葡萄检测和详细分类图像数据集

葡萄检测和详细分裂图像数据集

关键词: 农业, 图像, 图像分割, YOLO, 对象检测
描述:
**介绍**
该数据集旨在探索对象检测和分割的领域，以其在农业中的应用方面的特定关注。主要目的是采用Yolov8和SAM技术来开发健壮的模型来检测葡萄束。

**数据集说明**
该数据集包括使用Yolov8体系结构的四个训练有素的模型。它包括两种单级模型，一种利用对象检测，另一种采用实例分割进行葡萄检测。此外，还有两个多级模型，能够预测和检测不同的葡萄品种。使用超级存储库（https://github.com/ultralytics/ultralytics）的大型模型对所有模型进行了训练。

数据集包括四个葡萄品种：
– 黑比诺：102张图像和标签
– 霞多丽：来自我的39张图像和标签47
– 长相思：42张图像和标签
– 黑皮诺（Pinot Gris）：111个图像和标签

用于培训的总数：341

请注意，分割模型的训练总共使用了20张图像，总计为100张。

**用于培训的数据集**
要查看用于训练多类对象检测模型的数据集（例如火车/测试/Val文件夹），请参阅以下

**数据源**
数据集包含两个主要数据源。第一个来源是使用iPad Air 2 RGB相机捕获的图像集合。这些图像具有3226×2449像素的分辨率和8百万像素的质量。第二个来源由Github用户Thsant贡献，他创建了一个令人印象深刻的项目，请访问https://github.com/thsant/wgisd/tree/master。

为了标记数据，利用了先前数据集的基本模型，并使用labelimg（https://github.com/heartexlabs/labelimg）进行注释过程。重要的是要注意，来自Thsant数据集的某些注释需要修改以使其完整性。

**实施步骤**
数据准备涉及从“ my_sam”（https://github.com/regs08/my_sam）和“ kaggleutils”（https：//github.com/regs08/kagaggleutils）使用“ my_sam”的课程和功能。

对于模型培训，采用了带有默认超参数的Yolov8体系结构。对象检测模型接受了50个训练时期，而实例分割模型进行了75个时期的培训。

从https://sement-anything.com/将任何内容（SAM）段应用于Bbox标记的数据，以生成实例分割模型的图像和相应的掩码。应用SAM后不会进一步编辑图像。

**评估和推理**
使用的评估指标是平均平均精度（MAP）。获得以下映射值：

*单级对象检测*：
-MAP50：0.85449
-MAP50-95：0.56177

*多类对象检测：*
-MAP50：0.85336
-MAP50-95：0.56316

*单级实例分割：*
-MAP50 ：（未提供值）
-MAP50-95 ：（未提供值）

*多类实例分割：*
-MAP50：0.89436
-MAP50-95：0.62785