摘要：杂草是棉花生产面临的主要威胁之一。过度依赖除草剂进行杂草防治，加速了杂草对除草剂抗性的进化，并引发了人们对环境、食品安全及人类健康的日益担忧。为实现集成化、可持续的杂草管理，自动化/机器人除草的机器视觉系统正受到越来越多的关注。然而，在非结构化的田间环境及杂草显著的生物学多样性背景下，开发可靠的杂草识别与检测系统仍是一项严峻挑战。应对这一挑战的前景广阔之策，是构建针对特定种植系统的大规模、带标注的杂草图像数据集，并开发基于数据驱动的人工智能（AI）模型用于杂草检测。在各类深度学习架构中，YOLO（You Only Look Once）检测器因其适用于实时应用而备受青睐，已在通用目标检测领域广受欢迎。本研究提出了一个针对美国南部棉花生产关键杂草的新数据集（CottoWeedDet12），该数据集包含12类杂草的5648张图像，共9370个边界框标注，均采集自棉田自然光照条件下不同生长阶段的样本。本研究针对杂草检测数据集，建立了一个新颖且全面的基准测试框架，涵盖了YOLOv3、YOLOv4、Scaled-YOLOv4、 YOLOR 、YOLOv5、YOLOv6及YOLOv7等七个版本共25种最先进的YOLO目标检测器。通过5次重复的蒙特卡罗交叉验证评估显示：以mAP@0.5衡量的检测准确率从YOLOv3-tiny的88.14%到YOLOv4的95.22%不等；以mAP@[0.5:0.95]衡量的准确率则从YOLOv3-tiny的68.18%提升至Scaled-YOLOv4的89.72%。所有YOLO模型（尤其是YOLOv5n和YOLOv5s）均展现出强大的实时杂草检测潜力，而数据增强技术可进一步提升检测精度。本研究使用的杂草检测数据集2及模型基准测试软件代码均已公开发布，这些资源将为推动棉花及其他作物的大数据与人工智能驱动的杂草检测与控制研究提供重要支持。

结论 杂草检测对于机器视觉系统实现精准的杂草定位、从而实现针对特定植物的杂草防治至关重要。有效的杂草检测核心在于构建一个大规模、精确标注的杂草数据集，并据此开发监督学习模型。本文介绍了迄今为止与美国棉花生产系统相关的最大规模杂草检测数据集。该数据集包含12类杂草的5648张图像，共包含9370个边界框标注，这些图像采集自不同自然田间光照条件。通过迁移学习方法，我们为多类别杂草检测建立了包含25种精选YOLO目标检测器的全面基准测试集，并从检测精度、模型复杂度和推理时间三个维度进行了评估。YOLO检测模型的mAP@0.5分数范围从YOLOv3-tiny的88.14%到YOLOv4的95.22%。总体而言，基于YOLOv4的模型精度高于YOLOv3和YOLOv5，而YOLOv5n和YOLOv5s在保持相当检测精度的同时展现出更快的推理速度。数据增强技术对YOLO检测器性能（尤其是YOLOv3-tiny）具有积极提升作用。本性能基准测试可作为选择适用于杂草检测的YOLO目标检测器的参考依据，同时也对精准农业中的目标检测任务具有重要价值。该杂草检测数据集及模型开发与评估的源代码均已向科研社区公开提供。软件和数据集在https://doi.org/10.5281/zenodo.7535814 和 https://github.com/DongChen06/ DCW