Francesco/bees-jt5in

--- dataset_info: features: - name: image_id dtype: int64 - name: image dtype: image - name: width dtype: int32 - name: height dtype: int32 - name: objects sequence: - name: id dtype: int64 - name: area dtype: int64 - name: bbox sequence: float32 length: 4 - name: category dtype: class_label: names: '0': bees-0 '1': bees annotations_creators: - crowdsourced language_creators: - found language: - en license: - cc multilinguality: - monolingual size_categories: - 1K<n<10K source_datasets: - original task_categories: - object-detection task_ids: [] pretty_name: bees-jt5in tags: - rf100 --- # Dataset Card for bees-jt5in ** The original COCO dataset is stored at `dataset.tar.gz`** ## Dataset Description - **Homepage:** https://universe.roboflow.com/object-detection/bees-jt5in - **Point of Contact:** [e-mail] ### Dataset Summary bees-jt5in ### Supported Tasks and Leaderboards - `object-detection`: The dataset can be used to train a model for Object Detection. ### Languages English ## Dataset Structure ### Data Instances A data point comprises an image and its object annotations. ``` { 'image_id': 15, 'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>, 'width': 964043, 'height': 640, 'objects': { 'id': [114, 115, 116, 117], 'area': [3796, 1596, 152768, 81002], 'bbox': [ [302.0, 109.0, 73.0, 52.0], [810.0, 100.0, 57.0, 28.0], [160.0, 31.0, 248.0, 616.0], [741.0, 68.0, 202.0, 401.0] ], 'category': [4, 4, 0, 0] } } ``` ### Data Fields - `image`: the image id - `image`: `PIL.Image.Image` object containing the image. Note that when accessing the image column: `dataset[0]["image"]` the image file is automatically decoded. Decoding of a large number of image files might take a significant amount of time. Thus it is important to first query the sample index before the `"image"` column, *i.e.* `dataset[0]["image"]` should **always** be preferred over `dataset["image"][0]` - `width`: the image width - `height`: the image height - `objects`: a dictionary containing bounding box metadata for the objects present on the image - `id`: the annotation id - `area`: the area of the bounding box - `bbox`: the object's bounding box (in the [coco](https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/#coco) format) - `category`: the object's category. #### Who are the annotators? Annotators are Roboflow users ## Additional Information ### Licensing Information See original homepage https://universe.roboflow.com/object-detection/bees-jt5in ### Citation Information ``` @misc{ bees-jt5in, title = { bees jt5in Dataset }, type = { Open Source Dataset }, author = { Roboflow 100 }, howpublished = { \url{ https://universe.roboflow.com/object-detection/bees-jt5in } }, url = { https://universe.roboflow.com/object-detection/bees-jt5in }, journal = { Roboflow Universe }, publisher = { Roboflow }, year = { 2022 }, month = { nov }, note = { visited on 2023-03-29 }, }" ``` ### Contributions Thanks to [@mariosasko](https://github.com/mariosasko) for adding this dataset.dataset_info: features: - name: 图像ID（image_id） dtype: int64 - name: 图像（image） dtype: image - name: 图像宽度（width） dtype: int32 - name: 图像高度（height） dtype: int32 - name: 目标对象（objects） sequence: - name: 标注ID（id） dtype: int64 - name: 边界框面积（area） dtype: int64 - name: 边界框（bbox） sequence: float32 length: 4 - name: 目标类别（category） dtype: class_label: names: '0': bees-0 '1': 蜜蜂（bees） annotations_creators: - 众包标注（crowdsourced） language_creators: - 现有数据获取（found） language: - en（英语） license: - CC知识共享许可协议（cc） multilinguality: - 单语言数据集（monolingual） size_categories: - 1000 < 样本量 < 10000 source_datasets: - 原生数据集（original） task_categories: - 目标检测（object-detection） task_ids: [] pretty_name: bees-jt5in tags: - rf100 # 蜜蜂-jt5in 数据集卡片 **原始COCO数据集存储于`dataset.tar.gz`文件中** ## 数据集说明 - **主页（Homepage）**: https://universe.roboflow.com/object-detection/bees-jt5in - **联系方式（Point of Contact）**: [e-mail] ### 数据集概述 bees-jt5in ### 支持任务与排行榜 - `目标检测（object-detection）`: 该数据集可用于训练目标检测模型。 ### 语言 英语 ## 数据集结构 ### 数据实例 一个数据点包含一幅图像及其对应的目标标注信息。 { 'image_id': 15, 'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>, 'width': 964043, 'height': 640, 'objects': { 'id': [114, 115, 116, 117], 'area': [3796, 1596, 152768, 81002], 'bbox': [ [302.0, 109.0, 73.0, 52.0], [810.0, 100.0, 57.0, 28.0], [160.0, 31.0, 248.0, 616.0], [741.0, 68.0, 202.0, 401.0] ], 'category': [4, 4, 0, 0] } } ### 数据字段说明 - `image_id`: 图像唯一标识符 - `image`: 包含图像的`PIL.Image.Image`对象。请注意，当访问图像列时：`dataset[0]["image"]`会自动对图像文件进行解码。解码大量图像文件可能会耗费大量时间，因此建议优先通过样本索引查询图像列，即**始终优先使用`dataset[0]["image"]`而非`dataset["image"][0]`** - `width`: 图像宽度 - `height`: 图像高度 - `objects`: 包含图像中所有目标的边界框元数据字典 - `id`: 标注唯一ID - `area`: 边界框的像素面积 - `bbox`: 目标的边界框，遵循[COCO](https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/#coco)格式 - `category`: 目标所属类别。 #### 标注人员构成 标注人员均为Roboflow平台用户。 ## 补充信息 ### 许可信息 详见数据集主页：https://universe.roboflow.com/object-detection/bees-jt5in ### 引用信息 @misc{ bees-jt5in, title = { bees jt5in Dataset }, type = { Open Source Dataset }, author = { Roboflow 100 }, howpublished = { url{ https://universe.roboflow.com/object-detection/bees-jt5in } }, url = { https://universe.roboflow.com/object-detection/bees-jt5in }, journal = { Roboflow Universe }, publisher = { Roboflow }, year = { 2022 }, month = { nov }, note = { 访问于2023年3月29日 }, } ### 贡献致谢 感谢[@mariosasko](https://github.com/mariosasko)为本数据集的收录提供帮助。

原始信息汇总

数据集概述

数据集名称

• 名称: bees-jt5in

数据集特征

• 特征:
  • image_id: 图像ID，数据类型为int64
  • image: 图像数据，数据类型为image
  • width: 图像宽度，数据类型为int32
  • height: 图像高度，数据类型为int32
  • objects: 对象信息，包含以下子特征:
    • id: 对象ID，数据类型为int64
    • area: 对象区域，数据类型为int64
    • bbox: 边界框，数据类型为float32，长度为4
    • category: 对象类别，类别标签名为bees-0和bees

数据集结构

• 数据实例:

  • 每个数据点包括一张图像及其对象注释。

  • 示例数据结构:

    { image_id: 15, image: <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>, width: 964043, height: 640, objects: { id: [114, 115, 116, 117], area: [3796, 1596, 152768, 81002], bbox: [ [302.0, 109.0, 73.0, 52.0], [810.0, 100.0, 57.0, 28.0], [160.0, 31.0, 248.0, 616.0], [741.0, 68.0, 202.0, 401.0] ], category: [4, 4, 0, 0] } }

支持的任务

• 任务: 对象检测

数据集语言

• 语言: 英语

数据集大小

• 大小: 1K<n<10K

搜集汇总

数据集介绍

构建方式

蜜蜂目标检测数据集（bees-jt5in）源自Roboflow Universe平台，由众包标注者利用专家知识对图像中的蜜蜂实例进行精细标注。数据集遵循COCO格式，每张图像均配备完整的对象级注释，包括边界框坐标、面积及类别标签。其构建过程整合了原始图像采集与人工标注，确保了数据在真实场景下的多样性与标注的准确性，为训练鲁棒的检测模型提供了坚实基础。

使用方法

用户可通过HuggingFace Datasets库加载该数据集，利用其内置的PIL图像解码功能直接访问图像与标注。推荐先按索引查询样本（如dataset[0]["image"]）以避免批量解码带来的性能开销。数据可直接用于训练基于Faster R-CNN、YOLO等架构的目标检测模型，并支持自定义数据增强与预处理流程，如使用Albumentations库对边界框进行同步变换。

背景与挑战

背景概述

在农业生态监测与精准授粉研究中，蜜蜂作为关键传粉媒介的自动检测与追踪成为计算机视觉领域的重要课题。Francesco/bees-jt5in数据集由Roboflow 100项目于2022年11月创建，主要研究人员与Roboflow平台社区贡献者合作，核心研究问题聚焦于自然场景中蜜蜂个体的目标检测。该数据集源自Roboflow Universe平台，包含超过千张标注图像，以COCO格式提供边界框与类别标签，旨在推动农业场景下细粒度昆虫检测模型的开发。其影响力体现在为生物多样性监测、智慧农业及生态保护提供标准化的视觉基准，尤其适用于复杂背景中小目标检测任务的算法验证。

当前挑战

该数据集面临的核心挑战包括：首先，蜜蜂作为小目标在田野、花丛等复杂背景中常被遮挡或与相似昆虫混淆，导致检测精度受限；其次，数据集规模较小（1K至10K样本），难以覆盖不同光照、角度与密度场景，模型泛化能力易受制约。构建过程中，注释由Roboflow用户众包完成，存在标注一致性风险，例如边界框定位偏差或类别边界模糊（如蜜蜂与蜂类亚种区分）。此外，图像分辨率差异（如640×640像素）与目标尺度极端变化（面积从1596至152768像素不等）进一步加剧了模型对多尺度特征的提取难度。

常用场景

经典使用场景

在计算机视觉与生态学交叉研究领域，蜜蜂作为关键传粉媒介的自动检测与计数是精准农业与生物多样性监测的核心课题。bees-jt5in数据集源自Roboflow 100项目，专注于目标检测任务，其图像采集自真实农业场景，标注了蜜蜂个体及其背景中可能存在的干扰物。该数据集最经典的使用场景是训练基于深度学习的实时蜜蜂检测模型，例如YOLO或Faster R-CNN架构，通过边界框回归与类别分类，实现对密集蜂群活动的精确识别。其标注格式遵循COCO标准，便于与主流检测框架无缝集成，为评估模型在小目标、复杂背景下的泛化能力提供了标准化基准。

解决学术问题

该数据集系统性地解决了生态监测中蜜蜂种群量化研究的三大瓶颈：缺乏公开的高质量细粒度标注图像、野外场景下小目标与遮挡导致的检测精度低下、以及跨设备与光照条件下的鲁棒性不足。通过提供包含640×640分辨率图像与多实例边界框的标注库，它支持研究者量化模型在真实田间环境中的性能退化程度，并探索数据增强策略（如马赛克拼接、色彩抖动）对检测稳定性的影响。其意义在于将计算机视觉方法从实验室可控环境推向农业生态系统的实际部署，为传粉昆虫种群动态的长期自动化观测提供了可复现的数据基础，推动了生态信息学与深度学习交叉领域的范式演进。

实际应用

在农业科技与生态保护的实际落地中，bees-jt5in数据集驱动的检测模型可嵌入无人机巡检系统或固定式监测站，用于实时统计蜂箱入口处蜜蜂的进出频次、识别花丛中访花个体的分布密度。这一能力直接服务于精准授粉管理：种植者可根据检测结果动态调整放蜂方案，优化作物授粉效率。此外，该技术还可迁移至入侵物种（如亚洲大黄蜂）的早期预警系统，通过差异化的目标特征实现有害昆虫的自动筛选。数据集所依托的Roboflow平台生态进一步降低了部署门槛，使得非计算机视觉专业的农学家也能基于预训练模型快速构建定制化监测应用。

数据集最近研究

最新研究方向

在农业智能化与生态监测的前沿领域，蜜蜂作为关键传粉媒介的种群动态监测正日益受到关注。Francesco/bees-jt5in数据集专注于蜜蜂目标检测，其研究重点已从简单的个体识别转向复杂场景下的精准计数与行为分析。结合Roboflow 100基准测试，该数据集在推动轻量化深度学习模型（如YOLO系列）的细粒度检测能力方面发挥了重要作用，尤其针对密集蜂群、遮挡及环境光照变化等挑战。当前热点方向包括基于迁移学习的跨域适应方法，以及将检测结果与蜂群健康评估系统联动，为全球蜜蜂数量下降的生态危机提供数据驱动的解决方案。该数据集的开放性与标准化标注格式，使其成为连接计算机视觉与昆虫学研究的桥梁，对精准农业与生物多样性保护具有深远意义。