智慧农林航拍油棕树健康检测数据集，智慧农林AI检测源码、种植园航拍巡检模型、农作物长势视觉识别数据集、油棕植株长势识别数据集、5类油棕病虫害检测数据、YOLOv11n航拍检测、油棕黄化枯萎杂草识别、3131张航拍农林数据集
3131张，yolo，voc，coco三种标注方式
图像尺寸:640*640
类别数量:5类
训练集图像数量:2192; 验证集图像数量:627； 测试集图像数量:312
类别名称: 每一类图像数 ，每一类标注数
Small-小型植株：2659,45224
Healthy-健康植株：3007,187061
Dead-枯萎植株：331,561
Yellow-黄化植株：1622,4889
Grass-杂草：303,845
image num: 3131

一、航拍油棕树健康检测数据集详情表

模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch
提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示

PyQt5 界面功能
界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）
支持图片检测、视频检测、摄像头实时检测
界面实时显示：目标位置、目标总数、置信度等信息
支持检测结果保存导出
操作简单直观，无需命令行

二、YOLOv11 训练代码

1. 数据集配置文件oil_palm.yaml

path:./datasets/oil_palmtrain:images/trainval:images/valtest:images/testnc:5names:0:Small1:Healthy2:Dead3:Yellow4:Grass

2. 训练、验证、推理主代码

fromultralyticsimportYOLOimportwarnings warnings.filterwarnings("ignore")deftrain_oil_palm():# 加载轻量化YOLOv11n模型model=YOLO("yolo11n.pt")model.train(data="oil_palm.yaml",epochs=80,imgsz=640,batch=12,device=0,workers=4,patience=15,project="runs/train",name="oil_palm_detect",save=True,val=True)print("油棕树健康检测模型训练完成")defmodel_evaluation():# 模型精度评估model=YOLO("runs/train/oil_palm_detect/weights/best.pt")metrics=model.val(data="oil_palm.yaml",imgsz=640)print(f"mAP@0.5:{metrics.box.map50:.4f}")defdetect_target(source):# 图片/视频/摄像头推理检测model=YOLO("runs/train/oil_palm_detect/weights/best.pt")results=model.predict(source=source,imgsz=640,conf=0.4,save=True,show_labels=True,show_conf=True)returnresultsif__name__=="__main__":train_oil_palm()model_evaluation()# detect_target("test.jpg")

三、PyQt5 界面说明

基于PyQt5开发，提供.ui、.qrc、.py及图标等全套源码。支持图片、视频、摄像头实时检测；界面实时展示目标位置、数量、置信度，可保存导出检测结果，纯图形化操作，无需使用命令行。

四、应用场景

1. 智慧农林：航拍巡检大面积油棕种植园，快速区分植株长势、病害、杂草，辅助田间管理
2. 农林植保：针对性处理枯萎、黄化植株，精准开展养护与除草作业
3. 农业统计：自动统计不同生长阶段油棕植株数量，助力产量预估
4. 项目实训：航拍目标检测、智慧农业方向课程设计、毕业设计、算法研究
5. 算法竞赛：农林遥感、航拍目标检测类赛事基线数据集与模型
6. 农林信息化：搭建种植园智能监测系统，实现无人化远程巡检