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=
)


