cotton_weed_detection

Cotton Weed Detection 是一个专门用于棉花田杂草检测的目标检测数据集。该数据集包含262张通过无人机拍摄的高分辨率图像，共计50,812个边界框标注，覆盖两个主要类别：杂草和棉花。数据标注过程使用LabelImg和Roboflow工具完成，确保标注质量。该数据集适用于农业领域的杂草识别与目标检测任务，可用于训练和评估计算机视觉模型在棉花田环境中的杂草检测能力。数据集以CC-BY-4.0许可证发布，总大小约为2.19GB，包含训练集262个样本，旨在支持农业自动化和精准农业研究。Cotton Weed Detection is a target detection dataset for weed detection in cotton fields. It contains 262 drone-captured images with a total of 50,812 bounding box annotations, covering two categories: weeds and cotton. The annotations were generated using LabelImg and Roboflow tools. This dataset is suitable for weed identification and object detection tasks in agriculture, and can be used to train and evaluate computer vision models for weed detection in cotton field environments. Released under the CC-BY-4.0 license, the dataset has a total size of approximately 2.19GB and includes 262 training samples.

原始信息汇总

数据集概述：棉花杂草检测（Cotton Weed Detection）

• 任务类型：目标检测（Object Detection）
• 许可协议：CC-BY-4.0
• 数据集规模：样本数少于1000（n<1K）

数据构成

• 图像总数：262张
• 标注框总数：50,812个
• 类别数量：2类（weed 和 cotton）
• 划分方式：仅包含训练集（train），共262个样本

数据特征

• image：图像数据（dtype: image）
• objects：包含以下字段
  • bbox：边界框坐标（浮点型列表）
  • categories：类别ID（整型列表）
  • category_names：类别名称（字符串列表）

数据集大小

• 下载大小：约2.19 GB（2,192,509,526 bytes）
• 数据集总大小：约2.19 GB（2,192,609,502 bytes）

引用信息

• 论文：Das et al., 2026, "A UAV Image Dataset for Object Detection with Annotations Generated Using LabelImg and Roboflow", Data in Brief
• 数据源：Mendeley Data, doi: 10.17632/sx2tphzvcw.1

该数据集是 AgML 项目的一部分，索引于 https://project-agml.github.io/。

搜集汇总

数据集介绍

构建方式

该数据集面向棉花田中的杂草检测任务而构建，源自无人机航拍影像，通过LabelImg与Roboflow工具进行精细标注，最终形成包含262张高分辨率图像、总计50,812个边界框标注的物体检测数据集。数据标注涵盖棉花与杂草两个类别，标注框采用浮点型坐标精确描述物体位置，并额外提供类别名称信息，为模型的训练与评估奠定了高质量的数据基础。

特点

数据集虽规模较小（样本数不足千），却以其高密度标注和领域特异性见长。平均每张图像承载近200个标注框，展现出复杂农田场景下密集目标检测的挑战性。双类别设计直击农业精准管理中的关键区分任务，而无人机视角的多样性进一步提升了数据集的泛化价值。

使用方法

数据集以HuggingFace数据集格式发布，用户可通过编程接口加载，按默认配置直接读取训练集。图像以PIL格式存储，边界框与类别标签以结构化字典形式提供，便于与PyTorch、TensorFlow等框架集成。此外，该数据集已收录于AgML开源农业机器学习库，可通过该平台索引与调用，简化农业视觉任务的实验流程。

背景与挑战

背景概述

精准农业领域内，基于无人机的杂草检测是提升作物产量与减少除草剂滥用的关键技术。然而，复杂田间环境中目标尺度多变、遮挡严重等特性，使得传统数据集难以满足实际部署需求。cotton_weed_detection数据集于2025年由Anindita Das、Vinitha Hannah Subburaj、Yong Yang和Craig W Bednarz等研究人员创建，旨在为棉花田中的杂草与棉花目标检测提供标准化基准。该数据集包含262张高分辨率无人机图像，携有50,812个边界框标注，涵盖杂草与棉花两个类别，并集成于AgML开源库中，被《Data in Brief》期刊收录，为农业视觉感知研究提供了高质量的训练资源，加速了面向复杂农田环境的深度学习模型研发。

当前挑战

该数据集所解决的领域核心挑战在于解决棉花田中杂草检测的精准性问题，具体表现为：杂草与棉花在颜色、纹理上高度相似，且光照、阴影与作物生长阶段各异，导致传统图像分类方法难以区分二者；同时，无人机视角下目标尺寸差异显著，小目标杂草易被漏检。在构建过程中，面临的主要挑战包括：从无人机拍摄的数百张高分辨率图像中高效筛选出包含目标的帧，并利用LabelImg与Roboflow工具进行手工标注，需确保边界框在2类目标上的精确性与一致性；此外，数据集规模仅262张图像，虽标注量密集，但样本多样性受限，可能影响模型在未见环境下的泛化能力，需后续通过数据增强或结合多源数据进行补偿。

常用场景

经典使用场景

在精准农业与计算机视觉的交叉领域，cotton_weed_detection数据集专为棉田杂草检测任务而设计，涵盖了262幅高分辨率无人机航拍图像，包含超过5万个人工标注的边界框，精确定位了棉花与杂草两类目标。这一数据集的核心应用场景在于训练和评估基于深度学习的实时目标检测模型，如YOLO、Faster R-CNN及SSD等，以在复杂的农田环境中实现杂草的快速、准确识别，从而为后续的精准除草决策提供关键视觉依据。

衍生相关工作

围绕该数据集已衍生出一系列经典研究工作，例如基于YOLOv5改进的注意力机制模型以增强小尺寸杂草的识别能力，以及利用知识蒸馏技术将大型检测网络压缩至边缘设备可运行的轻量版本。此外，有研究通过半监督学习与数据增强策略进一步扩充其标注多样性，并探索了跨季节、跨地域的迁移学习范式。这些工作共同丰富了智能农业中对象检测的理论体系与方法工具箱。

数据集最近研究

最新研究方向

在精准农业与智慧农场的浪潮中，基于无人机遥感的田间杂草检测已成为作物管理的关键技术突破点。该数据集聚焦于棉花田中的棉花与杂草二元目标检测任务，涵盖262张高分辨率无人机影像及逾五万个精细边界框标注，为深度学习模型在复杂农田背景下的鲁棒识别提供了宝贵基准。当前研究前沿正围绕YOLO系列与Transformer架构的轻量化部署展开，借助该数据集可有效验证模型对杂草密度分布不均、光照变化剧烈及作物遮挡等真实场景的适应能力，进而推动低空遥感在杂草精准施药、减少化学农药滥用等可持续发展目标中的实际落地。这一资源的开放共享，也为跨域迁移学习与半监督检测方法的迭代注入了关键动力。