摘要入侵植物物种目标检测数据集YOLO格式是一个专门用于热带地区杂草和入侵植物自动识别的目标检测数据集包含5种常见热带杂草物种的图像和边界框标注。数据集简介数据集概述入侵植物物种目标检测数据集YOLO格式是一个专门用于热带地区杂草和入侵植物自动识别的目标检测数据集包含5种常见热带杂草物种的图像和边界框标注。数据集包含1,370张图像涵盖阿拉伯胶树Vachellia nilotica、霍香蓟Ageratum conyzoides、马缨丹Lantana camara、蝶豆Clitoria ternatea和盒果藤Merremia hederacea五个类别共计2,029个标注边界框。数据集在类别间保持良好平衡每类包含225-250张图像并包含156张背景图像空标签以降低模型误报率。原始图像来源于全球生物多样性信息设施GBIF平台的真实野外环境拍摄已预先划分为训练集958张70%、验证集273张20%和测试集138张10%采用YOLO标准标注格式特别适用于精准农业、环境监测和自动化杂草控制系统开发。数据结构与关键特征数据集采用YOLO标准目标检测格式图像文件为JPG格式标注文件为TXT格式每个标注文件包含类别ID0-4和归一化边界框坐标class x_center y_center width height。关键特征包括类别平衡性五个物种的图像数和边界框数分布均衡类别0-4分别包含577、404、407、266、375个边界框、负样本策略156张空标签背景图像用于降低假阳性、自然环境采集真实野外环境拍摄包含复杂背景、光照变化、遮挡和多尺度目标、以及完整的数据划分70%-20%-10%的训练-验证-测试分割。数据集标注的5种植物均为热带地区常见的入侵物种和杂草阿拉伯胶树是荒地入侵植物霍香蓟和马缨丹是农田常见杂草蝶豆和盒果藤是藤本入侵植物。图像来源于GBIF全球生物多样性数据库涵盖不同地理位置、生长阶段和环境条件确保数据多样性和真实性应用价值与研究方向该数据集在精准农业、智能农业和生态监测领域具有重要应用价值可用于开发自动化除草剂喷洒无人机/机器人、智能农田管理系统、入侵物种监测平台和生物多样性评估工具。研究方向包括基于深度学习的杂草物种识别算法、小目标检测优化野外环境中的植物目标尺度变化大、复杂背景下的鲁棒检测、实时检测算法用于无人机和移动机器人部署、以及迁移学习在不同地理区域的应用。数据集的负样本设计特别适合研究如何降低假阳性率、提升模型在非目标场景中的鲁棒性。此外该数据集还可扩展至更广泛的植物识别任务、作物病虫害检测、生态保护监测等应用场景为推动计算机视觉技术在农业和生态领域的应用、实现精准除草、降低化学除草剂使用、保护生态环境提供重要的数据支撑和技术基础。数据集来源由张家梁(Bob)整理并于2026年在7zcode平台公开发布。数据集信息免责声明与引用数据仅用于科研与教学用途。若用于商业场景请自行核验数据许可。如需引用请在论文或报告中注明数据集名称与版本号。作者信息作者Bob (张家梁)项目编号Datasets-194文件大小1.4G原创声明本数据集为整理作品