简介这份资源是面向无人机俯视视角下农场场景的目标检测数据集适合从事农业智能化、无人机巡检及YOLO系列算法实践的开发者与研究人员使用可解决农场中车辆、农机与行人等目标识别任务的数据来源问题。压缩包共2000个文件包含497张jpg图像、1502个txt标注文件及1个yaml配置文件整体约522.36MB图像与标注一一对应yaml中已定义car、people、tractor、van四类目标并划分好train、val、test目录yolov5、yolov7、yolov8等算法可直接加载训练。目前已有452人学习下载。数据集目录结构清晰省去自行标注与划分的繁琐流程读者可快速复现检测实验、验证模型在农业场景下的表现并借助配套说明理解数据组织方式适合作为课程设计、科研实验或算法对比的即用型数据基础。1. 农场航拍视角下的 YOLO 数据集这份 VisDrone 衍生包到底能跑出什么拿到一个标注好的数据集最怕的不是模型不收敛而是标签体系和自己的业务对不上。这份 VisDrone-农场中农业机械目标检测数据集核心价值在于它把无人机俯视视角下的农场场景切成了四类硬目标car、people、tractor、van。1000 多张图目录已经按 train/valid/test 分好data.yaml 也写好了yolov5、yolov7、yolov8 拿过来改个路径就能开训。适合谁做农业遥感、农机调度、农场安防的算法工程师或者想拿真实航拍数据练 YOLO 微调的学生。它不是那种玩具级数据集俯视视角带来的小目标密集、遮挡严重、尺度变化大恰好是 YOLO 系列最吃力的场景。下面我从目录结构、标签格式、训练参数到踩坑记录把这份资源拆开讲透。2. 拆开 data.yaml 和目录YOLO 训练前必须核对的四个字段2.1 目录结构决定你能不能直接开训这份数据集最省事的地方是目录已经按 YOLO 标准排好。常见做法是根目录下放 data.yaml然后 train、valid、test 三个文件夹各自带 images 和 labels 子目录。你拿到手先别急着跑 train.py用 tree 命令看一眼层级tree -L 3 ./dataset1预期输出类似dataset1 ├── data.yaml ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels └── test ├── images └── labels如果 labels 文件夹缺失或者 images 和 labels 没有一一对应训练时 YOLO 会直接报 “No labels found” 或者把背景图当负样本吞掉。我一般会写个三行脚本核对文件名配对import os for split in [train, valid, test]: img_dir f./dataset1/{split}/images lbl_dir f./dataset1/{split}/labels imgs {os.path.splitext(f)[0] for f in os.listdir(img_dir)} lbls {os.path.splitext(f)[0] for f in os.listdir(lbl_dir)} print(split, 图片数:, len(imgs), 标签数:, len(lbls), 差集:, imgs ^ lbls)差集为空才说明配对完整。注意 test 的路径在摘要里写的是./test/image少了个 s实际配置时以你本地文件夹名为准YOLOv8 对路径拼写是零容忍的。2.2 data.yaml 里四个类别名的顺序不能乱摘要给出的配置是names: [car, people, tractor, van] train: ./train/images val: ./valid/images test: ./test/image这里有个血泪经验names 列表的索引就是标签文件里 class_id 的映射。如果你把 names 改成[tractor, car, people, van]那所有标签的类别全错位模型会把拖拉机学成轿车。改 names 之前先去 labels 里抽一个 txt 看第一列数字head -n 5 ./dataset1/train/labels/DJI_0017_frame60_jpg.rf.d471ef262b540d39849b2759a87d7c7b.txt输出每行格式是class_id x_center y_center width height数值都是归一化到 0~1 的。如果第一列出现 3而你的 names 只有四个元素索引 3 对应 van没问题出现 4 就直接越界报错。另外test: ./test/image这个路径我建议统一改成./test/images避免训练完做推理时找不到图。2.3 标签格式是 YOLO txt 还是 VOC xml从文件名带.rf.后缀来看这是 Roboflow 导出过的数据集标签一定是 YOLO txt 格式不是 VOC xml。如果你之前习惯用 xml别想着直接塞给 YOLOv5它只认 txt。验证方法很简单file ./dataset1/train/labels/*.txt | head全是 ASCII text 就对了。如果混进了 xml用 Roboflow 重新导出或者自己写转换脚本别在训练脚本里硬改。2.4 图片分辨率和类别分布先摸清再定 imgsz航拍图普遍是 1920×1080 或者更高但 YOLO 默认 imgsz640。直接缩到 640 训练tractor 这种大目标还能看people 这种小目标可能就剩几个像素。我一般先统计一下图片尺寸分布from PIL import Image import glob sizes {} for p in glob.glob(./dataset1/train/images/*.jpg): w, h Image.open(p).size sizes[(w, h)] sizes.get((w, h), 0) 1 print(sizes)如果绝大多数是同一分辨率比如 1920×1080那 imgsz 可以设 960 或 1280 做对比实验。显存不够就降 batch别硬拉 imgsz 导致 BN 崩溃——这是 YOLO 训练里最常见的翻车点之一。3. 从零跑通 YOLOv8 训练命令行参数与损失曲线怎么看3.1 环境装完先跑一遍官方检测确认没坏在碰数据集之前我习惯先用 COCO 预训练权重跑一张图确认 ultralytics 装好了、CUDA 能用pip install ultralytics yolo predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg能输出检测框和类别就说明环境没问题。这一步花两分钟能省掉后面排查“是环境坏还是数据坏”的半小时。注意别用太新的 torch 配太老的 CUDA版本对不上会报CUDA error: no kernel image is available。3.2 用 data.yaml 启动训练的最小命令确认环境和数据都没问题后直接开训yolo detect train \ data./dataset1/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz960 \ batch8 \ project./runs/farm \ nameexp1参数逐个说data指向你的 yamlmodel用 yolov8n 起步显存够可以换 yolov8s 或 yolov8mepochs100对 1000 张图偏多但航拍小目标收敛慢先跑 100 看曲线imgsz960是折中再大显存吃不消batch8在 12G 显存上跑 960 分辨率比较稳。训练日志里重点看三个东西box_loss、cls_loss、mAP50。box_loss 前期下降快是正常的cls_loss 如果一直震荡不降多半是类别不平衡或者学习率太大。3.3 损失函数在航拍场景下的表现差异YOLOv8 用的是 TaskAlignedAssigner 做正负样本分配分类损失是 BCE回归损失是 CIoU 加 DFL。在农场航拍图里tractor 和 van 的尺寸接近、纹理相似CIoU 对中心点偏移敏感容易把两者框混。如果你发现混淆矩阵里 tractor 和 van 互相误检别急着换模型先把 imgsz 拉大让两者的边缘特征更清晰。另一个常见现象是 people 类 mAP 特别低因为俯视视角下行人只有十几个像素DFL 的分布学习很难收敛。这时候可以试试在 yaml 里加close_mosaic10最后 10 个 epoch 关掉马赛克增强让小目标回归更准。3.4 训练完先看混淆矩阵再谈调参训练结束后runs/farm/exp1 下会生成 confusion_matrix.png 和 results.png。我一般先看混淆矩阵再看 PR 曲线。如果 car 和 van 之间有一条明显的误检带说明这两类在特征空间里没分开可以考虑合并类别或者加更多 van 的样本。如果 people 的召回率低于 0.5那就是小目标问题回去调 imgsz 和 anchor。别一上来就改损失函数YOLOv8 的默认损失在大多数场景下够用改错了反而更难收敛。4. 避坑与排查这份数据集训练时最容易翻车的五个点4.1 现象训练启动就报 “No labels found in …”原因data.yaml 里的 train 路径写成了绝对路径或者少了 images 层级YOLO 找不到 labels 目录。解决把 train 改成./train/images这种相对路径并且确认 labels 文件夹和 images 同级。如果用的是 Windows路径分隔符用/别用\。4.2 现象mAP 一直是 0loss 却在降原因names 列表顺序和标签里的 class_id 对不上模型学的是错位的类别。解决抽一个标签文件看第一列数字对照 names 索引把顺序改回来。改完记得删掉 cache 文件*.cache否则 YOLO 会读旧缓存。4.3 现象训练到一半报 CUDA out of memory原因imgsz 设太大或者 batch 太大航拍图分辨率高显存占用是平方级增长。解决先把 batch 降到 4还不行就把 imgsz 从 960 降到 640。如果必须用大分辨率换 yolov8n 或者开ampTrue混合精度能省不少显存。4.4 现象验证集 mAP 比训练集低很多原因train/valid 划分不均衡或者 valid 里有 train 没见过的场景。解决检查 valid 的图片是不是都来自同一段视频如果是重新按视频切分而不是按帧随机切。航拍数据按帧随机切会导致相邻帧同时出现在 train 和 valid造成数据泄漏验证指标虚高。4.5 现象推理时检测框重叠严重同一个目标出好几个框原因NMS 的 iou 阈值设太高或者模型对密集小目标过拟合。解决推理时加iou0.5参数默认是 0.7航拍密集场景降到 0.5 能压掉大部分重复框。如果还不行检查训练时是不是漏了agnostic_nms多类别重叠时这个参数有用。5. 进阶技巧用 test 集做一次完整的部署前验证5.1 别拿 valid 当 test 用很多人训完直接看 valid 的 mAP 就收工但 valid 在训练过程中被用来调超参了指标有偏。这份数据集单独留了 test就是让你做最终验证的。跑推理yolo detect predict \ model./runs/farm/exp1/weights/best.pt \ source./dataset1/test/images \ saveTrue \ conf0.25 \ iou0.5 \ project./runs/farm \ nametest_inferconf0.25 是航拍场景的常用起点太低会出很多假阳性太高会漏掉小目标。跑完去 test_infer 里翻几张图重点看 tractor 和 van 有没有混people 有没有漏。如果肉眼看着还行再算一次 mAPyolo detect val \ model./runs/farm/exp1/weights/best.pt \ data./dataset1/data.yaml \ splittestsplittest 会强制用 test 集评估出来的数字才是能写进报告的。5.2 导出 ONNX 前先确认输入尺寸如果后面要部署到边缘设备导出 ONNX 是常规操作yolo export model./runs/farm/exp1/weights/best.pt formatonnx imgsz960注意 imgsz 必须和训练时一致否则精度掉得厉害。导出后用 onnxruntime 跑一张图验证输出 shapeimport onnxruntime as ort import numpy as np sess ort.InferenceSession(best.onnx) inp np.random.randn(1, 3, 960, 960).astype(np.float32) out sess.run(None, {sess.get_inputs()[0].name: inp}) print([o.shape for o in out])输出应该是[1, 44, 8400]这种格式4 是四个类别8400 是候选框数量。如果 shape 不对检查导出时的 imgsz 和类别数。5.3 一个我常用的验证习惯从那以后我每次训完新数据集都强制走一遍「test 推理 → 肉眼抽查 20 张 → 算 test mAP → 导出 ONNX 跑通」这个流程少一步都不放心。航拍数据集的坑往往不在训练本身而在你以為训好了、实际部署时才发现类别错位或者分辨率不匹配。这份 VisDrone 农场数据集目录规整、类别清晰按上面的步骤走一遍基本能避开大部分常见问题。希望帮到你。本文还有配套的精品资源点击获取