智能航拍无人机UAV影像单株树木健康评估检测数据集无人机拍摄的高分辨率影像数据涵盖了不同季节和天气条件下的森林区域700余张高分辨率无人机图像1293*1293左右采用yolo格式标注2GB数据量具体类别划分为healthy 树木健康broken 树木折断dead 树木死亡recent_dead 树木近期死亡一、数据集信息表格1.1 基础信息汇总项目详情数据集名称无人机影像单株树木健康评估检测数据集图像总数700余张图像分辨率约 1293×1293标注格式YOLO数据大小2GB类别总数4类数据特点无人机航拍、高分辨率、覆盖多季节、不同天气场景1.2 类别明细序号英文标签中文标签0healthy树木健康1broken树木折断2dead树木死亡3recent_dead树木近期死亡1.3 YOLO类别列表names[healthy,broken,dead,recent_dead]二、应用场景森林资源巡检无人机航拍林地自动判别树木健康状态、倒伏与死亡植株替代人工巡林。林业灾害监测快速排查风折、枯萎树木预警病虫害、自然损毁情况。生态环境评估林地长势统计、植被健康分析支撑林业规划与生态调研。算法训练与科研航拍林业目标检测模型训练、学术研究、行业竞赛使用。智慧林业系统结合可视化界面落地用于林区日常监测、数据归档。三、YOLOv11 训练推理完整代码3.1 环境依赖安装pipinstallultralytics torch opencv-python numpy3.2 数据集配置文件tree_health.yamlpath:./tree_uav_datasettrain:images/trainval:images/valtest:images/testnc:4names:0:healthy1:broken2:dead3:recent_dead3.3 数据集目录结构tree_uav_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO txt标注文件 │ ├── train/ │ ├── val/ │ └── test/ └── tree_health.yaml3.4 训练代码train_tree.pyfromultralyticsimportYOLOdeftrain_tree_detect():# 加载轻量化模型modelYOLO(yolov11n.yaml)model.train(datatree_health.yaml,epochs60,imgsz1280,batch8,devicecpu,# 有GPU改为 0workers4,patience12,ampTrue,mosaic1.0,projectruns/train,nametree_health_det,exist_okTrue)print(训练完成权重已保存)if__name____main__:train_tree_detect()3.5 推理测试代码predict_tree.pyfromultralyticsimportYOLO# 加载训练好的最优权重modelYOLO(runs/train/tree_health_det/weights/best.pt)# 单图检测# res model(test.jpg, saveTrue, conf0.25)# 文件夹批量检测# res model(./test_imgs/, saveTrue, conf0.25)# 视频/摄像头检测# res model(0, saveTrue, conf0.25)print(推理完成结果已保存)