智慧農林航拍油棕樹健康檢測數據集智慧農林AI檢測源碼、種植園航拍巡檢模型、農作物長勢視覺識別數據集、油棕植株長勢識別數據集、5類油棕病蟲害檢測數據、YOLOv11n航拍檢測、油棕黃化枯萎雜草識別、3131張航拍農林數據集3131張yolovoccoco三種標注方式圖像尺寸:640*640類別數量:5類訓練集圖像數量:2192; 驗證集圖像數量:627 測試集圖像數量:312類別名稱: 每一類圖像數 每一類標注數Small-小型植株2659,45224Healthy-健康植株3007,187061Dead-枯萎植株331,561Yellow-黃化植株1622,4889Grass-雜草303,845image num: 3131一、航拍油棕樹健康檢測數據集詳情表項目詳細參數數據集名稱航拍油棕樹健康檢測數據集總圖像數量3131張圖像尺寸640×640標注格式YOLO、VOC、COCO類別總數5類訓練集2192張驗證集627張測試集312張Small小型植株圖像數2659標注數45224Healthy健康植株圖像數3007標注數187061Dead枯萎植株圖像數331標注數561Yellow黃化植株圖像數1622標注數4889Grass雜草圖像數303標注數845訓練配置YOLOv11n訓練輪次80 epoch配套資源訓練測試全套源碼、訓練權重、完整PyQt5界面源碼及配套資源文件模型代碼采用 YOLOv11n 網絡訓練訓練輪次80 個 epoch提供全部訓練 測試源代碼訓練精度 mAP 效果如圖所示PyQt5 界面功能界面使用 PyQt5 開發(fā)提供全部源碼.ui、.qrc、.py 及圖標文件支持圖片檢測、視頻檢測、攝像頭實時檢測界面實時顯示目標位置、目標總數、置信度等信息支持檢測結果保存導出操作簡單直觀無需命令行二、YOLOv11 訓練代碼1. 數據集配置文件oil_palm.yamlpath:./datasets/oil_palmtrain:images/trainval:images/valtest:images/testnc:5names:0:Small1:Healthy2:Dead3:Yellow4:Grass2. 訓練、驗證、推理主代碼fromultralyticsimportYOLOimportwarnings warnings.filterwarnings(ignore)deftrain_oil_palm():# 加載輕量化YOLOv11n模型modelYOLO(yolo11n.pt)model.train(dataoil_palm.yaml,epochs80,imgsz640,batch12,device0,workers4,patience15,projectruns/train,nameoil_palm_detect,saveTrue,valTrue)print(油棕樹健康檢測模型訓練完成)defmodel_evaluation():# 模型精度評估m(xù)odelYOLO(runs/train/oil_palm_detect/weights/best.pt)metricsmodel.val(dataoil_palm.yaml,imgsz640)print(fmAP0.5:{metrics.box.map50:.4f})defdetect_target(source):# 圖片/視頻/攝像頭推理檢測modelYOLO(runs/train/oil_palm_detect/weights/best.pt)resultsmodel.predict(sourcesource,imgsz640,conf0.4,saveTrue,show_labelsTrue,show_confTrue)returnresultsif__name____main__:train_oil_palm()model_evaluation()# detect_target(test.jpg)三、PyQt5 界面說明基于PyQt5開發(fā)提供.ui、.qrc、.py及圖標等全套源碼。支持圖片、視頻、攝像頭實時檢測界面實時展示目標位置、數量、置信度可保存導出檢測結果純圖形化操作無需使用命令行。四、應用場景智慧農林航拍巡檢大面積油棕種植園快速區(qū)分植株長勢、病害、雜草輔助田間管理農林植保針對性處理枯萎、黃化植株精準開展養(yǎng)護與除草作業(yè)農業(yè)統(tǒng)計自動統(tǒng)計不同生長階段油棕植株數量助力產量預估項目實訓航拍目標檢測、智慧農業(yè)方向課程設計、畢業(yè)設計、算法研究算法競賽農林遙感、航拍目標檢測類賽事基線數據集與模型農林信息化搭建種植園智能監(jiān)測系統(tǒng)實現無人化遠程巡檢