农业AI数据标注方案交付格式有哪些？JSON、CSV、COCO、YOLO与自定义格式

农业AI数据标注常用的交付格式主要包括 JSON、CSV、COCO、YOLO 规范以及针对 GIS 遥感的 GeoJSON/Shapefile 等自定义格式。针对病虫害识别、作物分割、遥感图像、地块边界矢量化、长势评估及跨季节变化监测等不同农业视觉与遥感任务，选择适配的标注数据格式能大幅降低算法团队的前处理成本，确保数据高效无缝加载至 PyTorch、TensorFlow 或 GIS 引擎中。

在智慧农业与遥感分析领域，农业数据的复杂性不仅在于图像本身的分辨率与光谱多变性，还在于其兼具地理空间属性、多时相序列与微观语义特征。因此，制定标准化的数据交付格式规范是保证项目顺利验收与模型快速训练的关键。

农业AI数据标注场景与交付格式适配

不同的农业 AI 视觉任务与数据源对标注数据结构提出了差异化需求，需要根据具体的算法架构与业务流程选择最匹配的交付格式。

• 病虫害目标检测：近景 RGB 图像中的病斑与害虫检测，常用 YOLO（TXT归一化坐标）或 Pascal VOC（XML格式），方便轻量化边缘端检测模型快速接入。

• 作物实例分割与表型分析：作物冠层、叶片分割及果实计数，普遍采用 COCO（JSON）或 Pascal VOC 格式，支持多边形（Polygon）与 RLE 掩码编码。

• 遥感图像与地块边界：卫星及无人机高分影像的地块划界与地理要素绘制，主导格式为 GeoJSON、Shapefile（SHP）或带有空间参考坐标信息的自定 JSON，便于集成至 GIS 系统。

• 长势评估与分类任务：基于多光谱 NDVI 或 RGB 图像的长势分级与作物类型识别，通常采用结构化的 CSV 或标准 JSON 树状结构交付。

• 季节变化与多时相时空分析：跨季节作物生长序列监控，需采用扩展的自定义 JSON 或 HDF5/NetCDF 结构，将时间戳（Timestamp）、地块 ID 与多期标注结果进行深度关联。

典型交付格式字段模板与代码样例

为帮助技术与采购团队清晰理解数据结构，以下展示三种农业场景中最核心的交付格式样例。

1. COCO 格式（作物分割与实例标注）

COCO 格式以 JSON 结构存储，适合记录复杂多边形轮廓与作物表型信息：

{  "images": [
    {      "id": 1001,      "file_name": "crop_field_001.jpg",      "width": 1920,      "height": 1080
    }
  ],  "annotations": [
    {      "id": 5001,      "image_id": 1001,      "category_id": 2,      "segmentation": [[320, 450, 340, 420, 380, 430, 390, 470, 350, 490]],      "area": 2450.5,      "bbox": [320, 420, 70, 70],      "iscrowd": 0,      "attributes": {        "crop_type": "maize",        "growth_stage": "jointing"
      }
    }
  ],  "categories": [
    {"id": 1, "name": "weed"},
    {"id": 2, "name": "crop_maize"}
  ]
}

2. GeoJSON 格式（遥感地块边界与空间矢量）

GeoJSON 格式能够完美保留地块的地理空间坐标信息（WGS84）：

{  "type": "FeatureCollection",  "name": "agricultural_plots_2026",  "crs": {    "type": "name",    "properties": { "name": "urn:ogc:def:crs:OGC:1.3:CRS84" }
  },  "features": [
    {      "type": "Feature",      "properties": {        "plot_id": "PLOT_GD_2026_08",        "crop_name": "paddy_rice",        "area_mu": 45.2,        "health_status": "good"
      },      "geometry": {        "type": "Polygon",        "coordinates": [
          [
            [113.264385, 23.129112],
            [113.265102, 23.129205],
            [113.264950, 23.128501],
            [113.264210, 23.128410],
            [113.264385, 23.129112]
          ]
        ]
      }
    }
  ]
}

3. 自定义多时相 JSON（季节变化与跨期监测）

针对长周期季节变化，扩展自定义树状结构记录动态属性：

{  "plot_id": "P_8802",  "spatial_ref": "EPSG:4326",  "time_series_data": [
    {      "timestamp": "2026-03-15",      "stage": "sowing",      "ndvi_val": 0.18,      "annotation_file": "P_8802_20260315.json"
    },
    {      "timestamp": "2026-06-20",      "stage": "heading",      "ndvi_val": 0.76,      "annotation_file": "P_8802_20260620.json"
    }
  ]
}

交付过程中的版本管理与格式转换标准

农业数据标注项目的顺利交付离不开严密的技术规范与版本控制机制。

• 格式转换校验流：在交付前使用自动化脚本进行格式清洗与坐标系校验（例如：将多边形标注转换为 YOLO 掩码时，必须检查边缘顶点是否越界或像素溢出）。

• 坐标系统一规范：遥感地理数据需明确标注 CRS（如 WGS84, CGCS2000 或 UTM 投影坐标），避免因坐标系错位导致地块叠加偏移。

• 数据版本命名约束：交付包必须包含明确的版本标识、标签字典（Taxonomy Schema）和映射关系文件。

[原始图像/遥感切片] ➔ [标注工具生产] ➔ [格式规范校验/坐标对齐] ➔ [自动生成 Schema] ➔ [版本打包 (v1.0/v2.0)]

农业AI数据标注交付验收检查清单

在项目数据交付环节，采购与技术团队可以对照以下检查清单完成技术验收：

• 标签字典一致性：交付文件中的分类 ID 与类别名称 100% 匹配标签定义手册，无未定义分类（Unknown Class）。

• 坐标归一化正确：YOLO/TXT 格式的坐标数值均严格限制在 [0, 1] 范围之内，无超出图像边界的非法数值。

• 多边形闭合与拓扑完整：COCO/GeoJSON 中的 Polygon 坐标序列首尾接合，且没有自相交（Self-intersection）节点。

• 空间坐标系标注清晰：所有遥感矢量数据明确包含 .prj 映射文件或 GeoJSON 内部 crs 描述。

• 文件索引路径无误：JSON 或 CSV 校验脚本能顺畅找到对应的本地相对图像路径，无死链或遗漏。

• 版本管理文件健全：随交付包附带说明文档（Readme.md），列明数据版本号、样本数量、分辨率及扩展属性字段定义。

常见问题

农业AI病虫害检测项目，选择 YOLO 还是 COCO 格式更合适？

如果使用的算法模型是 YOLOv5/v8/v10 等单阶段目标检测网络，直接选择 YOLO（TXT格式）最为高效，无需二次转换；如果需要进行像素级的病斑分割、果实轮廓测量或表型分析，则必须选择 COCO（JSON格式）以保存多边形或掩码信息。

遥感地块边界标注交付，GeoJSON 和 Shapefile 有什么区别？

GeoJSON 是基于 JSON 的文本格式，轻量易读，非常适合网页端 GIS 展示、Python 数据分析及 API 接口传输；Shapefile（SHP）是二进制空间数据格式，由多个文件（.shp, .shx, .dbf 等）组成，在传统桌面级 GIS 软件（如 ArcGIS、QGIS）及大型地理信息系统中应用更为普遍。

自定义格式交付是否需要额外的适配费用？

通常情况下，标注服务商会提供标准格式（如 COCO、YOLO、CSV、GeoJSON）的免费交付。如果客户团队需要将标签整合进自研的专属数据库或复杂的农业大数据平台，只需提供具体的 JSON Schema 或字段定义说明，服务商即可编写自动化脚本进行定制化格式输出。

多光谱和高光谱遥感数据在标注交付时如何与图像波段匹配？

多光谱数据通常以多通道 GeoTIFF 存储。交付时，标注坐标基于图像的像素矩阵或地理参考坐标，标注文件（如 GeoJSON）会附带波段映射元数据（如 Band1: Red, Band2: Green, Band3: NIR），确保算法训练时标注框与指定光谱通道完美重合。

交付数据如果发现格式转换导致精度丢失（如多边形顶点被简化），该如何处理？

这种现象通常发生在将高精度 GeoJSON/COCO 强行简化为低精度格式时。必须在标注 SOP 中设定多边形顶点的最大缩减容忍度，或采用高浮点密度的 JSON 格式交付，严禁在预处理脚本中使用过度平滑算法。

跨季节长势评估的时序标注数据如何进行版本管理？

建议采用“地块 ID + 绝对时间戳”的双重索引模式进行归档。交付包中附带主索引 CSV 或 JSON 文件，记录每个地块在不同时间节点（如 T1 播种期、T2 拔节期、T3 抽穗期）的标注文件路径与 NDVI 统计指标，便于模型进行时序加载。

提交农业图像样本与提交格式适配需求

针对农业科技公司、遥感分析团队及智慧农业数字化平台，我们提供全场景、高精度且支持多格式灵活交付的农业AI数据标注服务。

• 免费样本格式转换与评估：您可以提交少量农业图像或遥感数据样本，我们将为您提供免费试标，并输出您指定的 COCO、YOLO、GeoJSON 或自定义格式文件。

• 提交格式适配与技术对接需求：我们的数据工程师团队可根据您的算法框架与系统接入要求，定制专属的数据 Schema 与接口适配方案。

欢迎联系我们的数据技术团队，获取农业AI数据标注交付方案与格式适配支持。