admin管理员组文章数量:1516870
文章前瞻：优质数据集与检测系统精选
点击链接：
| 数据集与检测系统 | 数据集与检测系统 |
|---|---|
一、数据集介绍
【数据集】yolov8蓝莓成熟度检测数据集 3023 张 ，目标检测， 包含YOLO/VOC格式标注，训练、验证、测试集已划分 。
数据集中标签包含 3种分类 ： names: ['RipeBlueBerry', 'Semi-RipeBlueBerry', 'UnripeBlueBerry']，代表成熟蓝莓、半成熟蓝莓、未成熟蓝莓 。
检测场景为 果园、山庄、大棚、水果加工厂等场景 ，可用于 蓝莓精准采收指导、种植管理优化、病虫害间接预警、采后分拣辅助 等。
文章底部或主页私信获取数据集~
1、数据概述
蓝莓成熟度识别的重要性
蓝莓作为高价值经济作物，成熟度直接决定其口感、营养价值与市场售价 —— 未熟蓝莓酸涩、风味不足，过熟蓝莓易腐烂变质，仅成熟度适宜的果实能实现最佳经济效益。但传统蓝莓成熟度判断存在显著短板：依赖人工逐串观察，需种植者凭借果实颜色、大小等外观特征主观判断，不仅耗时耗力，还受经验差异影响大，新手易将半熟果误判为成熟果，或漏采已成熟果实；且人工检测难以覆盖大面积蓝莓园，尤其在采收旺季，常因检测不及时导致部分果实过熟损耗，或因采收顺序混乱影响整体品质。
YOLO 算法凭借 “实时目标检测 + 多成熟度分类” 的优势，有效破解上述难题：其一，可结合田间摄像头或手持检测设备，快速识别画面中蓝莓果实，无需人工逐串排查，能大幅提升检测效率；其二，对蓝莓不同成熟阶段（未熟青果、半熟粉果、成熟蓝果）的识别精度高，可精准区分细微颜色差异，避免主观误判；其三，检测过程可同步记录果实位置与成熟度分布，为后续采收、管理提供数据支撑，推动蓝莓产业从 “经验种植” 向 “精准管控” 转型，是保障蓝莓品质、提升产业效益的关键技术。
基于YOLO的蓝莓识别系统
精准采收指导：YOLO 可实时检测蓝莓园各区域果实成熟度，生成成熟度分布图谱，指导采收人员按 “先熟先采” 原则分区作业，避免漏采过熟果或错采未熟果。同时，能识别成熟果实集中的枝条，减少采收时对未熟果实的碰伤，保障采收后果实整体品质，降低损耗。
产量与采收规划：通过统计不同成熟度果实的数量与分布，YOLO 可辅助预估采收总量与批次，帮助种植者提前对接收购商、安排采收人力与仓储空间，避免采收旺季因规划不足导致的果实积压或人力短缺，提升供应链衔接效率。
种植管理优化：长期监测蓝莓成熟度数据，可分析不同地块、不同品种的成熟速度差异，进而判断水肥供应、光照条件是否适宜。例如，若某区域果实成熟普遍偏慢，可针对性调整施肥配比或改善光照，促进果实均匀成熟，提升全园果实品质一致性。
采后分拣辅助：采收后的蓝莓需按成熟度分级销售，YOLO 可结合分拣线摄像头，自动识别果实成熟度并分类，替代人工分拣。不仅能减少人工成本，还能避免人工分拣时的主观误差，确保分级标准统一，帮助种植者按不同成熟度制定差异化售价，提升经济收益。
病虫害间接预警：部分病虫害会导致蓝莓果实颜色异常（如病斑影响着色），YOLO 在检测成熟度时，可同步捕捉这类异常果实，辅助种植者发现潜在病虫害风险，及时介入防治，避免病害扩散影响果实成熟与品质。
该数据集含有 3023 张图片，包含 Pascal VOC XML 格式和 YOLO TXT 格式，用于训练和测试 果园、山庄、大棚、水果加工厂等场景进行蓝莓成熟度识别 。
图片格式为jpg格式，标注格式分别为：
YOLO：txt
VOC：xml
数据集均为手工标注，保证标注精确度。
2、数据集文件结构
Blueberry/
——test/
————Annotations/
————images/
————labels/
——train/
————Annotations/
————images/
————labels/
——valid/
————Annotations/
————images/
————labels/
——data.yaml
- 该数据集已划分训练集样本，分别是： test 目录（测试集）、 train 目录（训练集）、 valid 目录（验证集）；
- Annotations文件夹为Pascal 格式的 XML文件 ；
- images文件夹为 jpg格式 的数据样本；
- labels文件夹是 格式的 TXT文件；
- data.yaml是数据集配置文件，包含 蓝莓识别 的目标分类和加载路径。
Annotations目录下的
xml文件
内容如下
：
labels目录下的 txt文件 内容如下：
3、数据集适用范围
- 目标检测 场景， 无人机 检测， 监控 识别
- yolo训练模型或其他模型
- 果园、山庄、大棚、水果加工厂等场景
- 可用于 蓝莓精准采收指导、种植管理优化、病虫害间接预警、采后分拣辅助等。
4、数据集标注结果
4.1、数据集内容
- 多角度场景： 人员视角数据样本，监控视角数据样本 ；
- 标注内容： names: ['RipeBlueBerry', 'Semi-RipeBlueBerry', 'UnripeBlueBerry'] ，总计 3个 分类；
- 图片总量： 3023 张图片数据；
- 标注类型：含有 Pascal VOC XML 格式和 yol o TXT 格式；
5、训练过程
5.1、导入训练数据
下载 项目压缩包，解压在任意本地workspace文件夹中。
下载 ，导入到 ultralytics-main 项目根目录下。
在 ultralytics-main 项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹： Annotations、images、imageSets、labels， 其中，将 pascal VOC格式的XML文件 手动导入到Annotations文件夹中，将 JPG 格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。
data目录结构如下：
data/
——Annotations/ //存放xml文件
——images/ //存放jpg图像
——imageSets/
——labels/
整体项目结构如下所示：
5.2、数据分割
首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。
5.3、数据集格式化处理
在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。
convert_annotation 函数
这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。
它打开XML文件，解析树结构，提取图像的宽度和高度。
然后，它遍历每个目标对象（
object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用
convert函数将坐标转换为YOLO格式。最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。
5.4、修改数据集配置文件
在ultralytics-main目录下创建一个data.yaml文件
5.5、执行命令
执行train.py
也可以在终端执行下述命令：
5.6、模型预测
你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。
代码如下：
图片推理，代码如下：
也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：
6、获取数据集
文章底部或主页私信获取数据集~
二、YOLO蓝莓成熟度检测系统
1、功能介绍
1. 模型管理
支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。
2. 图片检测
- 支持上传本地图片文件，自动完成格式校验。
- 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。
- 检测结果可下载保存。
3. 视频检测与实时流
- 支持上传本地视频文件，自动完成格式校验。
- 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。
- 支持摄像头实时检测（如有接入摄像头）。
4. 置信度阈值调节
- 前端可实时调整检测置信度阈值，动态影响检测结果。
- 阈值调整后，后端推理自动应用新阈值，无需重启。
5. 日志与状态反馈
- 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。
- 检测异常、错误信息及时反馈，便于排查。
- 一键清空日志，笔面长期占用内存。
2、创建环境并安装依赖：
3、启动项目
打开浏览器访问：
4、效果展示
4.1、推理效果
以水稻病害检测为例，效果如下：
4.2、日志文本框
4.3、摄像头检测
以红绿灯检测为例：
5、前端核心页面代码
6、代码获取
文章底部名片或私信获取系统源码和数据集~
更多数据集请查看