在计算机视觉与智能农业快速发展的背景下，基于深度学习的花卉识别与检测技术正被广泛应用于植物分类、智能园艺、自动监测与生态研究等多个领域。为了推动花卉类目标检测任务的发展，本文介绍一个包含 12 种常见花卉类别的目标检测数据集，总计 10,490 张图像，每张图像均已进行精准的目标框标注。

一、数据集概览

本数据集旨在支持基于 YOLO、Faster R-CNN、SSD 等主流算法的目标检测训练，覆盖自然环境下的野外与花园拍摄场景，具有良好的多样性和泛化能力。

• 📊 图像总数：10,490 张

• 🏷 目标类别数：12 类

• 📁 标注格式：YOLO 格式、VOC 格式、Json格式

标注后的数据集如下所示：

二、数据标注说明

该数据集包含12种花卉类别，并提供了三种格式的标签，分别为json、xml和YOLO格式。在json和xml标签中，标签名称为英文。在yolo标签中，标签名字为从0开始的阿拉伯数字。其中类别编号与中英文名称的对应关系如下表所示：

三、数据集划分

        下面代码主要作用是将原始数据集按比例划分为训练集、验证集和测试集，并分别保存对应的图像和YOLO格式标签文件。具体过程如下：

1. 读取数据源路径：程序首先定义了包含所有图像和YOLO标签的原始路径。
2. 获取图像列表并打乱顺序：通过读取图像文件名列表并使用 random.shuffle() 随机打乱，实现数据的随机分布。
3. 按照7:2:1的比例划分数据集：分别确定训练集、验证集和测试集的数量，并获取对应文件名。（可自行地定义划分比例）
4. 创建目标文件夹并复制文件：程序依次为训练集、验证集和测试集创建对应的图像与标签保存路径，并将图像文件和标签文件分别复制过去。

import os
import random
import shutil
 
root_dir = r"./data_sum"
save_root_dir = r"./data_split"
 
image_sum_dir = os.path.join(root_dir, "images")
label_yolo_sum_dir = os.path.join(root_dir, "labels_yolo")
 
# 获取文件夹下所有图片名称
image_list = os.listdir(image_sum_dir)
image_list = [name for name in image_list if name.endswith(".jpg")]
 
# 随机打乱文件名列表
random.shuffle(image_list)
 
# 划分训练集和验证集
train_ratio = 0.7
val_ratio = 0.2
test_ratio = 0.1
 
num_images = len(image_list)
num_train = int(num_images * train_ratio)
num_val = int(num_images * val_ratio)
num_test = num_images - num_train - num_val
print("num_images:{}  num_train:{}  num_val:{}  num_test:{}".format(num_images, num_train, num_val, num_test))
 
# 获取训练集和验证集名字
train_names = image_list[:num_train]
val_names = image_list[num_train: num_train + num_val]
test_names = image_list[num_train + num_val: num_images]
 
 
 
# 训练集图片及标签保存路径
save_train_images_path = os.path.join(save_root_dir, "images", "train")
save_train_labels_path = os.path.join(save_root_dir, "labels", "train")
 
if not os.path.exists(save_train_images_path):
    os.makedirs(save_train_images_path)
 
if not os.path.exists(save_train_labels_path):
    os.makedirs(save_train_labels_path)
 
for name in train_names:
    # 图像
    image_path = os.path.join(image_sum_dir, name)
    label_path = os.path.join(label_yolo_sum_dir, name.split(".jpg")[0] + ".txt")
    assert os.path.exists(image_path), "file:{} not exist ...".format(image_path)
    assert os.path.exists(label_path), "file:{} not exist ...".format(label_path)
    shutil.copy(image_path, save_train_images_path)
    shutil.copy(label_path, save_train_labels_path)
 
 
# 验证集图片及标签保存路径
save_val_images_path = os.path.join(save_root_dir, "images", "val")
save_val_labels_path = os.path.join(save_root_dir, "labels", "val")
 
if not os.path.exists(save_val_images_path):
    os.makedirs(save_val_images_path)
 
if not os.path.exists(save_val_labels_path):
    os.makedirs(save_val_labels_path)
 
for name in val_names:
    # 图像
    image_path = os.path.join(image_sum_dir, name)
    label_path = os.path.join(label_yolo_sum_dir, name.split(".jpg")[0] + ".txt")
    assert os.path.exists(image_path), "file:{} not exist ...".format(image_path)
    assert os.path.exists(label_path), "file:{} not exist ...".format(label_path)
    shutil.copy(image_path, save_val_images_path)
    shutil.copy(label_path, save_val_labels_path)
 
 
# 测试图片及标签保存路径
save_test_images_path = os.path.join(save_root_dir, "images", "test")
save_test_labels_path = os.path.join(save_root_dir, "labels", "test")
 
if not os.path.exists(save_test_images_path):
    os.makedirs(save_test_images_path)
 
if not os.path.exists(save_test_labels_path):
    os.makedirs(save_test_labels_path)
 
for name in test_names:
    # 图像
    image_path = os.path.join(image_sum_dir, name)
    label_path = os.path.join(label_yolo_sum_dir, name.split(".jpg")[0] + ".txt")
    assert os.path.exists(image_path), "file:{} not exist ...".format(image_path)
    assert os.path.exists(label_path), "file:{} not exist ...".format(label_path)
    shutil.copy(image_path, save_test_images_path)
    shutil.copy(label_path, save_test_labels_path)

 本文数据集是在一些网站上搜集的，由于搜集的图片大多不带标注，自己进行了准确地标注，识别效果良好。如有需求，请支持。

(1 封私信 / 4 条消息) 花卉目标检测数据集介绍（共 12 类，10490 张图像） - 知乎