标记数据集用于蜜蜂检测和方向估计在进入蜂巢的入口
Tomyslav Sledevič1, Dalius Matuzevičius1
1Department of Electronic Systems, Faculty of Electronics, Vilnius Gediminas Technical University, Saulėtekio al. 11, LT-10223 Vilnius, Lithuania.
Data in brief
|February 2, 2024
概括
研究人员创建了蜜蜂检测,姿势估计和细分数据集. 这些数据集有7200个检测,400个姿势图像和2300个细分图像,使用YOLO格式标签进行自动分析.
科学领域:
- 计算机视觉 计算机视觉
- 昆虫学 昆虫学是一门学科.
- 机器学习 机器学习
背景情况:
- 准确的蜜蜂监测对于了解蜂群健康和授粉至关重要.
- 现有的数据集可能缺乏足够的细节来进行先进的蜜蜂行为分析.
- 需要自动化方法来高效处理大量蜜蜂图像.
研究的目的:
- 开发和策划用于蜜蜂检测,姿势估计和细分的全面数据集.
- 促进用于蜜蜂分析的机器学习模型的培训和验证.
- 为研究蜜蜂行为和生态学提供标准化数据.
主要方法:
- 在8个蜂巢中收集了7200个用于蜜蜂检测的.
- 附注 400 张图像与关键点 (头部,刺针) 用于姿势估计.
- 创建了2300张剪切的蜜蜂图像,带有方向向量标记来进行细分.
- 用于所有标签的YOLO格式,通过YOLOv8进行自动标签和手动校正.
- 使用固定摄像头在蜂巢着陆板30厘米以上捕获的数据.
主要成果:
- 建立了针对特定蜜蜂分析任务量身定制的三个不同的数据集.
- 所有数据集都有YOLO格式的标签,可以与流行的对象检测框架无集成.
- 通过手动检查提炼的自动标签过程确保了高质量的注释.
- 在2023年6月至7月期间在维尔纽斯地区收集的数据提供了特定的时间和地理背景.
结论:
- 这些精心策划的数据集为推进自动化蜜蜂监测和研究提供了宝贵的资源.
- 标准化的YOLO格式和强大的注释过程支持可重复和可扩展的分析.
- 这些数据集可以为开发人工智能驱动的蜜蜂养殖和生态研究工具做出重大贡献.
