Datasets:
无人机技术逐渐成熟，能为智慧农业与精准监控提供非常强大的支撑。目前农业计算机视觉领域还未存在青皮核桃相关的数据集，因此为了推动农业计算机视觉领域的算法设计，我们使用无人机对8块核桃样本地进行遥感数据采集。考虑到青皮核桃具有受到多种光照和被遮挡的特征，我们构建出了一个目标特征细粒度更高的大规模数据集——WalnutData。该数据集共包含30240张图像，706208万个实例，目标类别有4种：受到正面光照且未被遮挡（A1）、受到逆光且未被遮挡（A2）、受到正面光照且被遮挡（B1）和受到逆光且被遮挡（B2）。我们提供了VOC、COCO和YOLO三种标签类型，适用于目前主流的许多目标检测模型。然后，在WalnutData上评估了许多主流算法，将这些评估结果作为基线标准。WalnutData数据集论文链接：https://doi.org/10.48550/arXiv.2502.20092.
1. WalnutData 下载地址
我们提供了三种方式来获取WalnutData（13.87G）：
- IEEEDataPort：https://ieee-dataport.org/documents/walnutdata-construction-green-walnut-dataset-based-uav-and-model-evaluation
- Hugging Face：https://huggingface.co/datasets/nanmao/WalnutData/resolve/main/WalnutData.zip
- 百度网盘：https://pan.baidu.com/s/1ZQEr6YJW-V_cQ3sNrZKBEA?pwd=mt9m 提取码: mt9m
2. 数据集构建
我们分别在2024年7月18日至9月14日之间对8块核桃样本地进行数据采集，这些样本地均处于中国云南省大理白族自治州漾濞县。另外，为了获取光照情况的变化，我们在9点至19点之间进行拍摄。数据采集设备统一使用DJI Matrice 300 RTK无人机和Zenmuse P1（35mm F2.8）镜头，无人机全程按照预先规划的航线进行从上往下的角度（-90°）拍摄，飞行路径完全涵盖每块样本地的范围。为了减少飞行高度过高与相机运动过快对成像质量的影响，我们在保证飞行安全的情况下，将飞行速度设置在1-3m/s之间，飞行高度设置在12-30m之间。
由于无人机航拍图像分辨率（8192×5460像素）过大，不利于模型的训练，因此本研究将筛选后的原始图像均按照步长为512进行图像切割，切割后的图像分辨率均为1024×1024像素。经过上述步骤的处理，最终形成了本研究的数据集，共30240张图像。
以下表格是WalnutData的详细信息。
| 名称 | 图片数量 | 目标数量 | 平均每张图像目标数量 | 大尺寸目标数量 | 中尺寸目标数量 | 小尺寸目标数量 |
|---|---|---|---|---|---|---|
| 训练集 | 21167 | 495812 | 23.424 | 526 | 211669 | 283617 |
| 验证集 | 6048 | 139255 | 23.025 | 175 | 59371 | 79709 |
| 测试集 | 3025 | 71141 | 23.518 | 74 | 30047 | 41020 |
3. 数据集分析
3.1 灰度值分析
训练集、验证集和测试集的平均灰度值分别为107.316、108.048、107.544，低于中间灰度值127.5的占比分别为76.31%、75.59%、75.81%，由此说明WalnutData中大部分青皮核桃是处于逆光或被树叶遮挡在光线较暗的地方。
3.2 WalnutData类别实例分布
训练集、验证集和测试集划分的比例为7:2:1，分别为21167张、6048张和3025张。另外，在类别数量分布安排中，我们尽可能保证其分布的相似性和均衡性。
4. 实验结果
我们在WalnutData上评估近年来比较流行的目标检测模型，分别使用ultralytics框架和mmdetection框架实现了一阶段和二阶段的目标检测算法。一阶段目标检测算法有：YOLOv3、YOLOv4、YOLOv5、DETR等；二阶段目标检测算法有：Fast R-CNN、Faster R-CNN、TridentNet等。在下面的内容中将公布各个算法在WalnutData各类别、各尺寸实例的评估结果。本研究中所有模型的实验均在8张RTX 3090服务器或A800服务器上进行，基线模型超参数均使用默认参数值。另外，这些基线模型的评估结果将作为WalnutData的基准值提供研究者们作为参考。
4.1 WalnutData在一阶段目标检测算法的实验结果
下表为一系列主流算法在WalnutData验证集上的评估。
| 算法 | 参数量 | GFLOPs | mAP50 | mAP50:95 | mAP50(A1) | mAP50(B1) | mAP50(B2) | mAP50(A2) | mAP50:95(A1) | mAP50:95(B1) | mAP50:95(B2) | mAP50:95(A2) |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| YOLOv11-x | 56.83M | 194.4G | 94.0 | 71.7 | 96.5 | 95.2 | 92.2 | 91.9 | 76.3 | 72.2 | 67.5 | 70.8 |
| YOLOv11-l | 25.28M | 86.6G | 91.7 | 68.0 | 95.2 | 93.3 | 89.4 | 88.9 | 73.5 | 68.5 | 63.2 | 66.8 |
| YOLOv11-m | 20.03M | 67.7G | 91.3 | 66.7 | 95.0 | 93.1 | 88.7 | 88.5 | 72.5 | 67.3 | 61.4 | 65.8 |
| YOLOv11-s | 9.41M | 21.3G | 84.7 | 58.7 | 91.3 | 88.0 | 80.5 | 79.2 | 66.7 | 59.8 | 52.0 | 56.0 |
| YOLOv11-n | 2.58M | 6.3G | 74.6 | 48.5 | 84.3 | 79.9 | 69.1 | 65.0 | 58.5 | 50.4 | 41.3 | 43.7 |
| YOLOv10-x | 31.59M | 169.8G | 94.4 | 72.6 | 96.7 | 95.5 | 92.6 | 92.6 | 77.1 | 72.8 | 68.5 | 71.9 |
| YOLOv10-l | 25.72M | 126.3G | 92.0 | 67.6 | 95.5 | 93.6 | 89.3 | 89.4 | 73.0 | 67.9 | 62.6 | 66.7 |
| YOLOv10-b | 20.41M | 98.0G | 90.9 | 65.9 | 94.8 | 93.0 | 88.1 | 87.8 | 71.7 | 66.5 | 60.7 | 64.6 |
| YOLOv10-m | 16.45M | 63.4G | 89.1 | 63.4 | 94.0 | 91.6 | 85.8 | 85.1 | 70.1 | 64.2 | 57.6 | 61.7 |
| YOLOv10-s | 8.03M | 24.5G | 86.3 | 59.9 | 92.1 | 89.2 | 82.5 | 81.6 | 67.5 | 60.6 | 53.6 | 58.0 |
| YOLOv10-n | 2.69M | 8.2G | 75.9 | 49.6 | 85.2 | 80.8 | 70.6 | 67.0 | 59.3 | 51.1 | 42.4 | 45.4 |
| YOLOv9-e | - | - | 93.8 | 70.6 | 96.8 | 95.1 | 91.3 | 92.0 | 75.8 | 71.1 | 65.7 | 70.0 |
| YOLOv9-c | - | - | 92.1 | 67.8 | 95.8 | 93.8 | 89.6 | 89.2 | 73.7 | 68.4 | 62.6 | 66.4 |
| YOLOv9-m | - | - | 89.7 | 64.1 | 94.3 | 92.0 | 86.5 | 85.8 | 70.9 | 64.8 | 58.3 | 62.3 |
| YOLOv9-s | - | - | 80.9 | 55.3 | 88.4 | 85.5 | 76.8 | 72.9 | 64.1 | 57.3 | 48.7 | 51.0 |
| YOLOv9-t | - | - | 72.2 | 47.3 | 82.7 | 78.5 | 66.6 | 61.0 | 57.7 | 50.0 | 40.1 | 41.4 |
| YOLOv8-x | 68.12M | 257.4G | 94.6 | 72.7 | 96.8 | 95.7 | 93.2 | 92.9 | 77.0 | 73.1 | 68.8 | 71.8 |
| YOLOv8-l | 43.60M | 164.8G | 93.6 | 70.6 | 96.2 | 95.0 | 91.8 | 91.5 | 75.4 | 71.1 | 66.3 | 69.6 |
| YOLOv8-m | 25.84M | 78.7G | 92.2 | 68.0 | 95.7 | 93.9 | 89.7 | 89.3 | 73.7 | 68.6 | 62.8 | 66.8 |
| YOLOv8-s | 11.12M | 28.4G | 86.2 | 59.7 | 92.2 | 89.4 | 82.1 | 81.1 | 67.3 | 60.8 | 53.3 | 57.3 |
| YOLOv8-n | 3.00M | 8.1G | 75.2 | 49.2 | 85.2 | 80.9 | 69.6 | 65.2 | 59.5 | 51.1 | 41.9 | 44.2 |
| YOLOv7 | - | - | 67.0 | 40.1 | 80.1 | 74.0 | 61.6 | 52.3 | 51.1 | 41.6 | 33.9 | 33.8 |
| YOLOv6-l | - | - | 87.1 | 60.1 | - | - | - | - | - | - | - | - |
| YOLOv6-m | - | - | 83.7 | 56.9 | - | - | - | - | - | - | - | - |
| YOLOv6-s | - | - | 87.8 | 59.6 | - | - | - | - | - | - | - | - |
| YOLOv6-n | - | - | 74.2 | 47.8 | - | - | - | - | - | - | - | - |
| YOLOv5-x | 86.19M | 203.8G | 94.5 | 70.8 | 95.9 | 95.8 | 94.3 | 91.9 | 74.6 | 71.2 | 68.1 | 69.5 |
| YOLOv5-l | 46.12M | 107.7G | 93.3 | 68.4 | 94.9 | 94.7 | 93.4 | 90.1 | 72.5 | 68.8 | 65.5 | 66.9 |
| YOLOv5-m | 20.86M | 47.9G | 90.9 | 64.7 | 93.1 | 92.8 | 90.9 | 86.6 | 69.6 | 65.2 | 61.2 | 62.8 |
| YOLOv5-s | 7.02M | 15.8G | 84.5 | 57.0 | 89.0 | 87.9 | 84.3 | 76.9 | 63.9 | 58.2 | 52.7 | 53.4 |
| YOLOv5-n | 1.76M | 4.1G | 72.0 | 45.1 | 80.5 | 78.1 | 68.9 | 60.4 | 54.5 | 47.2 | 39.1 | 39.6 |
| YOLOv4 | - | - | 57.3 | 31.3 | 74.0 | 54.7 | 49.8 | 40.6 | 44.2 | 32.7 | 23.7 | 24.6 |
| YOLOv3 | 61.51M | 154.6G | 94.7 | 71.6 | 96.4 | 96.0 | 94.6 | 92.7 | 75.3 | 71.9 | 68.6 | 70.7 |
| YOLOv3-SPP | 62.56M | 155.4G | 95.1 | 71.4 | 96.4 | 96.1 | 94.7 | 93.0 | 74.9 | 71.5 | 68.3 | 70.9 |
| YOLOv3-Tiny | 8.67M | 12.9G | 66.2 | 38.0 | 73.9 | 71.7 | 64.9 | 54.1 | 46.9 | 39.2 | 33.0 | 33.0 |
注：mAP50:95、mAP50、mAP(A1)、mAP(B1)、mAP(B2)、mAP(A2)指标的单位均为“%”。
| 算法 | 主干网络 | Epoch | Batch | AP（%） | AP50（%） | AP75（%） | AP-small（%） | AP-medium（%） | AP-large（%） | AR-small（%） | AR-medium（%） | AR-large（%） |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| YOLOX-s | CSPDarknet | 300 | 4 | 45.4 | 72.8 | 52.9 | 44.1 | 46.8 | 37.3 | 64.1 | 64.3 | 45.9 |
| YOLOX-l | CSPDarknet | 300 | 4 | 51.6 | 79.1 | 62.7 | 50.1 | 53.3 | 44.5 | 67.0 | 67.8 | 55.6 |
| YOLOX-x | CSPDarknet | 300 | 4 | 54.9 | 82.7 | 67.5 | 53.5 | 56.3 | 52.7 | 68.4 | 68.4 | 58.4 |
| DETR | ResNet50 | 150 | 8 | 14.1 | 34.7 | 8.0 | 10.3 | 18.6 | 32.4 | 24.5 | 39.6 | 46.7 |
| Deformable DETR | ResNet50 | 50 | 4 | 49.2 | 76.8 | 59.7 | 43.7 | 55.4 | 64.7 | 59.4 | 69.5 | 72.5 |
| DINO-4scale | ResNet50 | 12 | 4 | 50.3 | 77.0 | 61.7 | 47.5 | 53.5 | 56.9 | 68.1 | 72.9 | 72.8 |
| Conditional DETR | ResNet50 | 50 | 8 | 37.9 | 65.5 | 40.9 | 32.3 | 44.5 | 56.1 | 49.5 | 63.7 | 68.0 |
4.2 WalnutData在二阶段目标检测算法的实验结果
下表为一系列主流算法在WalnutData验证集上的评估。
| 算法 | 主干网络 | Epoch | Batch | AP（%） | AP50（%） | AP75（%） | AP-small（%） | AP-medium（%） | AP-large（%） |
|---|---|---|---|---|---|---|---|---|---|
| Fast R-CNN | ResNet50 | 24 | 8 | 22.9 | 35.9 | 26.7 | 15.7 | 31.4 | 54.5 |
| Faster R-CNN | ResNet50 | 24 | 8 | 51.5 | 79.7 | 62.2 | 45.6 | 58.2 | 69.7 |
| Cascade R-CNN | ResNet50 | 24 | 8 | 56.0 | 83.7 | 68.4 | 50.3 | 62.4 | 72.6 |
| Grid R-CNN | ResNet50 | 24 | 8 | 53.8 | 80.4 | 66.1 | 48.2 | 60.2 | 71.9 |
| TridentNet | ResNet50 | 24 | 4 | 53.4 | 80.8 | 64.2 | 48.9 | 58.6 | 69.9 |
| Double head R-CNN | ResNet50 | 24 | 8 | 55.2 | 84.5 | 67.2 | 50.1 | 61.1 | 69.6 |
| Sparse R-CNN | ResNet50 | 36 | 8 | 45.3 | 68.8 | 55.8 | 40.6 | 50.9 | 53.8 |
| Fast R-CNN | ResNet101 | 24 | 8 | 24.5 | 37.7 | 28.9 | 16.8 | 33.7 | 55.7 |
| Faster R-CNN | ResNet101 | 24 | 8 | 56.3 | 84.1 | 68.9 | 49.8 | 63.7 | 72.1 |
| Cascade R-CNN | ResNet101 | 24 | 8 | 58.9 | 85.9 | 72.5 | 52.7 | 65.7 | 74.5 |
| Grid R-CNN | ResNet101 | 24 | 8 | 57.5 | 83.1 | 70.9 | 51.2 | 64.9 | 75.3 |
| Sparse R-CNN | ResNet101 | 36 | 8 | 46.9 | 71.2 | 57.7 | 42.1 | 52.5 | 59.9 |
5.引用信息
@misc{wu2025walnutdatauavremotesensing,
title={WalnutData: A UAV Remote Sensing Dataset of Green Walnuts and Model Evaluation},
author={Mingjie Wu and Chenggui Yang and Huihua Wang and Chen Xue and Yibo Wang and Haoyu Wang and Yansong Wang and Can Peng and Yuqi Han and Ruoyu Li and Lijun Yun and Zaiqing Chen and Yuelong Xia},
year={2025},
eprint={2502.20092},
archivePrefix={arXiv},
primaryClass={cs.CV},
url={https://arxiv.org/abs/2502.20092},
}