yolov11_v8_v5小麦数据集训练教程+代码

最新推荐文章于 2025-11-11 22:08:18 发布

原创最新推荐文章于 2025-11-11 22:08:18 发布 · 743 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #yolov11 #yolov8麦穗识别 #小麦数据集 #计算机视觉 #开题报告 #毕业设计

机器学习数据集专栏收录该内容

15 篇文章

订阅专栏

全球小麦头数据集简介

全球小麦头数据集是一个专门为开发精确的小麦头检测模型而设计的图像集合，旨在支持小麦表型分析和作物管理。
小麦头，即麦穗，是小麦植株结粒的部分，其密度和大小的准确估计对于评估作物健康、成熟度和产量潜力至关重要。

数据集特点

多区域覆盖：涵盖欧洲（法国、英国、瑞士）和北美（加拿大）的3,000多张训练图像，以及来自澳大利亚、日本和中国的约1,000张测试图像。
自然变化捕捉：所有图像是室外田间拍摄，真实反映了小麦头部外观的变化。
详细注释：每张图像都配有小麦头边界框标注，适用于物体检测任务。
多样性与复杂性：图像展示了各种不同的生长环境和条件，增加了模型训练的挑战性和适用性。

数据集结构

全球小麦头数据集主要分为两个子集：

训练集：包含来自欧洲和北美的3,000多张图像，标有小麦头边界框，用于训练物体检测模型。
测试集：由来自澳大利亚、日本和中国的约1,000张图像组成，用于评估模型在未见过的数据上的表现。

应用场景

全球小麦头数据集广泛应用于深度学习模型的训练和评估，特别是在小麦头检测任务中。它为植物表型分析和作物管理提供了宝贵资源，帮助研究人员更准确地理解作物生长情况，并优化农业实践。

数据集配置文件 (YAML)

YAML 文件定义了数据集的路径、类别和其他相关信息。对于全球小麦头数据集而言，GlobalWheat2020.yaml 文件保存在上。以下是 YAML 文件的内容概览：


# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/Wheat # dataset root dir
train: # train images (relative to 'path') 3422 images
  - images/arvalis_1
  - images/arvalis_2
  - images/arvalis_3
  - images/ethz_1
  - images/rres_1
  - images/inrae_1
  - images/usask_1
val: # val images (relative to 'path') 748 images (WARNING: train set contains ethz_1)
  - images/ethz_1
test: # test images (optional) 1276 images
  - images/utokyo_1
  - images/utokyo_2
  - images/nau_1
  - images/uq_1

# Classes
names:
  0: wheat_head

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  from ultralytics.utils.downloads import download
  from pathlib import Path

  # Download
  dir = Path(yaml['path'])  # dataset root dir
  urls = ['https://zenodo.org/record/4298502/files.zip',
          'https://assets/releases/downloadlabels.zip']
  download(urls, dir=dir)

  # Make Directories
  for p in 'annotations', 'images', 'labels':
      (dir / p).mkdir(parents=True, exist_ok=True)

  # Move
  for p in 'arvalis_1', 'arvalis_2', 'arvalis_3', 'ethz_1', 'rres_1', 'inrae_1', 'usask_1', \
           'utokyo_1', 'utokyo_2', 'nau_1', 'uq_1':
      (dir / 'global-wheat-codalab-official' / p).rename(dir / 'images' / p)  # move to /images
      f = (dir / 'official' / p).with_suffix('.json')  # json file
      if f.exists():
          f.rename((dir / 'annotations' / p).with_suffix('.json'))  # move to /annotations

使用方法

要在全球小麦头数据集上训练YOLO11n模型，可以使用以下代码片段：

f

# Load a pre-trained model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="Wheat.yaml", epochs=100, imgsz=640)