使用YOLOv11实现水果类别检测:从数据到模型训练的全过程

项目背景

在日常生活中,水果的类别识别直接影响库存管理和质量控制。传统检测依赖人工,效率低下且主观。通过计算机视觉,我们可以自动化这个过程。YOLO系列模型以其速度和准确性闻名,这次我使用YOLOv11n进行训练,目标是检测31种水果类别,包括苹果、香蕉、橙子等。

数据集来源于公开来源,图像标注为YOLO格式,包含训练、验证和测试集。nc=31,names包括'fresh_apple'到'rotten_tomato'等。

方法步骤

  1. 数据准备:数据集已准备好,包含标注图像。
  1. 模型训练:使用训练脚本,配置YOLO数据。训练参数:epochs=50, batch=16, imgsz=640。

    以下是训练脚本的主要代码:

    python 复制代码
    from ultralytics import YOLO
    import os
    import glob
    import torch
    
    def main():
        model = YOLO('models/yolo11n.pt')
        yaml_path = 'data/data.yaml'
        results = model.train(data=yaml_path, epochs=50, batch=16, imgsz=640, name='yolo11n_fruit', project='fruit_results')
        print("Training completed. Results saved in:", results.save_dir)
    
    if __name__ == '__main__':
        main()

    训练命令:python train_fire_smoke_tassel.py

    结果保存在fruit_results/yolo11n_fruit_20250716_210401。

  1. 模型验证 :使用test_saved_model.py验证,加载best.pt模型。

    以下是验证脚本的主要代码:

    python 复制代码
    from ultralytics import YOLO
    import os
    import glob
    
    def main():
        yaml_path = 'data/data.yaml'
        results_dir = 'fruit_results'
        latest_run = max(glob.glob(os.path.join(results_dir, 'yolo11n_fruit_*')), key=os.path.getmtime)
        model_path = os.path.join(latest_run, 'weights', 'best.pt')
        model = YOLO(model_path)
        metrics = model.val(data=yaml_path)
        print(f"Validation metrics: {metrics}")
    
    if __name__ == '__main__':
        main()

    关键指标:

    • mAP50: 0.709
    • mAP50-95: 0.421
    • Precision: 0.675
    • Recall: 0.715






结果分析

模型在验证集上表现不错,mAP50达0.709,表示中等难度下的检测准确。Recall较高,意味着漏检少,适合实际应用。但mAP50-95较低,说明小目标或复杂背景需优化。

预测示例:

未来改进

  • 增加数据增强,提升鲁棒性。
  • 尝试更大模型如YOLOv11m。
  • 部署到移动端,实现实时检测。
相关推荐
jay神4 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计
jay神7 天前
基于 YOLOv8 的手势识别系统(Web 版)
前端·人工智能·python·深度学习·yolo·计算机视觉·计算机毕业设计
鱼听禅7 天前
Ubuntu安装YOLOv8进行菌落识别训练
linux·python·yolo·ubuntu
jay神9 天前
基于深度学习的交通流量预测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机毕业设计
带电的小王9 天前
YOLO27:官方预览页放出全部规格,60.5 mAP 破 YOLO 纪录,但权重还没发布
yolo
jay神10 天前
基于 YOLOv8 的轴承缺陷检测(Web 版)
前端·人工智能·yolo
jay神10 天前
基于 YOLOv8 的森林火灾检测系统(Web 版)
前端·yolo
微尘hjx10 天前
【Deep-OC-SORT 06】多轨迹算法Deep-OC-SORT-CMC相机运动补偿
yolo·目标检测·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计
LongRunning10 天前
【Linux】RK3568-OpenCV+YOLO(八)
linux·opencv·yolo
微尘hjx15 天前
【Deep-OC-SORT 01】多轨迹算法Deep-OC-SORT源码分析
深度学习·yolo·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计