WalnutData数据集
=======
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.
[中文](https://huggingface.co/datasets/nanmao/WalnutData/blob/main/README_zh.md) | [English](https://huggingface.co/datasets/nanmao/WalnutData/blob/main/README.md)
# 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
WalnutData数据集的引用方式（Bib TeX格式）：
@misc{wu2025walnutdatauavremotesensing,