TrainingDataPro/plantations_segmentation

--- license: cc-by-nd-4.0 task_categories: - image-segmentation - image-classification - image-feature-extraction - image-to-image language: - en tags: - biology - code - not-for-all-audiences dataset_info: features: - name: image_id dtype: int32 - name: image dtype: image - name: class_segmentation dtype: image - name: object_segmentation dtype: image - name: shapes dtype: string splits: - name: train num_bytes: 48297698 num_examples: 13 download_size: 48362120 dataset_size: 48297698 --- # Plantations Segmentation Object Detection dataset The dataset consist of aerial photography of agricultural plantations with crops such as cabbage and zucchini. The dataset addresses agricultural tasks such as plant detection and counting, health assessment, and irrigation planning. # 💴 For Commercial Usage: To discuss your requirements, learn about the price and buy the dataset, leave a request on **[TrainingData](https://trainingdata.pro/datasets/agriculture-data-labeling?utm_source=kaggle&utm_medium=cpc&utm_campaign=plantations-segmentation)** to buy the dataset  # Dataset structure - **Plantations_Segmentation** - contains of original plantation images (folder **img**) and file with annotations (.xml) - **Object_Segmentation** - includes object segmentation masks for the original images - **Class_Segmentation** - includes class segmentation masks for the original images # Types of segmentation The dataset includes two types of segmentation: - **Class Segmentation** - objects corresponding to one class are identified - **Object Segmentation** - all objects are identified separately # Data Format Each image from `img` folder is accompanied by an XML-annotation in the `annotations.xml` file indicating the coordinates of the polygons. For each point, the x and y coordinates are provided. # Example of XML file structure .png?generation=1686129907313187&alt=media) # Plantation segmentation might be made in accordance with your requirements. # 💴 Buy the Dataset: This is just an example of the data. Leave a request on **[https://trainingdata.pro/datasets](https://trainingdata.pro/datasets/agriculture-data-labeling?utm_source=kaggle&utm_medium=cpc&utm_campaign=plantations-segmentation)** to discuss your requirements, learn about the price and buy the dataset ## [**TrainingData**](https://trainingdata.pro/datasets/agriculture-data-labeling?utm_source=kaggle&utm_medium=cpc&utm_campaign=plantations-segmentation) provides high-quality data annotation tailored to your needs More datasets in TrainingData's Kaggle account: **https://www.kaggle.com/trainingdatapro/datasets** TrainingData's GitHub: **https://github.com/Trainingdata-datamarket/TrainingData_All_datasets** *keywords: agricultural tasks dataset, image segmentation dataset, plantations images dataset, plantations segmentation dataset, land cover dataset, agricultural products dataset, semantic segmentation dataset, agriculture dataset, agricultural data, object detection dataset, plants segmentation dataset, plant detection, plant recognition*--- 许可证：CC BY-ND 4.0 任务类别： - 图像分割（image-segmentation） - 图像分类（image-classification） - 图像特征提取（image-feature-extraction） - 图像到图像转换（image-to-image） 语言： - 英语 标签： - 生物学（biology） - 代码（code） - 不适用于所有受众（not-for-all-audiences） 数据集信息： 特征： - 图像ID（image_id）：数据类型为int32 - 图像（image）：数据类型为图像 - 类别分割掩码（class_segmentation）：数据类型为图像 - 目标分割掩码（object_segmentation）：数据类型为图像 - 形状（shapes）：数据类型为字符串 划分集： - 训练集（train）：字节数48297698，样本数13 下载大小：48362120 数据集总大小：48297698 --- # 种植园分割目标检测数据集 本数据集包含农业种植园的航拍影像，种植作物涵盖卷心菜与西葫芦。本数据集可支撑植物检测与计数、作物健康评估以及灌溉规划等农业相关任务。 # 💴 商业用途：如需洽谈需求、了解定价并购买本数据集，请前往**[TrainingData](https://trainingdata.pro/datasets/agriculture-data-labeling?utm_source=kaggle&utm_medium=cpc&utm_campaign=plantations-segmentation)**提交申请以完成购买。  # 数据集结构 - **种植园分割（Plantations_Segmentation）**：包含原始种植园航拍影像（存于**img**文件夹）与标注文件（.xml格式） - **目标分割（Object_Segmentation）**：包含原始影像对应的目标分割掩码 - **类别分割（Class_Segmentation）**：包含原始影像对应的类别分割掩码 # 分割类型 本数据集包含两类分割任务： - **类别分割**：识别归属于同一类别的目标对象 - **目标分割**：对所有目标对象进行单独识别与分割 # 数据格式 `img`文件夹中的每张影像均配套`annotations.xml`文件中的XML标注，该标注会标注多边形的顶点坐标，每个顶点均提供x、y两个维度的坐标信息。 # XML文件结构示例 .png?generation=1686129907313187&alt=media) # 可根据您的需求定制种植园分割方案。 # 💴 购买数据集：本页面仅展示数据集示例，如需洽谈需求、了解定价并购买本数据集，请前往**[https://trainingdata.pro/datasets](https://trainingdata.pro/datasets/agriculture-data-labeling?utm_source=kaggle&utm_medium=cpc&utm_campaign=plantations-segmentation)**提交申请。 ## **TrainingData**可提供贴合您需求的高质量数据标注服务 TrainingData在Kaggle平台的更多数据集：**https://www.kaggle.com/trainingdatapro/datasets** TrainingData的GitHub仓库：**https://github.com/Trainingdata-datamarket/TrainingData_All_datasets** *关键词：农业任务数据集、图像分割数据集、种植园影像数据集、种植园分割数据集、土地覆盖数据集、农产品数据集、语义分割数据集、农业数据集、农业数据、目标检测数据集、植物分割数据集、植物检测、植物识别*

原始信息汇总

数据集概述

数据集名称

• Plantations Segmentation Object Detection dataset

数据集内容

• 包含农业种植园的航空摄影图像，如卷心菜和西葫芦。
• 用于农业任务，如植物检测和计数、健康评估和灌溉规划。

数据集结构

• Plantations_Segmentation：包含原始种植园图像（文件夹 img）和带有注释的文件（.xml）。
• Object_Segmentation：包含原始图像的对象分割掩码。
• Class_Segmentation：包含原始图像的类别分割掩码。

数据集特征

• image_id：数据类型为 int32。
• image：数据类型为图像。
• class_segmentation：数据类型为图像。
• object_segmentation：数据类型为图像。
• shapes：数据类型为字符串。

分割

• train：包含13个示例，总字节数为48297698。

数据格式

• 每张图像都伴随有一个annotations.xml文件，其中包含多边形的坐标。

许可证

• cc-by-nd-4.0

任务类别

• 图像分割
• 图像分类
• 图像特征提取
• 图像到图像转换

语言

• 英语

标签

• 生物学
• 代码
• 不适合所有观众

数据集大小

• 下载大小：48362120字节
• 数据集大小：48297698字节

搜集汇总

数据集介绍

构建方式

该数据集构建于农业种植园的航空摄影影像之上，聚焦于卷心菜与西葫芦等作物的精准识别。数据集的原始图像存储于“img”文件夹内，每幅图像均配有详细的XML格式标注文件，其中记录了多边形顶点的精确坐标。此外，数据集还提供了两类分割掩膜：一类是类级分割，将同一类别的所有对象整体标识；另一类是对象级分割，对每个独立对象进行逐一区分。这种双重分割结构，使得数据集在语义粒度上具备了层次分明的表达能力。

特点

数据集的核心特色在于其精细的双重分割机制，能够同时满足类级与对象级的分析需求。类级分割适用于宏观的作物类型识别与面积估算，而对象级分割则支持个体植物的检测、计数与健康状态评估。所有标注均基于高清航拍图像，确保了空间信息的准确性与丰富性。数据集的标签体系涵盖图像标识、原始影像、两类分割掩膜及形状描述，结构紧凑且信息完备，为农业领域的智能监测任务提供了坚实的数据基础。

使用方法

使用该数据集时，研究者可直接加载“image_id”、“image”、“class_segmentation”、“object_segmentation”及“shapes”等字段，以适配图像分割、分类或特征提取等任务。训练集包含13个样本，适用于小样本学习或模型原型验证。通过解析XML标注文件，可获取多边形坐标用于目标检测训练。该数据集在HuggingFace平台上以标准格式发布，支持通过Datasets库快速调用，便于集成到现有的深度学习流水线中，开展作物识别、生长分析或灌溉规划等研究。

背景与挑战

背景概述

在精准农业与遥感技术迅猛发展的当下，基于航拍影像的作物识别与分割已成为智慧农业的核心支撑。TrainingDataPro/plantations_segmentation数据集由Unidata团队于近年创建，专注于农业种植园的语义分割与目标检测任务。该数据集通过无人机航拍获取包含卷心菜、西葫芦等作物的农业种植园影像，旨在解决植物检测与计数、健康评估及灌溉规划等关键农业问题。其独特之处在于同时提供类别分割与对象分割两种标注形式，为多层级农业视觉分析提供了标准化基准。凭借对实际农业生产场景的精准刻画，该数据集在推动农业自动化与遥感图像理解领域的研究中展现出显著价值。

当前挑战

该数据集面临的核心挑战在于农业场景的高度复杂性与数据规模的局限性。田间作物常呈现密集生长、叶片交错、光照不均等形态，使得传统分割算法难以准确区分个体植株，尤其在对象分割任务中需应对严重遮挡与边界模糊问题。同时，数据集仅包含13张训练样本，样本量极小，对深度学习模型的泛化能力构成严峻考验，易导致过拟合与域迁移失败。构建过程中，人工标注多边形坐标的成本极高，且需在航拍影像中精确勾勒作物轮廓，标注一致性难以保障。此外，不同作物品种、生长阶段及地形变化进一步加剧了标注标准的统一难度，限制了数据集在跨场景任务中的直接应用。

常用场景

经典使用场景

该数据集聚焦于农业种植园的航拍影像，涵盖卷心菜、西葫芦等作物的精细分割标注，是计算机视觉在精准农业领域中的经典应用。其核心使用场景包括基于深度学习的作物实例分割与语义分割模型训练，通过提供类别分割与对象分割两种标注形式，支持从植株个体识别到区域分类的多层次分析。研究者可借此开发高精度的作物检测与计数算法，为农田管理中的自动化监测奠定基础。

实际应用

在实际应用中，该数据集支撑了智能农业系统的落地，例如通过无人机搭载的视觉模块实时解析种植园图像，实现作物健康状态评估、病虫害早期预警及灌溉需求动态规划。农业合作社和科技企业可基于分割结果自动生成作物分布热力图，优化施肥与收割调度，显著降低人力成本。此外，其标注格式兼容主流部署框架，便于集成到精准农业物联网平台中，提升田间管理的数字化水平。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于Mask R-CNN的作物实例分割改进模型、结合注意力机制的语义分割网络以应对密集种植场景，以及利用生成对抗网络进行数据增强以提升小样本学习性能。研究者还将其与多光谱遥感数据融合，开发出跨模态的作物识别框架，并催生了针对农业场景的轻量化分割模型设计，这些工作持续推动了农业AI从实验验证走向规模化部署。