Hornet3000

Hornet3000数据集包含超过3000张黄蜂和胡蜂的图像，用于训练和验证YOLOv10模型。这些图像主要从waarnemingen.nl（observation.org）收集，设置为alleen goedgekeurd和alle deelbare licenties。数据集存储在Kaggle上，用于检测亚洲黄蜂（Vespa velutina）。

The Hornet3000 dataset comprises over 3,000 images of hornets and wasps, intended for training and validating YOLOv10 models. These images were primarily collected from waarnemingen.nl (observation.org) under the licenses of "alleen goedgekeurd" and "alle deelbare". Hosted on Kaggle, this dataset is designed for the detection of the Asian hornet (Vespa velutina).

原始信息汇总

Vespa Computer Vision: Detect Asian Hornets on Raspberry Pi

项目概述

• 使用Raspberry Pi捕捉亚洲大黄蜂（Vespa velutina）的图像。
• 图像捕捉间隔可配置，例如每15秒一次。
• 捕捉到的图像用于检测亚洲大黄蜂的存在。
• 检测到亚洲大黄蜂时，图像会保存到microSD卡，并附带时间戳。

项目目标

• 开发一个高精度（目标95%准确率，最多5%的误报率）的检测系统，用于捕捉亚洲大黄蜂的图像，并在waarnemingen.nl上报告。

内容描述

• manuals:
  • 在Raspberry Pi上安装此模型的说明
  • 使用Yolov10n训练自己的模型的说明
• colab: Colab中的代码和yaml文件。
• content_data3000_ date: 训练结果，包括混淆矩阵和最佳及最后的权重文件。
• codeLocalComp: 本地计算机上的代码，用于检查图像和使用幻灯片及USB摄像头测试模型。
• codeRasberryPi4: 用于测试Torch安装和CSI摄像头，使用幻灯片测试模型，并使用CSI摄像头运行模型的代码。
• test: 用于测试模型的图像、幻灯片和视频。

其他资源

• Hornet3000数据集（位于Kaggle）
• vespCV_YOLOv10n（位于Google Colab）

数据集

• 训练和验证图像主要从waarnemingen.nl收集，设置为alleen goedgekeurd和alle deelbare licenties。
• 数据集存储在Kaggle。
• 测试图像未批准（分类可能不准确），存储在test文件夹中。

模型

• 模型使用yolov10在Google Colab中训练。
• 代码基于https://github.com/computervisioneng/train-yolov10-custom-data-full-guide。

模型验证

混淆矩阵

预测数据示例

在幻灯片或视频上测试模型

• 制作测试图像的幻灯片（或从dataSlider文件夹下载hornet3000.m4v）。
• 安装yolov10，点击此处查看说明。
• 使用test_slider.py在本地计算机上测试，点击此处获取更多信息。

演示

幻灯片输入

• 显示边界框、类别和置信度，可用于微调置信度水平。
• 

16MP CSI摄像头输入

• 摄像头从屏幕右侧捕捉图像（显示来自waarnemingen.nl的黄蜂）。
• 左侧显示摄像头捕捉的图像和推理结果。
• 检测到类别0（亚洲大黄蜂）时，图像按名称和时间戳保存在imaged文件夹中。
• 

待办事项

• 优化野外环境中的置信度阈值。
• 如有需要，添加其他昆虫到模型中（减少其他物种误报为黄蜂的情况）。
• 可选：与智能手机连接。
• 可选：简化安装过程。

致谢

• Yolov10模型的训练基于https://github.com/computervisioneng/train-yolov10-custom-data-full-guide。

搜集汇总

数据集介绍

构建方式

Hornet3000数据集的构建基于无头Raspberry Pi设备，通过定期捕获图像来检测亚洲大黄蜂（Vespa velutina）。该设备在活动期间每15秒捕获一次图像，并将检测到的亚洲大黄蜂图像及其时间戳保存到microSD卡中。训练和验证图像主要从waarnemingen.nl（observations.org）收集，使用`alleen goedgekeurd`和`alle deelbare licenties`设置。测试图像还包括其他昆虫，存储在[test](https://github.com/vespCV/hornet3000/tree/main/test)文件夹中。

特点

Hornet3000数据集的显著特点在于其针对亚洲大黄蜂的高精度检测目标，旨在实现95%的准确率，同时将误报率控制在5%以内。数据集不仅包含亚洲大黄蜂的图像，还包括其他昆虫的图像，以确保模型的泛化能力。此外，数据集的构建过程充分利用了Raspberry Pi的便携性和YOLOv10的高效性，使其适用于实时检测场景。

使用方法

使用Hornet3000数据集时，用户可以通过Kaggle平台访问数据集，并利用提供的Colab代码进行模型训练。训练后的模型可以在本地计算机上使用test_slider.py脚本进行测试，通过播放测试图像或视频来验证模型的性能。此外，用户还可以在Raspberry Pi上部署模型，利用CSI摄像头进行实时检测，并将检测结果保存到microSD卡中，以便后续分析和报告。

背景与挑战

背景概述

Hornet3000数据集由VespCV项目团队创建，旨在通过计算机视觉技术在无头树莓派上实现对亚洲黄蜂（Vespa velutina）的实时检测。该项目始于对荷兰南部地区亚洲黄蜂入侵问题的关注，该物种对蜜蜂、大黄蜂等传粉昆虫构成严重威胁。Hornet3000数据集的构建基于waarnemingen.nl（观察.org）上的图像数据，通过YOLOv10模型进行训练，旨在实现高精度（目标为95%准确率，误报率不超过5%）的黄蜂检测，从而支持在waarnemingen.nl上的报告工作。该数据集不仅为生物入侵监测提供了技术支持，也为计算机视觉在实际应用中的发展提供了宝贵的实践经验。

当前挑战

Hornet3000数据集面临的挑战主要集中在模型精度和实际应用环境中的适应性。首先，模型需要达到95%的检测准确率，同时将误报率控制在5%以内，这对模型的训练和优化提出了高要求。其次，数据集的构建过程中，图像数据的多样性和质量是关键，如何从waarnemingen.nl等来源获取高质量、多样化的图像数据是一个持续的挑战。此外，模型在实际野外环境中的表现，如光照变化、背景复杂度等，也是需要解决的问题。最后，简化模型的部署和使用流程，使其能够更广泛地应用于不同场景，也是未来需要优化的方向。

常用场景

经典使用场景

Hornet3000数据集的经典使用场景主要集中在基于Raspberry Pi的计算机视觉模型构建，旨在实时检测田野中的亚洲黄蜂（Vespa velutina）。通过配置无头Raspberry Pi，系统能够在无需人工监控的情况下定期捕获图像，从而实现连续的数据收集。一旦检测到亚洲黄蜂，系统将保存带有时间戳的图像，以便后续分析和报告。

衍生相关工作

Hornet3000数据集的发布催生了多项相关研究工作。例如，基于该数据集，研究人员开发了多种改进的YOLO模型，以提高检测精度和速度。此外，还有研究探讨了如何将该数据集应用于智能手机平台，实现移动端的实时检测。这些衍生工作不仅扩展了数据集的应用范围，还推动了计算机视觉技术在生态保护领域的进一步发展。

数据集最近研究

最新研究方向

在计算机视觉领域，Hornet3000数据集的最新研究方向主要集中在提高亚洲大黄蜂（Vespa velutina）检测系统的准确性和实时性。研究者们致力于优化基于YOLOv10的模型，以实现更高的检测精度（目标为95%的准确率，误报率不超过5%），并确保其在无头树莓派（Raspberry Pi）上的高效运行。此外，研究还涉及扩展模型以减少其他昆虫被误识别为亚洲大黄蜂的情况，以及探索与智能手机的连接，以简化数据收集和报告流程。这些研究不仅有助于更有效地监控和控制亚洲大黄蜂的入侵，还为实时环境监测提供了新的技术路径。