Voxel51/CottonWeedDet12

CottonWeedDet12是一个针对美国南部棉花生产系统的12类杂草目标检测数据集，包含5,648张RGB田间图像和9,370个边界框标注，数据采集于2021-2022年密歇根州立大学MEFAS田间试验。该数据集是YOLO目标检测器YOLOWeeds基准测试的配套数据集，旨在支持机器视觉和机器人除草研究，提供大规模、多类别的杂草图像数据，以促进棉花生产中的可持续杂草管理。CottonWeedDet12 is a 12-class weed object-detection dataset for cotton production systems in the southern U.S., consisting of 5,648 RGB field images with 9,370 bounding box annotations collected in Michigan State University MEFAS field trials during 2021-2022. It is the companion dataset for the YOLOWeeds benchmark of YOLO object detectors.

搜集汇总

数据集介绍

构建方式

CottonWeedDet12数据集专为美国南部棉花生产系统中的多类杂草检测而构建，旨在应对除草剂抗性加剧及环境安全挑战。该数据集包含5648张RGB田间图像，涵盖12类杂草，共计9370个边界框标注。图像由智能手机和手持数码相机在自然田间光照条件下采集，时间跨度2021至2022年，地点为密歇根州立大学MEFAS试验田。标注工作借助VGG图像标注工具（VIA v2.10）手工完成，每个可见杂草实例均被赋予唯一的类别标签。数据释放时原生包含VIA JSON及YOLO格式两种标注，但本数据集以原始VIA JSON为准，确保与论文统计完全一致。

特点

CottonWeedDet12具备鲜明的领域特色：首先，数据集覆盖了美国南部棉花生产中最重要的12种杂草，其中水麻、牵牛花和马齿苋等类别样本丰富，而少数类别如鹅草和裂叶地锦则样本稀缺，真实反映了田间杂草分布的不均衡性。其次，图像采集设备多样，包括iPhone SE、Nikon D3300、Canon EOS4000D等五款设备，分辨率各异，增强了模型对不同成像条件的鲁棒性。此外，每张图像附有采集日期、设备型号及标注者首字母等元数据，便于细粒度分析。数据集无预定义训练/验证/测试划分，为研究者提供了灵活的拆分空间。

使用方法

该数据集需通过FiftyOne框架加载使用。用户需先安装FiftyOne库，随后调用`load_from_hub`函数从HuggingFace Hub下载数据集，加载后可通过`fo.launch_app`启动可视化界面进行探索。数据集核心字段包括图像路径（filepath）、检测标签（ground_truth）以及元数据（capture_date、device、annotator_initials）。标签类型为`Detections`，存储相对坐标的边界框。此数据集适合用于训练和评估YOLO系列等目标检测模型，亦可作为多类杂草识别研究的基准。需注意，其CC-BY-NC-4.0许可证禁止商业用途，且模型在南方棉田以外场景的适用性尚待验证。

背景与挑战

背景概述

杂草是棉花生产中的重大威胁，传统除草剂的过度使用已加速杂草抗药性的演化，并引发环境与食品安全隐忧。在此背景下，密歇根州立大学Yuzhen Lu研究团队于2021至2022年间，在其MEFAS试验田采集了5,648幅RGB田间图像，构建了CottonWeedDet12数据集。该数据集覆盖12类与棉花生产密切相关的杂草物种，包含9,370个边界框标注，旨在为基于机器视觉的自动除草系统提供训练与评估基准。作为YOLOWeeds基准测试的配套数据集，其发布为精准农业中多类杂草检测研究奠定了重要数据基础，推动了目标检测模型在农业场景中的应用。

当前挑战

CottonWeedDet12所应对的领域挑战在于解决传统除草方式依赖化学药剂导致的抗药性与环境问题，通过机器视觉实现高效、精准的杂草识别与定位。数据构建过程中面临多重技术难点：图像采集需在自然光照、多变杂草生长期及不同智能手机与数码相机条件下进行，导致图像分辨率与质量参差不齐；人工标注需经专业人员辨识12类形态相近的杂草，标注一致性难以保障；此外，原始数据存在两种标注格式（VIA JSON与YOLO格式）的不一致问题，增加了数据预处理与模型复现的复杂性。

常用场景

经典使用场景

CottonWeedDet12作为面向美国南部棉花生产系统的12类杂草目标检测数据集，其经典使用场景聚焦于训练和评估基于深度学习的实时杂草检测模型。该数据集搭载了5648张野外RGB图像及9370个边界框标注，覆盖水麻、牵牛花、马齿苋等12种优势杂草类别，特别适用于YOLO系列检测器的基准测试。研究者可通过FiftyOne平台便捷加载数据，在自然光照条件下验证模型对多尺度、多生长阶段杂草的识别能力，为精准农业中的机器视觉系统提供标准化训练基础。

解决学术问题

该数据集直面棉花生产中除草剂滥用引发的杂草抗药性加剧与生态安全危机这一核心学术难题。传统依赖化学除草的管理模式导致环境负荷与食品安全隐患，而CottonWeedDet12为开发数据驱动的智能除草方案提供了关键支撑。通过提供大规模、多类别、真实田间场景的标注数据，它解决了杂草检测领域长期存在的标注数据匮乏与类别不平衡问题，推动了计算机视觉技术在可持续农业中的跨学科应用，显著提升了模型在实际生产环境下的泛化鲁棒性。

衍生相关工作

围绕CottonWeedDet12衍生出的核心工作以YOLOWeeds基准研究为代表，该工作系统评估了多种YOLO变体（如YOLOv5、YOLOv7等）在12类杂草检测任务中的性能表现，揭示了不同架构在类别不平衡场景下的优劣特性。后续研究进一步拓展了模型剪枝、知识蒸馏等轻量化技术在边缘设备上的部署可行性，并催生了跨作物杂草检测的数据集迁移学习范式。这些成果共同构建了从数据标注、模型选型到田间落地的完整技术链条，成为智能杂草管理领域的重要参照体系。