无人机树木计数目标检测数据集及 YOLO 训练实战

引言

目标检测开源数据集是计算机视觉领域的重要基石，支撑算法研发、模型训练与性能评估。优质的数据集不仅样本数量充足、场景多样性强，还具备精准的目标边界框标注，并合理划分为训练集、验证集与测试集，能够有效支撑算法创新与模型优化。

背景与意义

无人机树木计数目标检测的识别准确率与计数效率，直接决定了林业资源普查的精准度与生态管护决策的科学性。在无人机获取的林区场景图像数据中，tree（树木）目标因冠层形态特征与生长分布差异，呈现出独特的观测特点：冠层轮廓完整连续、纹理特征均匀可辨、空间分布呈集群或散点规律，且与背景灰度/色彩差异显著。

相较于林区场景中的岩石裸露区、林间空地、低矮灌丛等干扰目标，tree 目标的图像观测特征具有显著辨识度。这种基于冠层形态特性、空间分布规律及林区生境关联特征的差异化表现，可有效规避复杂林区背景干扰、图像成像噪声、地形起伏遮挡等识别难题。在全域林区资源普查、城市绿化覆盖率统计等大范围监测场景中，能突破地形与通行条件限制实现全区域无死角动态批量筛查，为林业管理部门提供精准技术支撑。

数据集结构

本数据集来源于开源平台 Roboflow，包含 1 类目标（tree），已划分为训练集、验证集和测试集。目录结构如下：

UAVTreeDataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

类别配置文件 data.yaml 示例：

nc: 1
names: ['tree']

适用算法包括 YOLOv5、YOLOv8、YOLOv11 等系列。

模型训练代码

基于 Ultralytics 框架进行 YOLOv11 的训练、验证与预测。以下是核心代码逻辑，实际运行时请根据本地路径调整参数。

训练脚本

from ultralytics import YOLO

if __name__ == '__main__':
    # 初始化模型
    model = YOLO(r"yolov11n.yaml")
    model.load("yolo11n.pt")
    
    # 开始训练
    results = model.train(
        data=r"tree.yaml", 
        epochs=300, 
        imgsz=640, 
        batch=, 
        workers=, 
        device=, 
        name=
    )