棉花采摘棉铃检测数据集 | 棉花成熟度 棉铃检测 智慧农业 目标检测 YOLO格式9252期

数据集概述

本数据集专注于农田场景下棉花棉铃成熟度与采摘状态的视觉检测，服务于智慧农业、自动化采摘及棉花产量评估。数据涵盖四种典型的棉铃状态，适配目标检测模型训练、采摘机器人视觉系统及农情监测等应用。

数据集核心信息

完整类别列表（共4类）

数据三要素解析

类别与目标覆盖

• 数据集定义 4 类棉铃状态，直接对应农业采摘中的“采与不采”决策。
• 类别设置涵盖了棉花生长的关键阶段（花朵、部分开裂、完全裂开）以及异常状态（缺陷开裂），具有较强的农学逻辑。
• 目标在图像中呈现不同的形态与颜色特征（如白色棉絮、黄色花朵、褐色病斑），模型需具备细粒度区分能力。

数据规模与划分

• 图像总量约 5397 张，按 8:1:1 比例划分为训练集（4238张）、验证集（529张）与测试集（530张），划分规范。
• 数据量充足，能支撑多类别检测模型的稳健训练。
• 支持 YOLOv5 至 v26 全系列直接训练，适配主流检测框架。

格式与结构

• 采用通用 YOLO 格式（txt），使用 LabelImg 进行矩形框标注，数据结构规范，开箱即用。
• 图像与标签一一对应，便于进行预处理与训练流程集成。
  

知识普及：棉花成熟度检测的技术要点

• 颜色与形态特征：成熟棉絮呈白色或乳白色，花朵呈黄/红色，缺陷棉常有黄褐色斑块。棉铃形态从闭合、微裂到完全四瓣/五瓣张开。模型高度依赖这些视觉特征进行判别。
• 密集与遮挡：棉田种植密集，叶片和枝干容易遮挡棉铃，需采用多尺度特征融合策略以应对小目标和遮挡问题。
• 光照敏感性：户外光照变化大，不同时段和天气下棉花的颜色表现不同，建议训练时加入色彩增强（如 HSV 扰动）。
• 类别不平衡：在实际数据中，不同状态棉铃的数量往往不均，训练时可考虑使用类别加权损失或过采样策略，提升对稀少状态的检测能力。
• 应用闭环：检测结果可直接输入采棉机的控制系统，实现“识别-定位-采摘”的自动化闭环；同时，统计各状态棉铃数量可生成产量预测报告，辅助农场管理决策。

快速开始（代码示例）

配置文件 data.yaml 示例：

train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test
nc: 4
names: ['缺陷开裂棉花-不可采摘', '棉花花朵-不可采摘', '完全裂开-可采摘', '部分开裂-不可采摘']

启动 YOLOv8 训练：

from ultralytics import YOLO

model = YOLO('yolov8m.pt')
model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0
)

标签

棉花成熟度 棉铃检测 智慧农业 目标检测 YOLO格式 深度学习数据集 计算机视觉