Project-AgML/Strawberry-DS_strawberry_detection

Strawberry-DS是一个包含247张JPG图像的数据集，用于草莓检测。注释采用COCO格式，包含6个类别：(0) 绿色、(1) 白色、(2) 早期转色、(3) 转色、(4) 晚期转色和(5) 红色。数据来源于https://data.mendeley.com/datasets/z6dtfdpzz8/1，并已预处理为ImageFolder格式。该数据集旨在支持草莓果实不同发育阶段的检测任务。A collection of 247 jpg images for strawberry detection. Annotations are in COCO format with 6 classes: (0) Green, (1) White, (2) Early-Turning, (3) Turning, (4) Late-Turning, and (5) Red. Data was sourced from https://data.mendeley.com/datasets/z6dtfdpzz8/1 and preprocessed into the ImageFolder format.

搜集汇总

数据集介绍

构建方式

Strawberry-DS_strawberry_detection数据集源自Mendeley Data上发布的公开数据资源，由El-Bendary与Elhariri等人于2022年整理并贡献。原始数据经过预处理后，转换为ImageFolder格式，并以COCO标准格式进行标注，涵盖了草莓果实从青涩到成熟不同阶段的视觉状态。数据集共收录247幅JPEG图像，每幅图像均附有边界框以及对应的类别标签。类别体系包含六种成熟度等级：青果、白果、早期转色、转色期、晚期转色以及红果，构建方式旨在支持目标检测任务中基于果实发育阶段进行精细分类与定位的研究。

特点

该数据集的一大特色在于其精细化的多类别成熟度划分，突破了传统草莓检测数据集中仅区分成熟与未成熟两类的局限，能够服务于农业精准管理中更细腻的作物生长监测需求。数据规模适中，但类别均衡性经过考量，适用于计算机视觉领域的目标检测模型训练、评估与迁移学习等研究。此外，数据集已被收录于AgML农业机器学习库中，便于通过统一接口与其他同类农业数据集协同使用，增强了其在跨数据集学习场景中的实用性。

使用方法

使用时，可通过Hugging Face Datasets库加载default配置项，一键获取图像及对应的目标检测标注信息。图像数据以PIL格式呈现，标注内容包含边界框坐标列表和类别索引，类别索引可通过内置的class_label映射快速转换为六类成熟度名称。该数据集适用于基于深度学习的框架，如PyTorch或TensorFlow，适合用于微调预训练检测模型或从头训练农业目标识别网络。研究者也可将其纳入AgML生态系统中，进行比较分析或合成数据扩增实验，从而推动农业智能视觉分析的发展。

背景与挑战

背景概述

草莓作为高价值经济作物，其产量与品质受采收时机显著影响，因此精准识别果实发育阶段对智能农业具有关键意义。Strawberry-DS数据集由Esraa Elhariri、Nashwa El-Bendary等学者于2022年创建，源自埃及阿拉伯科学技术与海运学院（AASTMT）的研究团队，核心目标是为草莓果实发育阶段检测提供标准化基准。该数据集包含247张JPG图像，覆盖青果（Green）、白果（White）、初转色（Early-Turning）、转色期（Turning）、晚转色（Late-Turning）及红熟（Red）六个精细类别，标注采用COCO格式，现已被AgML索引库收录，成为农业目标检测领域的重要资源。其影响力体现在为草莓自动采收、生长监测提供了高质量监督数据，并推动了细粒度农业物体识别方法的发展。

当前挑战

该数据集所解决的领域核心挑战在于精准区分草莓果实高度相似且连续的变化状态（如Early-Turning与Turning阶段间的视觉混淆），这要求检测模型具备强判别能力以克服类间变异微小的难题。构建过程中，数据采集面临自然光照波动、叶片遮挡及果实重叠等复杂田间场景，导致标注难度显著提升。此外，仅247张图像的规模限制了模型泛化性，小样本条件下易引发过拟合，且类别分布需平衡以保证训练稳健性。这些挑战共同指向如何从有限标注中提取鲁棒特征，并适应真实果园的非受控环境。

常用场景

经典使用场景

在智慧农业与计算机视觉交叉领域中，Strawberry-DS数据集为草莓果实检测提供了精细化的标注基础。该数据集包含247张高分辨率图像，并针对草莓从青涩到成熟的六个关键发育阶段——即Green、White、Early-Turning、Turning、Late-Turning与Red——进行了COCO格式的边界框标注。最经典的用途是作为目标检测模型的训练与评估基准，用于识别田间或温室中不同成熟度草莓的位置。研究者常基于此数据集构建轻量化或高精度的检测器，以自动化监控果实生长进程，实现精准的采收时机预测。

解决学术问题

Strawberry-DS数据集有效解决了农业图像分析中多阶段果实细粒度识别这一学术难题。传统目标检测数据集多关注通用物体，缺乏针对农作物生命周期内形态连续变化的高质量标注资源。该数据集通过划分六个成熟度类别，使学者能够探索小目标检测、类别间相似性判别、以及遮挡和光照变化下的鲁棒特征学习等关键科学问题。其发布推动了农业领域迁移学习、少样本学习及无监督域适应方法的发展，为精确评估不同品种或环境下的果实生长模型提供了权威的验证平台。

衍生相关工作

围绕Strawberry-DS数据集，学界涌现了若干经典衍伸工作。研究者以该数据集为基准，对比了Faster R-CNN、YOLOv5及EfficientDet等主流检测架构在多类别果实识别上的性能差异，并提出了针对密集小目标的改进锚点策略。部分工作将该数据集与草莓叶片病害数据集联合，构建多任务学习框架，同时实现果实识别与健康监测。此外，该数据集被纳入AgML农业模型库，催生了领域专用的预训练权重，支持在不同光照和种植条件下的域适应研究。这些成果共同丰富了农业视觉智能的算法生态。