KaraAgroAI/Drone-based-Agricultural-Dataset-for-Crop-Yield-Estimation

该数据集包含由无人机拍摄的腰果、可可和咖啡图像，每张图像都配有YOLO格式的标注文件，用于目标检测。数据集由加纳（KaraAgro AI）和乌干达（Makerere AI Lab, Uganda Marconi Lab, National Coffee Research Institute, National Crops Resources Research Institute）的团队收集，旨在为作物产量估计模型的开发和评估提供支持。数据集包含不同作物、生长阶段和环境条件的图像，以帮助研究人员开发适应现实农业场景的模型。加纳数据集包含8,784张图像，乌干达数据集包含6,086张图像。数据集的结构和标签信息也在README中详细列出。This dataset contains drone-captured images of cashews, cocoa, and coffee, with each image paired with annotation files in YOLO format for object detection. The dataset was collected by teams from Ghana (KaraAgro AI) and Uganda (Makerere AI Lab, Uganda Marconi Lab, National Coffee Research Institute, National Crops Resources Research Institute), aiming to support the development and evaluation of crop yield estimation models. It includes images covering different crops, growth stages and environmental conditions to help researchers develop models adaptable to real-world agricultural scenarios. The Ghanaian subset contains 8,784 images, while the Ugandan subset contains 6,086 images. The dataset structure and label information are also detailed in the README file.

原始信息汇总

数据集概述

数据集名称

• Drone-based Agricultural Dataset for Crop Yield Estimation

数据集来源

• 由加纳的KaraAgro AI和乌干达的Makerere AI Lab, Uganda Marconi Lab, National Coffee Research Institute, National Crops Resources Research Institute团队收集。

数据集内容

• 包含腰果、可可和咖啡的无人机图像，每张图像配有YOLO格式的标注文件，包含类别标签和边界框坐标。

数据集规模

• 加纳部分：共有8,784张图像，分辨率为16000x13000像素。
  • 腰果：4,715张图像
  • 可可：4,069张图像
• 乌干达部分：共有6,086张图像，分辨率为4000x3000像素。
  • 腰果：3,086张图像
  • 咖啡：3,000张图像

数据集标签

• 腰果：[cashew_tree, flower, immature, mature, ripe, spoilt]
• 可可：[cocoa-pod-mature-unripe, cocoa-tree, cocoa-pod-immature, cocoa-pod-riped, cocoa-pod-spoilt]
• 咖啡：[unripe, ripening, ripe, spoilt, coffee]

数据集结构

Data/ └── Ghana/ ├── cashew.zip ├── cocoa.zip └── Uganda/ ├── cashew.zip ├── coffee.zip

数据集用途

• 主要用于作物产量估计，也可用于进一步的研究，如作物异常检测。

数据集许可证

• cc-by-4.0

数据集指标

• mape

数据集标签详细信息

• 腰果：
  • 实例数量：{cashew_tree:1107, flower:16757, immature:11766, mature: 4244, ripe: 11721, spoilt: 518}
• 可可：
  • 实例数量：{cocoa-pod-mature-unripe: 10786, cocoa-tree: 2831, cocoa-pod-immature: 2401, cocoa-pod-riped: 4193, cocoa-pod-spoilt: 2018}

数据集创建信息

• 由KaraAgro AI基金会的数据科学家团队创建，得到农业科学家和官员的支持，并由Lacuna Fund资助。

搜集汇总

数据集介绍

构建方式

该数据集KaraAgroAI/Drone-based-Agricultural-Dataset-for-Crop-Yield-Estimation是由KaraAgro AI基金会组织的数据科学家团队，联合加纳和乌干达的多个研究机构共同构建的。数据集包含精确标注的无人机捕捉的腰果、可可和咖啡图像，采用YOLO格式进行标注，涵盖了作物生长的不同阶段及环境条件，旨在为作物产量估算模型提供全面训练与评估资源。

特点

本数据集的特点在于其多样性、精确性与实用性。首先，它提供了腰果、可可和咖啡三种作物的图像，覆盖了从生长到成熟的各个阶段，并包含病变样本，为模型训练提供了丰富的样本基础。其次，图像分辨率高达16000×13000像素，确保了标注的精确性。最后，数据集遵循FAIR原则，易于发现、访问、互操作和重用，其元数据符合机器学习、计算机视觉等多个领域的标准。

使用方法

使用该数据集时，用户需先解压相应的图像和标注文件。图像数据以.zip格式存储，分别对应加纳和乌干达的腰果、可可和咖啡作物。标注文件遵循YOLO格式，包含类别标签和边界框坐标。用户可以利用这些数据来训练和评估作物产量估算模型，或进行作物异常检测等进一步研究。数据集的获取可通过提供的DOI链接下载，确保了数据的可靠性和持久性。

背景与挑战

背景概述

KaraAgroAI/Drone-based-Agricultural-Dataset-for-Crop-Yield-Estimation数据集，由加纳KaraAgro AI团队与乌干达的Makerere AI Lab、乌干达Marconi Lab、国家咖啡研究所及国家农作物资源研究所共同搜集整理。该数据集旨在填补农业领域图像数据空白，为作物产量估算模型的发展与评估提供动力。该数据集包含了丰富的腰果、可可和咖啡图像，以及精确的标注信息，支持对象检测任务。该数据集的构建，不仅促进了精确作物产量估算研究，而且对于理解农作物生长周期、环境影响及病虫害管理等领域具有显著意义。

当前挑战

该数据集在构建过程中面临的挑战主要包括：1)如何确保图像采集的全面性与代表性，以涵盖不同作物、生长阶段及环境条件；2)标注的精确性与一致性，特别是在处理大量图像数据时；3)数据集的规模与多样性，以满足不同研究和应用场景的需求。此外，数据集在解决作物产量估算这一领域问题时，还需应对如何提高模型的泛化能力，以及如何有效整合多源异构数据等挑战。

常用场景

经典使用场景

在农业科技领域，KaraAgroAI/Drone-based-Agricultural-Dataset-for-Crop-Yield-Estimation数据集的典型应用场景在于，通过无人机捕获的现金ew、可可和咖啡作物图像，辅以精细标注的标签，为研究人员提供了开发精准作物产量估算模型的数据基础。此数据集支持的对象检测任务，使得模型能够准确识别并计数作物，从而预测产量。

实际应用

在实际应用中，此数据集的应用场景广泛，例如农业监测、作物健康管理、病虫害检测等。无人机图像与地面实况数据的结合，使得农业生产者能够实时获取田间作物的生长状况，及时作出调整，优化资源分配，减少损失。

衍生相关工作

基于该数据集，衍生出了众多相关研究工作，包括作物异常检测、病虫害识别、作物生长监测等。这些研究不仅推动了农业信息化和智能化的进程，也为农业科技的创新提供了丰富的数据资源和研究方法。