无人机拍摄秸秆等农作物焚烧检测数据集4500张yolovoccoco三种标注方式图像尺寸:512*512类别数量:1类训练集图像数量:3150; 验证集图像数量:900 测试集图像数量:450类别名称: 每一类图像数 每一类标注数fire: 4500,13149image num: 4500无人机拍摄秸秆农作物焚烧检测数据集一、数据集参数表项目详情数据集名称无人机拍摄秸秆等农作物焚烧检测数据集图像总数4500张图像分辨率512×512标注格式YOLO、VOC、COCO 三种通用标注格式类别数量1类类别名称fire明火/焚烧火焰类别标注统计fire图像数4500张标注框13149个数据集划分训练集3150张验证集900张测试集450张数据特点无人机航拍视角聚焦农田秸秆、农作物焚烧场景训练模型YOLOv11n训练轮次80 epoch通用配置配套文件完整原图、三类格式标注文件、数据集配置文件、训练测试代码、训练权重运行环境Python、OpenCV、PyTorch适配系统Windows、Linux二、YOLOv11 训练推理代码1. 环境依赖安装pipinstallultralytics opencv-python torch2. 数据集配置文件crop_burn.yamlpath:./crop_burn_datasettrain:images/trainval:images/valtest:images/testnc:1names:[fire]3. 训练代码fromultralyticsimportYOLOif__name____main__:# 加载YOLOv11n预训练模型modelYOLO(yolov11n.pt)# 模型训练train_resultsmodel.train(datacrop_burn.yaml,epochs80,imgsz512,batch16,device0,workers4,projectcrop_burn_detect,nameyolov11n_fire,patience12,augmentTrue,hsv_h0.015,hsv_s0.7,hsv_v0.4,fliplr0.5,flipud0.3,mosaic1.0)# 模型精度验证metricsmodel.val()print(fmAP0.5:{metrics.box.map50:.3f})print(fmAP0.5-0.95:{metrics.box.map:.3f})# 单图推理测试model.predict(test_fire.jpg,saveTrue,conf0.25)4. 通用推理代码fromultralyticsimportYOLO# 加载训练完成的权重modelYOLO(best.pt)resultsmodel.predict(test.jpg,conf0.25,saveTrue)total0forresinresults:forboxinres.boxes:total1cls_idint(box.cls[0])conffloat(box.conf[0])x1,y1,x2,y2map(int,box.xyxy[0])print(f目标{model.names[cls_id]}| 置信度{conf:.2f}| 坐标{x1},{y1},{x2},{y2})print(f检测到焚烧火焰总数{total})三、应用场景农田秸秆焚烧监管无人机航拍巡检农田自动识别秸秆、农作物违规焚烧明火助力环保执法。乡村大气污染防控全天候巡查田间焚烧行为减少烟尘污染落实禁烧管控要求。农田防火预警及时发现田间意外火情避免火势蔓延引发大面积农田火灾。区域网格化巡查结合无人机集群实现乡镇、片区大范围农田智能化巡检降低人工巡查成本。农业安防监测田间作业区、种植基地火情监测保障农业生产安全。