核心内容摘要
无需编程：用SeqGPT-560M轻松实现文本结构化处理
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≈
0weed杂草2,594 张11,168 个≈
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
8
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.mddataset.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✅
前提条件
安装依赖pipinstallultralytics opencv-python numpy matplotlib推荐使用 Python
8 和 PyTorch
10✅
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✅
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
jpg→
txt✅
训练脚本train.py# train.pyfromultralyticsimportYOLO#
加载预训练模型YOLOv8s 适合中小数据集modelYOLO(yolov8s.pt)# 可选: yolov8n.pt (更快), yolov8m.pt (更准)#
开始训练resultsmodel.train(datadataset.yaml,# 数据集配置文件epochs100,# 训练轮数建议 50~150imgsz640,# 输入图像尺寸可尝试 512/640/1024batch32,# 批大小根据 GPU 显存调整16/32/64workers8,# 数据加载线程数namecorn_weed_yolov8s,# 保存结果的文件夹名cacheTrue,# 缓存图像到内存加速训练device0,# GPU ID0,1,... 或 cpu# 数据增强关键提升小目标和密集目标检测hsv_h
015,# 色调扰动hsv_s
7,# 饱和度hsv_v
4,# 亮度degrees
1
0,# 旋转角度translate
1,# 平移比例scale
5,# 缩放范围对玉米/杂草有效shear
0,# 剪切perspective
001,# 透视变换flipud
0,# 上下翻转农田场景慎用fliplr
5,# 左右翻转推荐开启mosaic
0,# Mosaic 增强强烈建议保留mixup
0,# MixUp可选农业场景可关闭# 优化器optimizerSGD,# 或 Adamlr
0
01,# 初始学习率lrf
01,# 最终学习率 lr0 * lrf# 其他patience20,# 早停验证损失不再下降时停止saveTrue,# 保存最佳和最后模型exist_okFalse,# 若存在同名实验是否覆盖)✅
训练后操作
验证模型性能# 验证metricsmodel.val(datadataset.yaml)print(metrics.box.map)# mAP
5:
0.
导出为 ONNX用于部署# 导出model.export(formatonnx)# 生成 best.onnx
单图推理测试# 推理resultsmodel(test_image.jpg)results[0].show()# 显示结果results[0].save(filenameresult.jpg)# 保存✅
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
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.ptimgsz512batch64✅
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✅
可视化训练过程# 在终端运行需安装 tensorboardtensorboard --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