过度依赖除草剂控制杂草，加速了杂草的抗除草剂进化，引起了对环境、食品安全和人类健康的日益关注。自动化/机器人除草的机器视觉系统在实现综合的、可持续的除草管理方面得到了越来越多的关注。然而，在非结构化的田间环境和杂草生物多样性显著的情况下，开发可靠的杂草识别和检测系统仍然是一个严峻的挑战。解决这一挑战的一个很有前途的解决方案是，开发适合于种植系统的大规模、带有注释的杂草图像数据集，以及用于杂草检测的数据驱动AI(人工智能)模型。在各种深度学习架构中，各种各样的YOLO (You Only Look Once)检测器非常适合于实时应用，并且在通用目标检测方面非常流行。这项研究提供了一个新的数据集(CottoWeedDet12)，其中包括对美国南部棉花生产至关重要的杂草。它包括12个杂草类的5648幅图像，共9370个边界框注释，收集了自然光条件下和棉花田不同杂草生长阶段的图像。所有的YOLO模型，特别是YOLOv5n和YOLOv5s，在杂草实时检测方面显示了巨大的潜力，数据增强可以提高杂草检测的准确性。
影响杂草识别性能的主要因素有两个，即用于模型训练的图像数据的大小和质量，以及杂草