🍊作者：计算机编程-吉哥
🍊简介：专业从事JavaWeb程序开发，微信小程序开发，定制化项目、 源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事，生活就是快乐的。
🍊心愿：点赞 👍 收藏 ⭐评论 📝
🍅 文末获取源码联系
👇🏻 精彩专栏推荐订阅 👇🏻 不然下次找不到哟~
目录
[三、模型方案：三代 YOLO 同台对比](#三、模型方案：三代 YOLO 同台对比)
一、这个项目是做什么的？
咖啡果实成熟度直接影响采摘质量和杯测风味。传统方式靠人工肉眼判断，效率低、主观性强。我的毕设项目 coffee_fruit_seg 就是想让这件事自动化：
上传一张咖啡果实照片，系统自动分割出每一颗果实，识别它属于哪个成熟度等级，并给出采摘建议。
整个系统是一个完整的 Web 应用，包含：
-
用户端：登录注册、熟度检测、检测记录、数据看板、智能问答、个人中心
-
后端：Django REST API + 3 个 YOLO 实例分割模型在线推理
-
数据库：MySQL 8，存储用户、检测记录和咖啡知识语料
-
AI 辅助：对接 DeepSeek，根据检测结果生成农艺级解读
不是只跑通一个模型脚本，而是从前端到后端、从训练到部署的完整闭环。
二、技术栈一览
| 层级 | 技术选型 |
|---|---|
| 前端 | Vue 3 + Vite 6 + Element Plus（端口 8081） |
| 后端 | Django 4.2.16 + Ultralytics 8.4.150（端口 8000） |
| 模型 | YOLO26-L（主模型）+ YOLO11-L + YOLOv8-L（对比） |
| 数据库 | MySQL 8，库名 coffee_fruit_seg |
| 深度学习 | PyTorch 2.8.0 + CUDA 12.8，RTX 5060 |
| AI 问答 | DeepSeek Chat Completions + 知识库 RAG |
| 训练可视化 | TensorBoard 2.20.0 |
三、模型方案：三代 YOLO 同台对比
项目训练了三个实例分割模型，统一配置、公平对比：
| 角色 | 模型 | 参数量 | 任务 |
|---|---|---|---|
| 主模型 | YOLO26-L (Seg) | ~25M | 实例分割 |
| 对比 1 | YOLO11-L (Seg) | ~28M | 实例分割 |
| 对比 2 | YOLOv8-L (Seg) | ~47M | 实例分割 |
咖啡果实成熟度数据集，5 个类别：
-
dry/overripe/ripe/semi_ripe/unripe -
图像尺寸 640×640，YOLO polygon 多边形标注
-
目标总数 11043 个
四、六大核心功能
-
登录 / 注册 --- 用户名 + 密码 MD5 加密，默认管理员
admin/admin123 -
熟度检测 --- 4 种入口：单图 / 批量（≤20 张）/ 视频抽帧 / 摄像头实时
-
检测记录 --- 历史列表 + 详情查看 + 单条删除
-
数据看板 --- 5 张统计图：总览 / 模型分布 / 时间线 / 类别分布 / 采摘建议
-
智能问答 --- DeepSeek + 12 条咖啡知识语料 RAG
-
个人中心 --- 改邮箱/手机/密码/头像，查看累计检测次数
页面顶部还有模型选择下拉框，可以在三个模型之间实时切换，对比不同模型的检测效果。
五、项目亮点
1. 真·全栈闭环
不是只写一个推理脚本，而是前端、后端、数据库、模型训练全部打通。从 npm run dev 到 python manage.py runserver，一条链路跑通。
2. 三代 YOLO 同台竞技
YOLO26-L、YOLO11-L、YOLOv8-L 统一配置训练，前端可切换，有完整的对比实验和可视化曲线。
3. AI 辅助建议
把检测到的客观指标（各类别数量、总果实数、主导类别、采摘状态）喂给 DeepSeek，生成 200~400 字农艺解读。API 失败时自动降级为本地规则模板，保证可用性。
4. 完整的训练工程
三个训练脚本 + 评估脚本 + 推理脚本 + 可视化脚本，支持断点续训、TensorBoard 监控、测试集对比评估。
六、演示视频
