🌲 松材线虫无人机航拍检测数据集（Pine Wilt Disease Aerial Dataset）
面向无人机低空航拍场景的松材线虫病树（按受害程度分级）目标检测数据集，标准YOLO 格式，可直接用于 YOLOv5 / v8 / v10 / v11 等单阶段检测器训练。
📦 数据集概况
| 项目 | 内容 |
|---|---|
| 数据规模 | 约 2000 张高清无人机航拍图像 |
| 任务类型 | 目标检测（单株松树级病害严重度分类） |
| 标注格式 | YOLO txt（每图一 txt，class_id x_center y_center w h，归一化 0~1） |
| 配套配置 | 提供data.yaml（nc=3） |
| 采集方式 | 低空无人机林区巡检航拍（RGB 影像） |
| 典型分辨率 | 2048×1228 / 2048×1536 等 |
| 适用模型 | YOLOv5 / v7 / v8 / v10 / v11 |
🏷️ 标签类别（3 类）
按松树受松材线虫侵害严重程度分级标注：
| class_id | 标签 | 含义 |
|---|---|---|
| 0 | dead | 枯死木：树冠整体褐枯/灰白、针叶脱落，已无恢复价值（病害末期） |
| 1 | heavy | 重度受害：树冠明显发黄/发红、稀疏，中晚期染病，传染风险高 |
| 2 | light | 轻度受害：早期/轻微异常，冠层局部变色或稀疏，外观近健康树 |
💡
light类样本是“早发现早处置”的关键，也是模型最难学的一类。
📁 推荐目录结构
text
pine_wilt_uav_dataset/ ├── images/ │ ├── train/ # 训练集 jpg │ ├── val/ # 验证集 jpg │ └── test/ # 测试集 jpg ├── labels/ │ ├── train/ # 对应 YOLO txt │ ├── val/ │ └── test/ └── data.yamldata.yaml示例
yaml path: ./pine_wilt_uav_dataset train: images/train val: images/val test: images/test nc: 3 names: ['dead', 'heavy', 'light']🎯 适用场景
- 林业松材线虫病智能巡检
- 无人机航拍病树自动识别与普查
- 智慧林业 / 森林健康监测系统
- 目标检测课程实训、毕业设计、科研基准数据
⚠️ 使用说明
- 原图多为高分辨率航拍，训练小目标建议
imgsz=640或更高，或做切片（slice）增强。 light与heavy、heavy与dead之间存在连续过渡，边界样本易混淆，训练时可适当加聚焦损失或边界样本挖掘。- 若做病害等级统计，可将检测框按类别聚合到小班/图斑级。
- 数据集图片来源于网络/航拍脱敏样本，仅限学习与科研使用，勿直接商用。
🚀 快速训练（YOLOv8 示例）
bash
p
ip install ultralytics yolo detect train \ data=data.yaml \ model=yolov8n.pt \ imgsz=640 \ batch=16 \ epochs=100 \ name=pine_wilt_yolov8📄 许可证
CC BY-NC 4.0（非商业学习研究用途），转载请保留类别定义与来源说明。
如果你愿意，我可以把这份文档再压缩成一页商品详情版（去掉代码块、只留卖点+类别表+交付清单），或者反过来补上 train/val/test 切分脚本和统计标签分布的 Python 小工具。你要哪一种？
