Dataset de Imagens para Segmentação de 20 Espécies de Ervas Daninhas em Pastagens Amazônicas

Este conjunto de dados (dataset) contém 475 imagens anotadas de 20 espécies de plantas daninhas (ervas invasoras) com relevância econômica e agronômica para pastagens na região do Sul e Sudeste do Pará, Brasil. O material foi desenvolvido para suportar o treinamento de modelos de Visão Computacional e Inteligência Artificial, especificamente arquiteturas YOLO (You Only Look Once), visando aplicações em agricultura de precisão e manejo sustentável na Amazônia. Origem e Metodologia Os dados foram compilados no âmbito da pesquisa "Identificação Automatizada de Espécies Invasoras em Pastagens do Sudeste do Pará com YOLOv8: Uma Abordagem Alinhada à COP30", desenvolvida na Faculdade de Sistemas de Informação da Universidade Federal do Sul e Sudeste do Pará (Unifesspa). Coleta: As imagens provêm de duas fontes principais: coletas em campo realizadas em propriedades rurais e estabelecimentos comerciais na região (capturando variações de solo, luz e estágios de crescimento) e complementação via base de dados GBIF (Global Biodiversity Information Facility). Anotação: Todas as imagens foram processadas e anotadas manualmente utilizando a ferramenta CVAT (Computer Vision Annotation Tool). As anotações incluem máscaras de segmentação precisas para cada espécime. Formato: Os arquivos de anotação foram convertidos e exportados para o formato compatível com a arquitetura YOLOv8 (.txt). Composição do Dataset Total de Imagens: 475 imagens. Divisão Sugerida: O estudo original utilizou uma divisão de 75% para treinamento e 25% para validação. Classes (Espécies): O dataset abrange 20 espécies: Alternanthera tenella Colla, Amaranthus spinosus L, Andropogon bicornis, Cenchrus echinatus L, Commelina benghalensis L, Cyperus rotundus L, Dactyloctenium aegyptium (L.) Willd, Dichorisandra sp, Digitaria sanguinalis (L.) Scop, Echinochloa colona (L.) Link, Eleusine indica (L.) Gaertn, Lindernia crustacea (L.) F.Muell, Mesosphaerum suaveolens (L.) Kuntze, Mollugo verticillata L, Mucuna pruriens, Phyllanthus niruri L, Psychotria carthagenensis, Sida cordifolia L, Solanum sisymbriifolium Lam e Strychnos pseudoquina. Aplicações Potenciais Treinamento e validação de redes neurais para detecção e segmentação de objetos (YOLO, R-CNN, etc.). Desenvolvimento de aplicativos móveis para identificação de plantas daninhas. Estudos sobre automação no manejo de pastagens e agricultura de baixo carbono.