红树林航拍目标检测数据集

1

先了解一下这个红树林航拍目标检测数据集的基础信息。下表汇总了数据集的关键参数，便于快速查看其规模、任务类型与标注情况。

数据集信息汇总表

适用应用场景

很多用户会关注这个红树林数据集适合哪些实际项目。整体来看，它在滨海生态监测、无人机遥感识别和目标检测模型训练等方向都有较强的应用价值：

1. 滨海湿地生态遥感监测与红树林资源普查
2. 无人机航拍植被识别、红树林分布范围自动统计
3. 海岸带生态保护、湿地植被变化监测项目
4. 遥感图像植被检测算法训练、科研课题与毕业设计

数据集特点

从实际使用角度来看，这套红树林航拍数据集具备以下几个明显优势：

• ✅ 采用俯视航拍视角，贴近无人机近海巡查与遥感识别的真实业务场景
• ✅ 可区分多类海岸植被和滩涂地物，适合精细化目标检测与生态识别任务
• ✅ 图像覆盖水体、滩涂、成片红树林等混合复杂环境，场景更具代表性
• ✅ 标注规范清晰，导出YOLO格式后可直接用于目标检测模型训练

YOLO数据集配置文件 mangrove.yaml

下面给出YOLO训练所需的数据集配置文件，适用于红树林目标检测任务，复制后即可直接使用：

path: ./mangrove_dataset
train: images/train
val: images/val
test: images/test
nc: 9
names:
0: class_0
1: class_1
2: class_2
3: class_3
4: class_4
5: class_5
6: class_6
7: class_7
8: class_8

YOLOv11训练代码

如果你准备基于该航拍数据集训练模型，下面这段代码可作为参考。这里以YOLOv11为例，直接调用Ultralytics库完成红树林目标检测训练：

from ultralytics import YOLO

def main():
    model = YOLO("yolo11s.pt")
    model.train(
        data="./mangrove_dataset/mangrove.yaml",
        epochs=90,
        imgsz=640,
        batch=12,
        device=0,
        augment=True,
        project="runs/train",
        name="mangrove_detect",
        exist_ok=True
    )
    metrics = model.val()
    print(f"mAP@0.5 = {metrics.box.map50:.4f}")

if __name__ == "__main__":
    main()

说明：9个类别的具体名称需要查看数据集文件夹中的标签说明文件，主要涵盖不同类型的红树林、滩涂植被以及海岸地物目标。