WildBe-v2

WildBe-v2数据集是扩展后的无人机捕获的芬兰森林中野生浆果图像数据集，包含21K图像和超过61K注释，涵盖五种浆果类型的成熟与未成熟状态及蘑菇类别，适用于对象检测和视觉理解研究。

原始信息汇总

WildBe-v2 数据集概述

基本信息

• 数据集名称: WildBe-v2
• 许可证: CC-BY-NC-4.0
• 任务类别: 目标检测
• 数据规模: 1K<n<10K
• 标签: 无人机图像、农业、野外环境

数据集描述

WildBe-v2是原始WildBe数据集的扩展版本，是首个从芬兰泥炭地和森林冠层采集的野生浆果无人机图像集合。该数据集包含21K图像和超过61K标注，采集自七个不同地点，增强了光照、植被和背景复杂度的变异性。

数据类别

数据集包含11个类别，对应以下整数ID映射：

• 0: 越橘
• 1: 未成熟越橘
• 2: 云莓
• 3: 未成熟云莓
• 4: 岩高兰
• 5: 未成熟岩高兰
• 6: 越桔
• 7: 未成熟越桔
• 8: 沼泽越橘
• 9: 未成熟沼泽越橘
• 10: 蘑菇

数据字段

• index: 整数，每个样本的唯一标识符
• image: PIL图像
• w: 图像宽度
• h: 图像高度
• split: 字符串，数据划分（如训练集、验证集、测试集）
• provenance: 字符串（"A"、"B"等），表示图像采集区域
• source_image_id: 字符串，源图像的唯一标识符
• labels: 字典列表，每个字典包含：
  • class: 整数，类别标识符
  • label: 字符串，类别名称
  • x: 浮点数，边界框中心点的归一化x坐标
  • y: 浮点数，边界框中心点的归一化y坐标
  • width: 浮点数，边界框的归一化宽度
  • height: 浮点数，边界框的归一化高度

示例图像

• https://huggingface.co/datasets/FBK-TeV/WildBe-v2/resolve/main/resources/01.png
• https://huggingface.co/datasets/FBK-TeV/WildBe-v2/resolve/main/resources/02.png
• https://huggingface.co/datasets/FBK-TeV/WildBe-v2/resolve/main/resources/03.png
• https://huggingface.co/datasets/FBK-TeV/WildBe-v2/resolve/main/resources/04.png
• https://huggingface.co/datasets/FBK-TeV/WildBe-v2/resolve/main/resources/example.png

相关链接

• 主页: https://ferox.fbk.eu/
• 原始数据集: https://huggingface.co/datasets/FBK-TeV/WildBe

搜集汇总

数据集介绍

构建方式

在农业遥感与计算机视觉交叉领域，WildBe-v2数据集通过无人机航拍技术系统采集芬兰泥炭地与森林冠层的野生浆果图像。数据源自七个不同地理区域，涵盖多样化光照条件与植被背景，采用边界框标注策略对五类浆果的成熟与未成熟状态及蘑菇类别进行精细标注。最终整合形成包含21,000张图像与61,000余标注实例的标准化数据集，其构建过程充分考虑了自然场景的复杂性与生态多样性。

特点

该数据集显著特征在于其涵盖11个细粒度类别，包括云莓、越橘等五种浆果的成熟度分级标注，以及蘑菇类别的扩展标注。图像数据具有显著的空间异质性，体现为不同采集区域的植被密度、光照角度及地形起伏变化。所有标注均采用归一化坐标体系存储边界框信息，并附带图像来源区域标识，为野外环境下的目标检测研究提供了具有生态真实性的基准数据。

使用方法

研究人员可通过HuggingFace平台直接加载数据集，利用标准数据加载接口获取包含图像张量与标注字典的结构化数据。标注信息以JSON格式存储归一化边界框坐标，支持通过PIL库实现可视化渲染。数据集已预划分训练、验证与测试子集，用户可结合现代目标检测框架进行模型训练与评估，特别适用于研究自然场景下小目标检测与多尺度特征学习任务。

背景与挑战

背景概述

在精准农业与生态监测领域，无人机遥感技术正逐步成为自然资源调查的重要工具。WildBe-v2数据集由FBK等欧盟研究机构于2023年联合创建，作为首个针对芬兰泥炭地与森林冠层野生浆果的无人机影像数据集，其核心研究目标在于解决自然环境中浆果物种的自动识别与成熟度判定问题。该数据集涵盖七处不同地理区域采集的2.1万张影像与6.1万个标注框，通过标注五种浆果的成熟与未成熟状态及蘑菇类别，为农业机器人与森林资源管理提供了关键数据支撑，显著推动了野外环境下的细粒度目标检测研究进展。

当前挑战

该数据集致力于应对野外浆果检测中存在的多重挑战：自然场景下浆果尺寸微小且常被植被遮挡，不同成熟度状态呈现相似色泽特征，加之光照变化与复杂背景干扰，传统计算机视觉方法难以实现稳定识别。在数据构建过程中，研究团队面临北欧地区多变气候对无人机航拍的影响，浆果类间形态相似性导致的标注歧义，以及泥炭地特殊地形造成的视角畸变等问题，这些因素共同构成了数据集构建的技术壁垒。

常用场景

经典使用场景

在农业遥感与计算机视觉交叉领域，WildBe-v2数据集通过无人机采集的芬兰泥炭地和森林冠层图像，为野生浆果检测提供了关键基准。其经典应用场景聚焦于开发鲁棒的目标检测模型，这些模型需要适应复杂自然环境中光照变化、植被遮挡和背景干扰的挑战。数据集涵盖五种浆果的成熟与未成熟状态及蘑菇类别，为多类别物体识别研究提供了丰富样本。

实际应用

在实际应用层面，该数据集支撑的智能检测系统可直接服务于精准农业和林业资源管理。通过自动化识别浆果成熟度与分布密度，能够优化野生浆果的采收规划与产量预测。同时，该系统还可扩展至生物多样性监测领域，为生态保护决策提供数据支持，实现自然资源的高效可持续利用。

衍生相关工作

基于该数据集衍生的经典研究包括多尺度特征融合网络在密集小目标检测中的创新应用，以及针对自然光照变化的域自适应方法。这些工作显著推进了野外环境下的实时检测技术，部分成果已集成至智能农业平台，为后续的农业机器人和生态监测系统开发奠定了技术基础。