greenhouse_crop_weed_detection

该数据集名为 Greenhouse Crop Weed Detection，是一个用于温室场景下作物与杂草检测的目标检测数据集。数据集包含200张图像，共标注了11,192个边界框，覆盖14个类别，包括：Blackbean、Canola、Corn、Field Pea、Flax、Horseweed、Kochia、Lentil、Palmer Amaranth、Ragweed、Redroot Pigweed、Soybean、Sugar beet 和 Waterhemp。数据集的标注格式为边界框（bbox）和类别标签（categories）。该数据集源自 AgML 项目，原始数据经过重新格式化以符合 HuggingFace 标准。许可协议为 CC-BY-4.0。The dataset is called Greenhouse Crop Weed Detection, an object detection dataset for crop and weed detection in greenhouse scenarios. It contains 200 images with 11,192 bounding boxes covering 14 categories: Blackbean, Canola, Corn, Field Pea, Flax, Horseweed, Kochia, Lentil, Palmer Amaranth, Ragweed, Redroot Pigweed, Soybean, Sugar beet, and Waterhemp. The annotation format is bounding box (bbox) and category labels. The dataset originates from the AgML project, and the original data has been reformatted to comply with HuggingFace standards. The license is CC-BY-4.0.

原始信息汇总

数据集概述

Greenhouse Crop Weed Detection 是一个温室环境下农作物与杂草检测数据集，支持目标检测任务。

基本信息

• 许可证: CC-BY-4.0
• 任务类型: 目标检测（Object Detection）
• 数据集规模: 少于 1,000 个样本（n<1K）
• 数据来源: 原始格式已调整为 HuggingFace 标准格式；数据集收录于 Project-AgML 并作为 AgML Python 库的一部分

数据内容

• 图像数量: 200 张
• 边界框注释数量: 11,192 个
• 类别数量: 14 类，包括：
  • 农作物（7 类）：Blackbean（黑豆）、Canola（油菜）、Corn（玉米）、Field Pea（田豆）、Flax（亚麻）、Lentil（扁豆）、Soybean（大豆）、Sugar beet（甜菜）
  • 杂草（6 类）：Horseweed（加拿大蓬）、Kochia（地肤）、Palmer Amaranth（帕尔默苋）、Ragweed（豚草）、Redroot Pigweed（红根苋）、Waterhemp（水麻）

数据划分

• 训练集（train）: 200 个样本，大小约 2.80 GB（2,802,533,096 字节）
• 下载大小: 约 2.80 GB（2,802,554,800 字节）

数据特征

• image: 图像数据
• objects: 目标对象信息，包含：
  • bbox: 边界框坐标（float64 列表）
  • categories: 类别标签（14 个类别，从 0 到 13）

引用信息

引用论文：

Sunil, GC, Koparan, Cengiz, Upadhyay, Arjun, Ahmed, Mohammed Raju, Zhang, Yu, Howatt, Kirk, Sun, Xin (2024). "A novel automated cloud-based image datasets for high throughput phenotyping in weed classification." Data in Brief, 57, 111097.

引用数据集：

G C, Sunil; Koparan, Cengiz; Upadhyay, Arjun; Ahmed, Mohammed Raju; Zhang, Yu; Howatt, Kirk; Sun, Xin (2024), "A Novel Automated Cloud-Based Image Datasets for High Throughput Phenotyping in Weed Identification." Mendeley Data, V3, doi: 10.17632/hs7d7kpd3z.3

搜集汇总

数据集介绍

构建方式

该数据集的构建依托于温室环境下的高吞吐量表型分析技术，通过自动化云平台采集作物与杂草的影像数据。原始数据经过精心整理与标注，形成了包含200幅高分辨率图像及11,192个边界框注释的数据集，覆盖14个类别，涵盖黑豆、油菜、玉米、大豆等主要作物及多种常见杂草。数据集的构建过程遵循严格的质量控制，确保注释的准确性与一致性，并采用标准化的数据格式，使其可直接用于目标检测模型的训练与评估。

特点

该数据集具有鲜明的领域特色与实用价值，聚焦于温室作物与杂草的精准识别，对农业智能化发展具有重要意义。其图像数据来源于真实温室环境，涵盖了多种作物与杂草的典型形态，具有较高的复杂性与挑战性。14个类别的精细划分，使得模型能够区分形态相似的物种，为精准农业中的杂草管理提供有力支持。此外，数据集规模虽小，但注释密度高，平均每幅图像包含约56个目标实例，展现了丰富的场景信息，有助于训练鲁棒的检测模型。

使用方法

该数据集的使用方法简洁明了，适用于基于深度学习的目标检测任务。研究人员可通过HuggingFace平台直接加载数据，利用其提供的标准化格式进行模型训练与验证。数据集已划分训练集，包含200个样本，可结合现有目标检测框架（如YOLO、Faster R-CNN等）进行微调与评估。此外，该数据集已被集成至AgML Python库，可通过API访问，便于在农业机器学习工作流中高效调用。对于实际应用，用户可基于该数据集训练模型，实现对温室作物与杂草的自动识别与定位，进而优化农药施用策略，提升农业生产效率。

背景与挑战

背景概述

温室作物与杂草的精准检测是精准农业与植物表型组学研究的关键环节。该数据集由北达科他州立大学的研究团队于2024年创建，核心成员包括Sunil G C、Cengiz Koparan等，旨在应对温室环境中作物与杂草高精度识别与定位的迫切需求。数据集包含200幅高分辨率图像，涵盖14个类别，共计11,192个边界框标注，覆盖大豆、玉米、甜菜等作物及水麻、豚草等顽固性杂草。其独特的温室环境背景，为开发鲁棒的计算机视觉模型提供了贴近实际生产场景的训练与验证资源，并已集成至AgML库，对推动自动化表型采集和智能除草技术发展具有重要意义。

当前挑战

该数据集所解决的领域问题在于实现复杂温室环境下作物与杂草的精准目标检测，其构建过程亦面临多重挑战。首先，温室环境光照不均、叶片遮挡及作物表型相似性导致类别间视觉差异细微，显著增加了标注辨识难度与算法误判风险。其次，数据采集需兼顾高分辨率成像与表型多样性，但因规模仅200幅，样本量有限，模型泛化能力易受限制。此外，构建过程中涉及大规模标注的组织与管理，需确保14类目标在不同生长阶段和姿态下的标注一致性，工作繁重且易引入主观误差，对数据质量控制提出了严苛要求。

常用场景

经典使用场景

该数据集聚焦于温室环境下作物与杂草的检测任务，包含200幅高分辨率图像，涵盖14个类别，共计11,192个边界框标注。其经典使用场景在于训练和评估目标检测模型，尤其是针对农业领域的精细目标识别。研究者可基于此数据集开展多类别目标检测算法的基准测试，如YOLO、Faster R-CNN等，并探索在复杂温室背景下的特征提取与定位精度提升方法。

解决学术问题

该数据集解决了温室环境下作物与杂草自动识别中标注数据匮乏的学术难题。传统杂草检测多依赖田间图像，而温室环境的光照、背景及作物形态差异显著，导致模型泛化能力受限。此数据集提供了标准化、多样化的标注样本，助力研究者在受控条件下验证算法鲁棒性，推动精准农业中计算机视觉技术的理论发展，为高分辨率图像下的细粒度分类与定位研究提供了坚实的数据基础。

衍生相关工作

该数据集衍生了多项经典工作，如基于深度学习的杂草分类模型优化研究，以及多尺度特征融合在密集小目标检测中的应用。其引用文献（Sunil等，2024）展示了基于云平台的高通量表型分析框架，后续研究可在此基础上扩展半监督学习、域适应等范式，以应对数据规模较小的挑战。此外，该数据集的重新格式化版本促进了HuggingFace生态中农业数据集的标准化，推动了农业AI开源社区的协作与创新。