智慧农业与作物表型组学研究深度学习框架人YOLOV8模型如何训练无人机航拍玉米雄穗检测数据集识别玉米雄穗 - 教程

无人机航拍玉米雄穗检测数据集
在这里插入图片描述

【高质量数据集，未经过数据增强】
【图片分辨率为3648 x 2736】

基本信息：该数据集包含 361 张图像。【训练集186，测试集175】
标注信息：数据集中的玉米雄穗采用 YOLOv11 格式进行标注。

【无人机采集】

在这里插入图片描述

无人机航拍玉米雄穗检测数据集概览表

项目	描述
数据集名称	玉米雄穗无人机检测数据集（高质量，未增强）
总图像数量	361 张
训练集 / 测试集划分	训练集：186 张测试集：175 张
采集设备	无人机（具体型号未注明，典型农业无人机如 DJI Phantom/Mavic 系列）
图像分辨率	3648 × 2736 像素（高分辨率，适合精细目标检测）
目标类别	1 类：`tassel`（玉米雄穗）
标注格式	YOLO 格式（`.txt` 文件，每行格式：`class_id center_x center_y width height`，归一化坐标）
数据增强	❌ 未进行任何数据增强（原始真实场景图像）
应用场景	精准农业、玉米生长监测、抽雄期识别、育种表型分析、无人机智能巡田
任务类型	目标检测（Object Detection）

在这里插入图片描述

博主推荐文件组织结构

maize_tassel_dataset/
├── images/
│   ├── train/      # 186 张
│   └── test/       # 175 张
├── labels/
│   ├── train/      # 对应 YOLO .txt 标注
│   └── test/
└── dataset.yaml    # YOLO 模型配置文件

`dataset.yaml` 示例（适用于 YOLOv8/v11）

train: ./images/train
val: ./images/test
nc: 1
names: ['tassel']

注：尽管标注提及 “YOLOv11 格式”，但 YOLO 标注格式自 YOLOv5 起保持一致，实际为标准 YOLO TXT 格式，可直接用于 YOLOv5/v8/v10 等框架。

在这里插入图片描述

该数据集适用于训练轻量级或高精度目标检测模型，服务于 智慧农业 与 作物表型组学研究。在这里插入图片描述

以下是基于 玉米雄穗检测数据集（361 张高分辨率图像，YOLO 格式标注）的完整 YOLOv8 训练与检测系统实现方案，包含：

✅ YOLOv8 训练代码
✅ 数据集配置文件
✅ 推理脚本（图像/视频/批量）
✅ Web 检测系统（Django + Bootstrap）
✅ 雄穗计数与生长分析功能

在这里插入图片描述

一、项目目录结构

maize_tassel_yolov8/
├── data/
│   ├── images/
│   │   ├── train/    # 186 张
│   │   └── test/     # 175 张
│   ├── labels/
│   │   ├── train/
│   │   └── test/
│   └── dataset.yaml
├── models/
│   └── best.pt       # 训练后模型
├── train.py          # YOLOv8 训练脚本
├── infer.py          # 推理脚本
├── web_app/
│   ├── views.py
│   ├── models.py
│   ├── urls.py
│   └── templates/
│       └── index.html
└── requirements.txt

二、`requirements.txt`

ultralytics==8.2.0
opencv-python==4.8.0
numpy==1.24.3
pillow==9.5.0
django==4.2.7
matplotlib==3.6.3

安装：

pip install -r requirements.txt

三、`data/dataset.yaml`

train: ../data/images/train
val: ../data/images/test
nc: 1
names: ['tassel']

✅ 确保 images/train 和 labels/train 中的文件名一一对应（如 001.jpg ↔ 001.txt）

四、`train.py` —— YOLOv8 训练代码

# train.py
from ultralytics import YOLO
if __name__ == "__main__":
# 加载预训练模型（推荐 yolov8n 或 yolov8s，适合小目标）
model = YOLO("yolov8n.pt")
# 开始训练
results = model.train(
data="data/dataset.yaml",
epochs=100,
imgsz=1280,              # 高分辨率图像建议使用 1280（原图 3648x2736 缩放）
batch=8,                 # 根据 GPU 显存调整（若 OOM 可设为 4 或 2）
device=0,                # 使用 GPU；无 GPU 则改为 "cpu"
name="maize_tassel_yolov8n",
project="runs/train",
patience=20,             # 早停：20 轮无提升则停止
save=True,
exist_ok=True
)
print(f"✅ 训练完成！最佳模型路径: {results.save_dir}/weights/best.pt")

为什么用 imgsz=1280？
原图 3648×2736 分辨率极高，直接输入会显存溢出。YOLOv8 支持大尺寸输入以保留小目标（雄穗）细节，1280 是平衡精度与显存的常用选择。

运行训练：

python train.py

五、`infer.py` —— 推理与雄穗计数

# infer.py
from ultralytics import YOLO
import cv2
import os
model = YOLO("runs/train/maize_tassel_yolov8n/weights/best.pt")
def detect_tassels(image_path, conf=0.3):
results = model(image_path, conf=conf)
annotated_img = results[0].plot()
# 雄穗数量
tassel_count = len(results[0].boxes)
# 保存结果
output_path = f"output_{os.path.basename(image_path)}"
cv2.imwrite(output_path, annotated_img)
print(f"✅ 检测到 {tassel_count} 个玉米雄穗，结果保存至: {output_path}")
return tassel_count, output_path
# 示例：单张图像
detect_tassels("test_field.jpg")
# 批量推理（可选）
# for img in os.listdir("batch_images"):
#     detect_tassels(os.path.join("batch_images", img))

六、Django Web 检测系统

1. `web_app/models.py`

from django.db import models
class TasselDetection(models.Model):
image = models.ImageField(upload_to='uploads/')
result_image = models.ImageField(upload_to='results/', null=True)
tassel_count = models.IntegerField(default=0)
timestamp = models.DateTimeField(auto_now_add=True)
field_name = models.CharField(max_length=100, default="试验田A")

2. `web_app/views.py`

from django.shortcuts import render
from django.http import JsonResponse
from django.core.files.storage import FileSystemStorage
from .models import TasselDetection
from ultralytics import YOLO
import cv2
import os
# 全局加载模型（避免重复加载）
model = YOLO("runs/train/maize_tassel_yolov8n/weights/best.pt")
def index(request):
return render(request, 'index.html')
def detect_tassel_web(request):
if request.method == "POST" and request.FILES.get('image'):
uploaded_file = request.FILES['image']
fs = FileSystemStorage()
filename = fs.save(uploaded_file.name, uploaded_file)
input_path = fs.path(filename)
output_dir = os.path.join(fs.location, 'results')
os.makedirs(output_dir, exist_ok=True)
output_path = os.path.join(output_dir, f"result_{filename}")
# 推理
results = model(input_path, conf=0.3)
annotated_img = results[0].plot()
cv2.imwrite(output_path, annotated_img)
tassel_count = len(results[0].boxes)
# 保存记录
record = TasselDetection.objects.create(
image=uploaded_file,
result_image=f'results/result_{filename}',
tassel_count=tassel_count
)
return JsonResponse({
'result_url': fs.url(f'results/result_{filename}'),
'tassel_count': tassel_count
})
return JsonResponse({'error': '请上传图像'})

3. `templates/index.html`

<!DOCTYPE html>
    <html lang="zh">
    <head>
        <meta charset="UTF-8">
      <title>玉米雄穗智能检测系统</title>
      <script src="https://cdn.tailwindcss.com"></script>
      </head>
        <body class="bg-green-50">
          <div class="max-w-4xl mx-auto p-6">
        <h1 class="text-2xl font-bold text-center mb-6"> 玉米雄穗无人机检测系统</h1>
            <form id="uploadForm" enctype="multipart/form-data" class="mb-6">
              <input type="file" name="image" accept=".jpg,.png" class="block w-full mb-4">
            <button type="submit" class="bg-blue-600 text-white px-4 py-2 rounded">上传并检测</button>
            </form>
              <div id="result" class="hidden">
                <img id="resultImg" class="max-w-full border rounded shadow">
                  <div class="mt-4 p-4 bg-white rounded">
                <p class="text-lg">检测到雄穗数量：<span id="count" class="font-bold text-green-700"></span> 个</p>
                </div>
              </div>
            </div>
            <script>
              document.getElementById('uploadForm').onsubmit = async (e) => {
              e.preventDefault();
              const formData = new FormData(e.target);
              const res = await fetch('/detect/', {method: 'POST', body: formData});
              const data = await res.json();
              if (data.result_url) {
              document.getElementById('resultImg').src = data.result_url;
              document.getElementById('count').textContent = data.tassel_count;
              document.getElementById('result').classList.remove('hidden');
              }
              };
            </script>
          </body>
        </html>

4. 启动 Web 系统

python manage.py makemigrations
python manage.py migrate
python manage.py runserver

访问：http://127.0.0.1:8000

七、应用场景扩展

应用方向	功能说明
育种研究	自动统计不同品种雄穗数量，评估抽雄一致性
农情监测	无人机巡田 → 实时生成雄穗密度热力图
产量预估	雄穗数量与最终产量相关性建模
AI 农机	集成至喷药/授粉无人机，实现精准作业

✅ 总结

轻量高效：YOLOv8n 在保持高精度的同时适合边缘部署
农业专用：针对高分辨率农田图像优化
端到端系统：从上传到计数，支持科研与生产场景

发表于 2026-01-06 08:30 jzssuanfa 阅读(13) 评论(0) 收藏举报

刷新页面返回顶部

智慧农业 与 作物表型组学研究 深度学习框架人YOLOV8模型如何训练无人机航拍玉米雄穗检测数据集 识别玉米雄穗 - 教程

无人机航拍玉米雄穗检测数据集概览表

博主推荐文件组织结构

dataset.yaml 示例（适用于 YOLOv8/v11）

一、项目目录结构

二、requirements.txt

三、data/dataset.yaml

四、train.py —— YOLOv8 训练代码

五、infer.py —— 推理与雄穗计数

六、Django Web 检测系统

1. web_app/models.py

2. web_app/views.py

3. templates/index.html

4. 启动 Web 系统

七、应用场景扩展

✅ 总结

导航

智慧农业与作物表型组学研究深度学习框架人YOLOV8模型如何训练无人机航拍玉米雄穗检测数据集识别玉米雄穗 - 教程

`dataset.yaml` 示例（适用于 YOLOv8/v11）

二、`requirements.txt`

三、`data/dataset.yaml`

四、`train.py` —— YOLOv8 训练代码

五、`infer.py` —— 推理与雄穗计数

1. `web_app/models.py`

2. `web_app/views.py`

3. `templates/index.html`