玉米幼苗与杂草检测 YOLO 数据集的详细信息整理成的规范表
🌽 玉米幼苗与杂草检测 YOLO 数据集概览
| 项目 | 内容 |
|---|---|
| 数据集名称 | 玉米幼苗与杂草检测 YOLO 数据集 |
| 总图像数量 | 3,042 张 |
| 类别数量 | 2 类 |
| 类别标签 | corn（玉米幼苗）、weed（杂草） |
| 标注格式支持 | YOLO.txt、Pascal VOC.xml、COCO.json（多格式可选） |
| YOLO 版本兼容性 | YOLOv5 / YOLOv6 / YOLOv7 / YOLOv8 / YOLOv9 / YOLOv10 / YOLOv11 全系列通用 |
| 划分比例 | 训练集 : 验证集 = 8 : 2 |
| 训练集图像数 | 2,433 张 |
| 验证集图像数 | 609 张 |
📊 各类别标注统计
| 类别 | 图像中出现该类别的图片数 | 总标注框数量（instances） | 平均每图框数 |
|---|---|---|---|
corn（玉米幼苗） | 3,042 张（全部图像） | 12,156 个 | ≈ 4.0 |
weed（杂草） | 2,594 张 | 11,168 个 | ≈ 4.3 |
✅说明：
- 所有图像均包含至少一个
corn目标（因拍摄场景为玉米田），故corn出现在全部 3,042 张图中。weed在 2,594 张图中出现，占比约85.3%，表明部分图像可能为早期纯玉米苗阶段，无杂草。
🗂️ 推荐目录结构（YOLO 格式）
corn_weed_yolo_dataset/ ├── images/ │ ├── train/ # 2,433 张 │ └── val/ # 609 张 ├── labels/ │ ├── train/ # 对应 .txt 标签 │ └── val/ ├── dataset.yaml # YOLO 配置文件 └── README.md📄dataset.yaml示例
# dataset.yamlpath:../corn_weed_yolo_datasettrain:images/trainval:images/valnc:2names:['corn','weed']🚀 应用场景
- 智能农业：田间杂草识别与精准除草
- 无人机巡检：自动识别作物生长状态
- 农业机器人：实时视觉导航与决策
- 教学/科研：目标检测入门级农业数据集
如需以下资源，请告知：
- ✅数据集样本下载链接
- ✅训练代码（YOLOv8/v11）
- ✅推理脚本 + 可视化结果
- ✅数据增强建议（针对密集小目标）
此数据集规模适中、标注质量高、类别清晰，非常适合农业AI项目的快速验证与部署！🌱🚜
以下是针对您提供的玉米幼苗与杂草检测数据集（2类：corn,weed）的完整YOLOv8 训练代码，包含：
✅ 数据集配置
✅ 模型训练脚本
✅ 自定义训练参数（适配农业小目标）
✅ 模型验证与导出
✅ 一、前提条件
1. 安装依赖
pipinstallultralytics opencv-python numpy matplotlib推荐使用 Python 3.8+ 和 PyTorch 1.10+
✅ 二、目录结构（确保一致）
corn_weed_yolo/ ├── images/ │ ├── train/ # 2433 张图像 │ └── val/ # 609 张图像 ├── labels/ │ ├── train/ # 对应 .txt 标签文件 │ └── val/ ├── dataset.yaml # ← 关键配置文件 └── train.py # ← 训练脚本✅ 三、dataset.yaml配置文件
# dataset.yamlpath:./corn_weed_yolo# 数据集根目录（可为绝对路径）train:images/train# 训练集图像路径val:images/val# 验证集图像路径nc:2# 类别数names:['corn','weed']# 类别名称（顺序必须与标签一致）⚠️ 注意：
- 路径可以是相对路径或绝对路径
- 确保
labels/train/中的.txt文件与images/train/中的图像同名（如001.jpg→001.txt）
✅ 四、训练脚本train.py
# train.pyfromultralyticsimportYOLO# 1. 加载预训练模型（YOLOv8s 适合中小数据集）model=YOLO('yolov8s.pt')# 可选: yolov8n.pt (更快), yolov8m.pt (更准)# 2. 开始训练results=model.train(data='dataset.yaml',# 数据集配置文件epochs=100,# 训练轮数（建议 50~150）imgsz=640,# 输入图像尺寸（可尝试 512/640/1024）batch=32,# 批大小（根据 GPU 显存调整：16/32/64）workers=8,# 数据加载线程数name='corn_weed_yolov8s',# 保存结果的文件夹名cache=True,# 缓存图像到内存，加速训练device=0,# GPU ID（0,1,... 或 'cpu'）# 数据增强（关键！提升小目标和密集目标检测）hsv_h=0.015,# 色调扰动hsv_s=0.7,# 饱和度hsv_v=0.4,# 亮度degrees=10.0,# 旋转角度translate=0.1,# 平移比例scale=0.5,# 缩放范围（对玉米/杂草有效）shear=2.0,# 剪切perspective=0.001,# 透视变换flipud=0.0,# 上下翻转（农田场景慎用）fliplr=0.5,# 左右翻转（推荐开启）mosaic=1.0,# Mosaic 增强（强烈建议保留）mixup=0.0,# MixUp（可选，农业场景可关闭）# 优化器optimizer='SGD',# 或 'Adam'lr0=0.01,# 初始学习率lrf=0.01,# 最终学习率 = lr0 * lrf# 其他patience=20,# 早停（验证损失不再下降时停止）save=True,# 保存最佳和最后模型exist_ok=False,# 若存在同名实验，是否覆盖)✅ 五、训练后操作
1. 验证模型性能
# 验证metrics=model.val(data='dataset.yaml')print(metrics.box.map)# mAP@0.5:0.952. 导出为 ONNX（用于部署）
# 导出model.export(format='onnx')# 生成 best.onnx3. 单图推理测试
# 推理results=model('test_image.jpg')results[0].show()# 显示结果results[0].save(filename='result.jpg')# 保存✅ 六、训练建议（针对农业场景）
| 问题 | 建议 |
|---|---|
| 小目标漏检 | 增大imgsz（如 1024），开启mosaic=1.0 |
| 玉米与杂草混淆 | 检查标注质量，确保边界清晰；可增加scale增强 |
| 过拟合 | 减少epochs，增加dropout（需修改模型结构）或使用yolov8n |
| 训练慢 | 使用yolov8n.pt+imgsz=512+batch=64 |
✅ 七、结果保存位置
训练完成后，结果保存在：
runs/detect/corn_weed_yolov8s/ ├── weights/ │ ├── best.pt # 验证集上最佳模型 │ └── last.pt # 最后一轮模型 ├── results.csv # 训练指标（loss, mAP等） └── confusion_matrix.png # 混淆矩阵✅ 八、可视化训练过程
# 在终端运行（需安装 tensorboard）tensorboard --logdir runs/detect然后浏览器访问http://localhost:6006查看 loss/mAP 曲线。
💡提示：
若您的图像分辨率较低（如 256×256），建议在训练前将imgsz设为512，并在推理时保持一致，以平衡速度与精度。
如需以下支持，请告知：
- ✅自动划分训练/验证集脚本
- ✅XML/JSON 转 YOLO 格式工具
- ✅批量推理 + 结果统计脚本
- ✅TensorRT 部署教程
祝您训练顺利，打造高精度农业AI模型！🌱🚜🧠
(5))
