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=32,
workers=4,
device=0,
name="train_tree"
)
验证与预测
from ultralytics import YOLO
# 验证模型
model = YOLO("best.pt")
results = model.val(data='tree.yaml', project="runs", imgsz=640, batch=32, workers=4)
print(results)
# 预测单张图像
model = YOLO("best.pt")
results = model.predict("tree.jpg", save=True, imgsz=640, conf=0.5)
for result in results:
boxes = result.boxes
probs = result.probs
result.show()
应用场景
该方案适用于林业资源调度、生态保护优先级划分、绿化成效评估及管护决策制定。依托无人机低空巡航系统与高分辨率成像设备，结合轻量化边缘计算终端，可在大范围区域覆盖、复杂地形交织、植被密集遮挡、光照条件多变等场景下，实现对 tree 目标的实时定位、特征提取与数量统计。
在传统人工调查难以覆盖的山地丘陵、茂密林下、荒漠绿洲等场景中，无人机可替代人工完成高通量区域探测作业，精准捕捉树木数量分布、生长状态等精细化信息，明确林业资源分布范围与生态质量等级。
资源获取
数据集地址：https://universe.roboflow.com/trees-tvzmk/trees-oohem
注：下载可能需要网络环境支持。