深度学习目标检测UOLOV8模型训练 橘子成熟度目标检测数据集 柑橘成熟度检测数据集的训练及应用

以下文字及代码仅供参考学习使用

**橘子成熟度目标检测数据集 txt格式

项目	内容
数据集名称	橘子成熟度目标检测数据集
图像总数	7,200 余张（约 7,200+）
数据大小	约 3 GB
图像来源	- 果园实拍场景（自然光照、枝叶遮挡） - 单个果实拍摄图（背景干净，用于精细识别）
任务类型	多类别目标检测（成熟度分级）
标注格式	YOLO .txt 格式（每张图像对应一个标签文件） 格式：class_id center_x center_y w h（归一化坐标）
适用模型	YOLOv5、YOLOv8、YOLO-NAS 等主流目标检测模型
坐标归一化	是（0~1 范围）

—

类别信息（共3类）

类别编号	类别名称（英文）	中文含义	成熟阶段说明
0	green orange	绿色橘子	未成熟，果皮全绿，硬度高
1	half-green orange	半绿橘子	半成熟，果皮部分转黄/橙，处于过渡期
2	orange	橙色橘子	成熟，果皮完全变为橙色，适合采摘

---

在这里插入图片描述

数据集特点

特点	说明
✅ 多场景覆盖	包含复杂果园环境与干净背景果实图，提升模型泛化能力
✅ 成熟度三级分类	支持精细化农业管理，可用于采摘时机预测
✅ YOLO标准格式	可直接用于 YOLO 系列模型训练，无需格式转换
✅ 大规模数据	7200+ 图像，适合训练高精度检测模型
✅ 标注质量高	边界框准确标注果实位置，避免枝叶误检

---

建议数据划分比例（可选）

注：若未提供划分，建议按以下比例切分：

划分类型	图像数量（估算）	占比	用途
训练集 (train)	~5,760 张	80%	模型训练
验证集 (val)	~720 张	10%	超参调优、训练监控
测试集 (test)	~720 张	10%	最终性能评估

✅ 实际使用时，请确保每个类别的样本在三集中均衡分布（分层抽样）

---

YOLO data.yaml 配置文件模板

# data.yaml
train: ./images/train
val: ./images/val
test: ./images/test

# 类别数量
nc: 3

# 类别名称（按编号顺序）
names: ['green orange', 'half-green orange', 'orange']

✅ 将此文件保存在项目根目录，即可用于 YOLO 训练命令调用。

---

推荐训练命令（YOLOv8 示例）

yolo train \
    model=yolov8s.pt \
    data=data.yaml \
    epochs=100 \
    imgsz=640 \
    batch=32 \
    name=orange_ripeness_detection

---

以下是针对 橘子成熟度目标检测数据集 的完整训练方案，包含：

• ✅ 数据集说明
• ✅ YOLOv8 训练代码（使用官方 ultralytics 库）
• ✅ 验证与推理代码
• ✅ 推荐训练参数与技巧

---

🍊 一、数据集信息

类别	含义	数量
green orange	不成熟（青橘）
half-green orange	半成熟（黄绿相间）	共计 7200+ 张图像
orange	成熟（全黄/橙红）

• 格式：YOLO 格式 .txt 标注文件（每张图对应一个 .txt）
• 图像来源：果园实拍 + 单个果实拍摄
• 数据量：约 3GB
• 建议划分比例（如未划分）：
  • 训练集：6000 张
  • 验证集：720 张
  • 测试集：480 张

---

📁 二、目录结构建议

orange_maturity/
├── images/
│   ├── train/      # 6000 张
│   ├── val/        # 720 张
│   └── test/       # 480 张
├── labels/
│   ├── train/      # 对应 .txt
│   ├── val/
│   └── test/
├── data.yaml       # 数据配置文件
└── train.py        # 训练脚本

---

🛠️ 三、环境准备（YOLOv8）

# 创建虚拟环境（推荐使用 conda）
conda create -n orange_det python=3.9
conda activate orange_det

# 安装 PyTorch + GPU 支持（CUDA 11.8 示例）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装 Ultralytics YOLOv8
pip install ultralytics opencv-python numpy matplotlib pillow

# 验证安装
yolo version
yolo checks

---

🧩 四、创建 data.yaml 文件

在项目根目录创建 data.yaml：

# data.yaml
train: ./images/train
val: ./images/val
test: ./images/test

# 类别数量
nc: 3

# 类别名称（顺序必须与标签 ID 一致）
names:
  - green orange
  - half-green orange
  - orange

⚠️ 注意：

• 所有 .txt 标注中类别 ID 为 0, 1, 2
• 确保路径正确，可使用绝对路径或相对路径

---

🚀 五、训练代码（YOLOv8）

✅ train.py 完整代码

# train.py
from ultralytics import YOLO

# 加载预训练模型（推荐使用 yolov8s 或 yolov8m 提升多类识别精度）
model = YOLO('yolov8s.pt')  # 可替换为 yolov8m.pt / yolov8l.pt

# 开始训练
results = model.train(
    data='data.yaml',           # 数据配置文件
    epochs=200,                 # 成熟度差异小，建议训练更久
    imgsz=640,                  # 输入尺寸，可尝试 800 提升小目标检测
    batch=16,                   # 根据显存调整（24GB 显卡可用 16~32）
    name='orange_maturity_v8s', # 实验名称
    device=0,                   # 使用 GPU 0，多卡写 [0,1]
    workers=8,                  # 数据加载线程
    optimizer='AdamW',          # 更稳定，适合细粒度分类
    lr0=0.001,                  # 初始学习率
    patience=50,                # 早停：50轮无提升则停止
    project='runs/train',       # 结果保存路径
    cache=False,                # 可设 True 加快训练（内存足够）
    close_mosaic=15,            # 最后15轮关闭 Mosaic 增强
    augment=True,               # 启用数据增强
    hsv_h=0.015,
    hsv_s=0.7,
    hsv_v=0.4,
    degrees=20,
    translate=0.2,
    scale=0.5,
    flipud=0.0,
    fliplr=0.5
)

print("✅ 橘子成熟度检测模型训练完成！")

🔍 模型选择建议：

模型	显存需求	速度	精度	推荐场景
yolov8n.pt	~4GB	⚡⚡⚡	★★☆	快速原型
yolov8s.pt	~6GB	⚡⚡	★★★★	✅ 推荐（平衡）
yolov8m.pt	~8GB	⚡	★★★★★	高精度识别（推荐）

📌 因为三类颜色相近（绿→黄绿→橙），建议使用 yolov8m 以提升区分能力

---

🔍 六、推理代码（单张图像）

# predict.py
from ultralytics import YOLO

# 加载训练好的最佳模型
model = YOLO('runs/train/orange_maturity_v8s/weights/best.pt')

# 单张图像检测
results = model.predict(
    source='test_orange.jpg',   # 输入图片路径
    conf=0.25,                  # 置信度阈值
    iou=0.45,
    save=True,                  # 保存带框图像
    project='runs/predict',
    name='maturity_result',
    show=False
)

# 打印结果
for result in results:
    boxes = result.boxes
    for box in boxes:
        cls_id = int(box.cls)
        conf = float(box.conf)
        label = model.names[cls_id]
        print(f"🍊 检测到: {label}, 置信度: {conf:.3f}")

---

📊 七、评估代码（在测试集上评估）

# evaluate.py
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/train/orange_maturity_v8s/weights/best.pt')

# 在 test 集上评估
metrics = model.val(
    data='data.yaml',
    split='test',
    batch=16,
    imgsz=640,
    save_json=True,
    project='runs/val',
    name='maturity_metrics'
)

# 输出关键指标
print(f"📊 mAP@50: {metrics.box.map50:.4f}")
print(f"📊 mAP@50:95: {metrics.box.map:.4f}")
print(f"📊 Precision: {metrics.box.p:.4f}")
print(f"📊 Recall: {metrics.box.r:.4f}")
print(f"📊 F1-score: {metrics.box.f1.mean():.4f}")

---

🎯 八、训练技巧（提升成熟度识别精度）

1. 增强颜色感知能力

model.train(
    ...
    hsv_h=0.015,     # 色调扰动（对颜色敏感任务重要）
    hsv_s=0.7,       # 饱和度增强（突出绿色 vs 橙色）
    hsv_v=0.4,       # 明度变化
)

2. 使用更高分辨率

imgsz=800  # 更好区分果实颜色边界

3. 使用 yolov8m 或 yolov8l

model = YOLO('yolov8m.pt')

4. 添加“复制粘贴”增强（适合小目标）

copy_paste=0.3  # 随机复制果实到背景

---

📦 九、导出模型（用于部署）

# 导出为 ONNX（通用部署）
model.export(format='onnx', dynamic=True, simplify=True)

# 导出为 TensorRT（NVIDIA 加速）
model.export(format='engine', device=0)

# 导出为 CoreML（iOS）
model.export(format='coreml')

生成 best.onnx，可用于无人机、采摘机器人、手机App等。

---

✅ 十、预期性能（使用 yolov8m）

指标	预期值
mAP@50	0.88 ~ 0.94
mAP@50:95	0.55 ~ 0.65
成熟 vs 半成熟区分准确率	> 90%
推理速度（640×640）	~30 FPS（RTX 3060）