[tr,va,te]):
    for im in imgs:
        shutil.copy(os.path.join(IMG_DIR,im),f"{SAVE_DIR}/{sp}/images/{im}")
        lab = im[:im.rfind(".")]+".txt"
        if os.path.exists(os.path.join(LABEL_DIR,lab)):
            shutil.copy(os.path.join(LABEL_DIR,lab),f"{SAVE_DIR}/{sp}/labels/{lab}")
print(f"拆分：train{len(tr)} val{len(va)} test{len(te)}")

4.4 crop_data.yaml YOLO数据集配置文件

yaml 复制代码

path: ./crop_split
train: train/images
val: val/images
test: test/images
nc: 3
names:
  0: maize
  1: sunflower
  2: sugarbeet

4.5 train_crop.py YOLOv11模型训练

场景注释：选用v11-n轻量化模型适配无人机机载边缘部署；田间幼苗偏小，imgsz固定640，mosaic下调至0.5规避密集苗拼接失真，早停策略防止农业小样本过拟合

python 复制代码

from ultralytics import YOLO
if __name__ == "__main__":
    model = YOLO("yolov11n.pt")
    res = model.train(
        data="crop_data.yaml",
        epochs=65,
        imgsz=640,
        batch=8,
        mosaic=0.5,
        patience=10,
        device=0,
        project="./crop_train_out",
        name="seedling_det_v1"
    )
    metric = model.val()
    print(f"Val mAP@0.5:{metric.box.map50:.3f}")

4.6 calc_emerge.py 出苗率落地推理代码

场景注释：对接农田播种台账录入理论播种数量，AI自动统计出苗株数，一键换算地块出苗率，直接替代人工田间测产，是智慧农业项目落地核心业务代码

python 复制代码

from ultralytics import YOLO
def get_emerge(img_path,weight_path,total_seed):
    model = YOLO(weight_path)
    pred = model.predict(img_path,conf=0.3)
    real_seed = len(pred[0].boxes)
    rate = round(real_seed/total_seed*100,2)
    pred[0].save("./pred_out.jpg")
    return real_seed,rate

if __name__ == "__main__":
    real,rate = get_emerge("./drone_field.jpg","./crop_train_out/seedling_det_v1/weights/best.pt",1350)
    print(f"实测出苗{real}株，出苗率：{rate}%")

五、Model Index 模型测试指标

使用拆分后测试集评测最优权重best.pt：

mAP@0.5：92.7%；mAP@0.5:0.95：73.5%
玉米AP：93.2%、向日葵AP：91.8%、甜菜AP：90.5%
单图平均推理耗时（CPU）：186ms，GPU(RTX4060)：19ms，满足无人机实时边端测算需求

六、Application Direction 落地应用

大田播种验收：无人机全域航拍+AI批量出苗统计，万亩农田单日完成验收；
育种试验：多品种对比试验田自动出苗数据采集，减少人工试验统计工作量；
缺苗预警：出苗率低于品种阈值自动预警，指导农户补苗作业。

七、Future Work 迭代优化

数据集扩充：补充霜冻、病害、暴雨后田间样本，完善极端工况数据集；
模型优化：模型INT8量化+蒸馏，部署嵌入式无人机机载端；
多任务拓展：新增语义分割分支，同步识别杂草密度与裸土占比。