AgriAISeg

AgriAISeg是一个由多个尼日利亚研究机构联合创建的农业图像分割数据集，专为非洲真实农场环境下的作物检测研究而设计。该数据集包含3,382张RGB图像，涵盖芝麻、卷心菜和番茄三种作物，采集自尼日利亚不同地区的农场，充分考虑了光照变化、遮挡和视角多样性等复杂田间条件。数据集创建过程中，使用iPhone 11在自然光照下拍摄，并借助Segment Anything Model进行半自动标注生成像素级分割掩码，随后转换为边界框标注以适配目标检测任务。该数据集旨在弥补非洲本土作物真实场景数据的稀缺，为评估和优化深度学习目标检测模型在复杂农业环境中的性能提供基准，从而推动精密农业AI的实用化进程。AgriAISeg is an agricultural image segmentation dataset jointly created by multiple Nigerian research institutions, specifically developed for crop detection research in real-world African farm settings. This dataset contains 3,382 RGB images covering three crops: sesame, cabbage, and tomato, which were collected from farms across various regions of Nigeria, with full consideration of complex field conditions such as illumination variations, occlusions, and diverse viewing angles. During the dataset creation process, images were captured using an iPhone 11 under natural illumination, and semi-automatically annotated to generate pixel-level segmentation masks with the assistance of the Segment Anything Model, then converted into bounding box annotations to accommodate object detection tasks. This dataset aims to address the scarcity of real-world scene data for indigenous African crops, providing a benchmark for evaluating and optimizing the performance of deep learning-based object detection models in complex agricultural environments, thus advancing the practical deployment of precision agricultural AI.

原始信息汇总

AgriAISeg 数据集详情总结

数据集概述

AgriAISeg 是一个开源的、真实场景下的多植物图像分割数据集，专注于番茄、卷心菜和芝麻三种作物。该数据集由尼日利亚的小型农田中人工采集，旨在弥合理论AI性能与非洲农业实际田间部署之间的差距。

与PlantVillage等合成或高度受控的公开数据集不同，AgriAISeg是在不受控的真实田间条件下采集的，包含一天中不同时间拍摄的多样化作物结构，捕捉了光照变化、生物遮挡、不同视角和密集土壤背景等关键环境复杂性。

数据集详细信息

• 总图像数量： 3,382张高分辨率田间图像
• 目标作物类别（3类）：
  • 卷心菜
  • 番茄
  • 芝麻
• 标注类型： 边界框（用于目标检测）/ 像素级掩码（用于实例分割）
• 采集地点： 尼日利亚（撒哈拉以南非洲）的活跃农田
• 数据格式： YOLO格式（.txt文件）

包含的真实环境挑战

1. 生物遮挡： 叶片重叠、作物实例重叠和杂草干扰
2. 光照变化： 直射阳光、强烈阴影、阴天光线和眩光
3. 复杂背景： 不同的土壤色调、湿度水平、覆盖物和非目标植被
4. 尺度与视角多样性： 俯视、倾斜、特写和广角冠层视角

基准测试结果

该数据集在六个先进的计算机视觉架构上进行了基准测试，包括YOLOv5、YOLOv8、YOLO11、YOLO26、Faster R-CNN和RT-DETR。

• 最佳表现模型： RT-DETR 以精度0.768和mAP@0.5:0.95为0.624的综合表现最优
• 单阶段模型效率： YOLOv8和YOLO11展现了强劲且一致的实时性能
• 两阶段模型局限性： Faster R-CNN表现显著较低（mAP@0.5为0.466），凸显了传统两阶段检测器在复杂、遮挡田间条件下的困难

目录结构

AgriAISeg/ ├── train/ │ ├── images/ │ └── labels/ ├── valid/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/

引用信息

如果在研究或应用中使用此数据集，请引用以下论文：

@article{tijjani2026agriaiseg, title={A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa}, author={Tijjani, Ismail Ismail and Ibrahim, Sunusi Muhammad and Akinola, Lanre Olusegun and Jibrin, Fatima Isah and Aliyu, Muhammad Bashir and Dalhat, Abdullahi Abdussalam}, journal={Preprint / Under Review}, year={2026} }

许可协议

该数据集在 Creative Commons Attribution 4.0 International (CC BY 4.0) 许可下发布，允许在给予适当署名的情况下，为学术或商业目的自由共享、改编和在此基础上构建。

其他信息

• 数据集大小： 411.7 MB
• 文件数量： 6,940个文件
• 可用性评分： 3.75
• 许可证： MIT（页面中标注）
• 更新频率： 未指定

搜集汇总

数据集介绍

构建方式

AgriAISeg数据集是在非洲尼日利亚多个农场实地采集构建的，涵盖芝麻、卷心菜和番茄三类作物，共包含3,382张图像。图像由iPhone 11拍摄，采集于自然光照条件下的白天时段，涉及多角度（俯视、侧视、斜视）和多距离的视角变化，以模拟真实农业环境的复杂性。数据标注采用Roboflow平台集成的Segment Anything Model (SAM3)进行半自动像素级分割，随后将分割掩码转换为边界框标注，并分别导出为YOLO格式和COCO格式，以适配不同的目标检测模型。标注过程由当地农民监督，确保标注准确性。

特点

该数据集的关键特点在于其真实性和地域代表性。它捕捉了非洲农业环境的典型挑战，包括光照变化、遮挡、复杂土壤背景以及密集种植条件下的叶片重叠。芝麻幼苗的细窄结构使其对背景干扰尤为敏感，而卷心菜的宽叶几何形状则提供较高对比度。数据集来源于未受控的真实农场环境，不同于实验室或公开图像库中的理想化数据，从而为模型在现实场景中的泛化能力提供了更严格的测试基准。此外，数据集还包含多视角和多尺度变化，进一步增强了其多样性和挑战性。

使用方法

AgriAISeg数据集主要用于目标检测模型的训练与评估，特别适合比较不同架构（单阶段、双阶段和基于Transformer的检测器）在复杂农田环境下的性能。研究者可按照论文中的协议，将数据按75%训练、15%验证、10%测试的比例划分，并将图像统一调整至640×640分辨率。数据集的YOLO格式可直接用于YOLOv5、YOLOv8、YOLO11和YOLO26等模型的训练，而COCO格式则适用于Faster R-CNN和RT-DETR。通过标准指标如精度、召回率、mAP@0.5和mAP@0.5:0.95，可全面评估模型在真实农业场景中的检测能力，为精准农业中的实时应用提供参考。

背景与挑战

背景概述

AgriAISeg数据集由EJAZTECH.AI研究团队联合尼日利亚多所高校于2026年创建，旨在解决非洲农业场景下作物检测数据集匮乏的问题。该数据集包含3,382张在尼日利亚田间采集的芝麻、卷心菜和番茄图像，覆盖了光照变化、遮挡和视角差异等真实环境条件。其核心研究问题在于评估不同目标检测模型在非受控农业环境中的鲁棒性，并为资源受限地区提供可靠的模型选择依据。通过公开数据集和全面基准测试，AgriAISeg为非洲农业计算机视觉研究提供了重要资源，推动了该领域在真实世界条件下的模型评估与发展。

当前挑战

AgriAISeg面临的挑战主要体现在两方面。领域方面，真实田间环境的光照变化、土壤背景复杂、叶片相互遮挡及作物早期形态相似等问题，导致目标检测模型难以准确识别和定位个体作物，尤其对芝麻等细长结构作物，误检和漏检率高。构建方面，数据采集需跨越多个地区并手动标注，耗时费力，且受限于当地基础设施，获取多样化场景数据难度大。此外，不同作物间的视觉相似性增加了标注歧义，需依赖农业专家介入以保证标签质量，进一步提升了数据构建的复杂度。

常用场景

经典使用场景

AgriAISeg数据集作为真实世界农业场景下的多作物图像基准，核心用途在于评估和比较不同深度学习目标检测模型在非受控环境中的表现。研究者可借助该数据集对YOLO系列、Faster R-CNN及RT-DETR等代表性架构进行系统性测试，探讨光照变化、生物遮挡和复杂背景等因素对检测精度的影响。其典型的实验范式包括数据集划分（如75%训练、15%验证、10%测试）、统一输入尺寸设置及标准评估指标（mAP、精确率、召回率）的运用，从而为农业视觉模型的鲁棒性验证提供标准化平台。

解决学术问题

该数据集直面现有农业视觉研究中数据集受控化与地域偏置的双重困境。以往研究多依赖PlantVillage等库中孤立叶片图像，缺乏田间复杂环境的真实表征，导致模型从实验室到田野的性能崩塌。AgriAISeg通过采集尼日利亚田间复杂光照、遮挡条件下的芝麻、卷心菜和番茄图像，填补了非洲农业场景数据缺失的空白。其跨架构对比框架（涵盖单阶段、双阶段及Transformer范式）有效解决了已有研究仅局限于单一或少数模型评估的局限，为探究模型泛化能力、小目标检测及密集遮挡下的识别机制提供了关键实证基础。

衍生相关工作

AgriAISeg的公开为后续研究开辟了多条衍生路径。其作为首个来自非洲的像素级分割与检测双重标注数据集，可扩展至实例分割、半监督学习及域自适应等方向。已有研究如将SAM生成的掩码转换为边界框的做法，启发了无监督标签转换技术的探索。未来工作可围绕分割与检测任务的联合建模、针对非洲特色作物的专用模型微调，以及基于该数据集的多任务学习框架构建。数据集的出现也促进了跨地域数据集的融合研究，推动构建更具全球代表性的农业视觉评测基准，进而提升模型在不同生态区的迁移能力。