bee_detection

github2025-12-16 更新2025-12-17 收录

下载链接：

https://github.com/PRBonn/bee_detection

下载链接

链接失效反馈

官方服务：

资源简介：

这是一个用于农业领域中传粉者检测的数据集，包含验证集和测试集的图像及注释。数据集旨在通过AI辅助标注框架提高传粉者检测的模型性能。

This is a dataset for pollinator detection in the agricultural domain, which includes images and annotations for both the validation set and test set. The dataset aims to improve the model performance for pollinator detection via an AI-assisted annotation framework.

创建时间：

2025-12-15

原始信息汇总

数据集概述

数据集名称

Evaluating AI-Assisted Pollinator Detection in Agricultural Fields（农业领域中AI辅助传粉昆虫检测评估数据集）

数据集来源

本数据集为论文《Evaluating AI-Assisted Pollinator Detection in Agricultural Fields》的官方数据。

数据集目的

用于评估农业领域中AI辅助的传粉昆虫检测框架。

数据集内容与获取方式

已公开数据

验证集：作为数据集的样本提供。
- 下载链接：https://www.ipb.uni-bonn.de/html/projects/bee_detection_chong2024aeee/dataset/final_dataset/bee_chong_seidel_validation_set.zip
测试集图像：测试使用的图像数据。
- 下载链接：https://www.ipb.uni-bonn.de/html/projects/bee_detection_chong2024aeee/dataset/final_dataset/bee_chong_seidel_test_images.zip
迭代标注文件：包含各迭代轮的标注数据，测试集的标注需从此文件中提取。
- 下载链接：https://www.ipb.uni-bonn.de/html/projects/bee_detection_chong2024aeee/dataset/iteration_labels.zip

完整数据集状态

完整数据集将在论文被接受后公开。
在此之前，可通过邮件联系作者（Linn）申请早期访问。

关键特性（基于论文要点）

引入了用于传粉昆虫检测数据集的AI辅助标注框架。
该标注框架相比人工标注将标注数量增加了87%。
使用本数据集进行训练，将模型性能（mAP）提高了29%。
利用本数据集，研究了不同处理方法对模型性能的影响。
证明了增加已标注传粉昆虫的数量可以提升模型性能。

联系方式

如有疑问，可通过邮箱 linn.chong@uni-bonn.de 联系作者或在本代码仓库提交Issue。

搜集汇总

数据集介绍

构建方式

在农业生态监测领域，精准识别传粉昆虫对作物产量与生物多样性保护至关重要。bee_detection数据集采用一种创新的AI辅助标注框架构建，通过迭代式计算机视觉流程逐步完善标注数据。具体而言，研究团队首先利用YOLOv5模型在原始图像上生成初步检测结果，随后基于预测边界框裁剪出局部图像块用于模型再训练，每一轮迭代均融合人工校正与模型预测，最终使得标注数量较纯手动标注提升87%，形成高质量的多轮次标注数据集。

特点

该数据集的核心特点在于其迭代增强的标注体系与面向实际农业场景的实用性。数据集不仅包含最终整合的验证集与测试集图像及标注，还完整保留了每一轮迭代的中间标注结果，为研究标注质量对模型性能的影响提供了透明、可追溯的实证基础。此外，数据采集于真实农田环境，涵盖了复杂背景下的蜜蜂等多种传粉昆虫，具有较高的场景多样性与标注密度，使用该数据集训练的目标检测模型在平均精度均值（mAP）上实现了29%的性能提升。

使用方法

为促进研究可复现性，数据集提供了配套的代码库与详细操作指南。使用者可通过下载分轮次的图像、标注及预训练模型权重，完整复现AI辅助标注流程或直接利用最终数据集进行模型训练与评估。代码库支持从数据预处理、模型训练到预测合并与性能评估的全链条操作，例如通过指定脚本生成训练用的图像块、配置YOLOv5进行分布式训练，以及利用验证脚本在测试集上评估模型性能。研究人员可依据自身需求，灵活使用不同轮次的标注数据开展传粉昆虫检测算法研究。

背景与挑战

背景概述

在精准农业与生态监测领域，传粉昆虫的自动检测对于评估生物多样性与作物产量至关重要。bee_detection数据集由波恩大学的研究团队于2024年创建，旨在通过人工智能辅助标注框架，高效构建农业场景下的传粉者检测数据集。该数据集聚焦于解决传统人工标注效率低下、成本高昂的核心问题，通过迭代式计算机视觉流程显著提升了标注数量与模型性能，为农业环境中的昆虫监测研究提供了高质量数据支持，推动了智能农业监测技术的发展。

当前挑战

传粉者检测在复杂农业环境中面临诸多挑战，包括昆虫目标尺寸小、姿态多变、背景杂乱以及光照条件不稳定，这些因素导致模型识别精度难以提升。在数据集构建过程中，研究团队需克服大规模图像标注的人力与时间成本，并通过迭代式AI辅助标注流程平衡自动化与人工校正，确保标注质量的同时提升效率，此外还需处理数据分布不均衡与野外场景多样性带来的泛化性问题。

常用场景

经典使用场景

在农业生态监测领域，该数据集被广泛应用于传粉昆虫的自动识别与计数研究。通过部署在农田环境中的图像采集设备，研究人员能够利用该数据集训练深度学习模型，实现对蜜蜂等传粉者的高效检测。这一场景不仅提升了监测效率，还为理解传粉昆虫的行为模式及其对作物授粉的贡献提供了数据支撑，从而推动了精准农业的发展。

实际应用

在实际农业生产中，该数据集支持开发智能监测系统，用于实时评估传粉昆虫的活动频率与分布范围。农民和农业管理者可借助此类系统优化作物种植策略，例如调整农药喷洒时间以避免伤害蜜蜂，从而保障生态平衡与作物产量。此外，该技术还可应用于环境评估项目，帮助监测生物多样性变化，为可持续农业政策的制定提供科学依据。

衍生相关工作

基于该数据集，衍生出多项经典研究工作，包括改进YOLOv5模型在农业场景中的检测性能，以及探索半自动标注框架在生态数据集上的应用。这些工作进一步推动了传粉昆虫检测算法的优化，例如通过多轮迭代训练提升模型精度，并激发了后续研究如结合多模态数据增强检测鲁棒性，为农业人工智能领域树立了新的技术标杆。

以上内容由遇见数据集搜集并总结生成

5,000+

优质数据集

54 个

任务类型

进入经典数据集