AgriField-40K

AgriField-40K 是一个面向真实农业场景的田野中心数据集，从17个公开来源中整合并筛选出39,963张RGB图像。该数据集专为视觉表示学习、参数高效持续预训练以及自监督学习设计，聚焦于实际农田环境中的视觉理解。数据覆盖超过26种作物、多种杂草类型、混合植被、牧场及土壤杂乱背景，图像采集自多种平台（手持相机、地面机器人、无人机/飞行器、遮蔽式田间平台等），并包含不同生长阶段、季节变化、光照条件和地理区域。所有图像经过标准化预处理：采用Lanczos插值缩放至短边512像素，再进行中心裁剪为512×512分辨率，并进行了时序去重和质量过滤；原始监督标签（如边界框、分割掩码、类别标注）已被移除，以适配自监督学习范式。数据集划分为训练集（32,136张，约80%）和验证集（7,827张，约20%），文件名采用统一前缀格式以追溯来源。该数据集适用于农业领域的视觉模型预训练、持续学习、自监督表示学习等任务。AgriField-40K is a field-centric dataset for real agricultural scenes, compiled and curated from 17 public sources, resulting in 39,963 RGB images. It is specifically designed for visual representation learning, parameter-efficient continual pre-training, and self-supervised learning, focusing on visual understanding in real farm environments. The data covers over 26 crop species, various weed types, mixed vegetation, pastures, and soil clutter backgrounds. Images are collected from multiple platforms (handheld cameras, ground robots, drones/UAVs, canopy field platforms, etc.) and include different growth stages, seasonal variations, lighting conditions, and geographic regions. All images undergo standardized preprocessing: resizing to a short side of 512 pixels using Lanczos interpolation, followed by center cropping to 512×512 resolution, along with temporal deduplication and quality filtering. Original supervised labels (e.g., bounding boxes, segmentation masks, class annotations) have been removed to adapt to the self-supervised learning paradigm. The dataset is split into a training set (32,136 images, ~80%) and a validation set (7,827 images, ~20%), with filenames using a unified prefix format to trace their sources. This dataset is suitable for tasks such as vision model pre-training, continual learning, and self-supervised representation learning in the agricultural domain.

原始信息汇总

AgriField-40K 数据集概述

基本介绍

AgriField-40K 是一个以田间场景为核心的农业图像数据集，由 17 个公开数据源整合而成，共包含 39,963 张 RGB 图像。该数据集专为视觉表征学习、参数高效持续预训练以及真实农业田间场景下的自监督学习而设计。

数据集特点

• 规模与多样性：覆盖超过 26 种作物、数十种杂草类型、混合植被、牧场及土壤杂乱环境。
• 采集平台多样：图像来自多种传感器、手持相机、地面机器人、无人机/无人机平台及遮蔽式田间平台。
• 环境变化丰富：包含不同生长阶段、季节变化、光照条件及地理区域。
• 预训练预处理：统一缩放至 512x512 分辨率，并进行时间去重与质量过滤。

许可与合规

• 聚合后数据集整体采用 CC BY-SA 4.0 许可证发布。
• 各子数据集保留其原始许可证：CC BY-SA 4.0、CC BY 4.0、CC BY 1.0、MIT、CC0 1.0 等。
• 若用户仅提取并隔离属于某一单一上游子数据集的图像，可遵循该特定组件的原始许可证。
• 数据集按“原样”提供，不附带任何明示或暗示的担保。

数据来源汇总

来源数据集	年份	许可证	保留数量	主要领域	采集方式
PhenoBench	2026	CC BY-SA 4.0	9,606	甜菜、6种杂草	无人机
LUCASVision	2023	CC BY 4.0	11,195	12种作物	手持相机
MuST-C	2026	CC BY 4.0	7,242	甜菜、大豆、马铃薯等	机器人
VCD	2022	CC BY 4.0	2,258	玉米、豆类（早期）	遮蔽平台
VegAnn	2022	CC BY 1.0	1,607	26+种作物	多种
WE3DS	2023	CC BY 4.0	1,553	7种作物、10种杂草	立体RGB-D
iNatWeeds	2026	CC BY 4.0	1,315	混合物种	手持相机
SesameWeed	2020	CC0	1,300	芝麻、杂草	手持相机
RumexLeaves	2024	CC BY 4.0	809	钝叶酸模	机器人
ACRECropWeed	2023	CC BY 4.0	791	玉米、豆类、4种杂草	机器人
GrassClover	2019	CC BY-SA 4.0	435	草、三叶草、杂草	手持相机
RadishWheat	2022	CC BY 4.0	534	小麦中的野萝卜	其他相机
PalmerAmaranth	2023	CC BY 4.0	516	帕尔默苋菜（8个阶段）	手持相机
Maize-Weed	2022	CC BY 4.0	255	玉米、杂草	手持相机
PerennialPlants	2021	MIT	240	多年生植物中的杂草	手持相机
SorghumWeed	2023	CC BY 4.0	172	高粱、草、杂草	手持相机
Ronin	2021	CC BY 4.0	135	6种作物、8种杂草	手持相机

数据处理流程

1. 无监督化处理：移除原始监督标签、边界框、掩码及类别注释。
2. 去重与帧采样：基于序列和视频的数据集按固定帧间隔降采样。
3. 质量与相关性过滤：排除失焦、严重模糊、损坏、非田间或伪影严重的图像。
4. 缩放与中心裁剪：使用 Lanczos 插值将短边缩放至 512 像素，随后进行 512x512 中心裁剪。
5. 文件名标准化：统一采用 [数据源]_[id] 前缀格式命名，确保来源可追溯。

数据集结构

text agrifield40k/ ├── train/ # 训练集，约80%（32,136张图像） └── val/ # 验证集，约20%（7,827张图像）

引用信息

该数据集与论文《AgriField-40K: Adapting Vision Models to Agriculture With Efficient Continual Pretraining》相关联，论文地址为 https://arxiv.org/abs/2608.07984。

搜集汇总

数据集介绍

构建方式

AgriField-40K数据集的构建源于对17个公开农业图像资源的系统整合与精细加工。为满足自监督学习对数据纯净性的要求，构建流程首先剥离了原始数据集中的监督标签、边界框及类别注释，仅保留视觉内容。随后，针对序列或视频来源的数据，采用固定帧间隔采样以消除时间冗余和近似重复帧。在质量筛选中，排除了失焦、模糊、损坏或非田间场景的图像，确保数据集的清晰度和相关性。最后，所有图像经Lanczos插值统一缩放至短边512像素，并中心裁剪为512×512，同时以`[来源]_[编号]`的标准格式重命名，以保障来源的可追溯性。这一系列严谨的预处理步骤，最终造就了包含39,963张高质量田间图像的AgriField-40K数据集。

使用方法

AgriField-40K数据集专为视觉表示学习、参数高效持续预训练和自监督学习设计。使用时，研究者可直接将图像输入到自监督学习框架（如MAE、SimCLR等）中，以学习通用的视觉特征。数据集已划分为训练集（约80%，32,136张）和验证集（约20%，7,827张），便于模型训练和评估。由于图像已统一为512×512分辨率，无需额外的预处理即可直接喂入模型。在持续预训练场景中，该数据集可作为农业领域的预训练语料，对通用视觉模型进行领域适应，从而提升模型在农作物检测、杂草识别等下游任务中的性能。用户需注意遵守CC BY-SA 4.0许可，若提取单个子集，则遵循该子集的原始许可条款。

背景与挑战

背景概述

AgriField-40K数据集由Vasileios Tzouras、Paraskevas Pegios和Lazaros Nalpantidis等研究人员于2026年构建，旨在解决农业视觉领域因数据分布差异导致的模型泛化瓶颈。该数据集聚合了17个公开农业图像源，涵盖39,963张RGB图像，聚焦于真实田间环境，超越传统以叶片为中心或可控环境下的植物数据集。其核心研究问题在于推动视觉表示学习、参数高效持续预训练及自监督学习在农业场景中的适应性。通过标准化预处理和去冗余，AgriField-40K为适应真实农业条件提供了大规模、多样化的基准，对精准农业、作物监测和智能除草等应用具有重要影响力。

当前挑战

AgriField-40K面临的挑战涉及领域问题和构建过程两方面。在领域问题层面，农业田间图像受光照变化、生长阶段、季节更替和地理差异影响，要求模型具备强泛化能力，而现有数据集多限于特定作物或受控环境，难以应对复杂田间条件。构建过程中，需从17个来源整合数据，面临许可证兼容性（如CC BY-SA 4.0与CC BY 1.0等）、格式标准化和版权合规的难题；同时，需去除冗余帧、过滤低质量图像，并统一分辨率至512x512，确保自监督学习所需的视觉一致性。此外，原始标签的移除和文件名标准化需兼顾来源追踪，增加了数据治理的复杂性。

常用场景

经典使用场景

AgriField-40K数据集以其独特的田间视角，成为农业视觉基础模型预训练与自监督学习的优选资源。其图像统一处理至512×512分辨率，去除原始标注，专为视觉表示学习、参数高效持续预训练及自监督学习设计。研究者可基于该数据集进行掩码图像建模、对比学习等自监督预训练，或进行领域适应与模型微调，从而提升模型对复杂田间环境的感知能力。

解决学术问题

该数据集解决了农业视觉领域公开数据集多集中于叶片级或受控环境、缺乏真实田间场景的难题，弥合了通用视觉模型与农业应用之间的领域鸿沟。通过整合17个数据源、涵盖26种作物及多种杂草类型，AgriField-40K为研究无监督表征学习、持续预训练的灾难性遗忘问题、以及跨域泛化提供了大规模多样化基准，推动了农业视觉任务如作物识别、杂草检测和语义分割的学术进展。

实际应用

在实际应用中，AgriField-40K助力精准农业的发展，例如支持智能除草机器人通过自监督预训练快速适应新农田环境，提高杂草检测精度；用于无人机遥感影像的作物分类与生长监测；以及为农业问答系统、产量预测模型提供视觉特征提取基础。其标准化预处理和来源追溯特性，便于模型在真实部署中的迭代更新，降低对人工标注的依赖。

数据集最近研究

最新研究方向

AgriField-40K数据集的构建标志着农业视觉领域向大规模、真实场景自监督预训练范式的深刻转型。该数据集整合17个公开资源，汇聚近四万张涵盖26种以上作物及多种杂草的田间影像，突破了传统叶片级或受控环境数据集的局限，为参数高效持续预训练与自监督学习提供了坚实的实证基础。其研究焦点在于利用领域自适应预训练策略，使通用视觉基础模型能够高效迁移至复杂的农业田间环境，从而应对作物生长阶段、光照条件及地理区域多样性的挑战。这一工作不仅促进了农业视觉系统在精准杂草管理、作物监测等任务中的泛化能力，也为构建可持续、可扩展的农业智能生态系统开辟了新的路径，对提升全球粮食安全具有深远意义。