草莓成熟度检测数据集，共800余张大棚内实景拍摄，区分为成熟，未成熟，草莓花梗三类，提供yolo标注 草莓数据集

草莓成熟度检测数据集，共800余张大棚内实景拍摄，区分为成熟，未成熟，草莓花梗三类，提供yolo标注

 

草莓成熟度检测数据集，共800余张大棚内实景拍摄，区分为成熟，未成熟，草莓花梗三类，提供yolo标注

草莓成熟度检测数据集介绍

数据集概览

• 总图像数量: 800余张
• 类别数量:
  • 成熟 (Ripe)
  • 未成熟 (Unripe)
  • 草莓花梗 (Strawberry Peduncle)
• 任务类型: 目标检测
• 标注格式: YOLO格式
• 拍摄环境: 大棚内实景拍摄
• 数据集大小: 根据图像分辨率和数量，估计在几百MB到几GB之间

类别划分

• 成熟 (Ripe): 完全成熟的草莓。
• 未成熟 (Unripe): 未完全成熟的草莓。
• 草莓花梗 (Strawberry Peduncle): 连接草莓果实和植株的花梗。

数据集结构

假设数据集文件夹结构如下：

strawberry_ripeness_dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/  # YOLO格式
│   ├── val/
│   └── test/
└── README.md

• images/ 目录下存放图像文件。
• labels/ 目录下存放YOLO格式的标注文件。
• README.md 文件包含数据集的使用说明和字段解释。

YOLO标注文件示例

YOLO格式的标注文件是与图像文件同名的.txt文件，每行表示一个目标对象，格式为：

<class_id> <x_center> <y_center> <width> <height>

其中：

• <class_id> 是类别的索引（从0开始）。
• <x_center> 和 <y_center> 是边界框中心点相对于图像宽度和高度的比例坐标。
• <width> 和 <height> 是边界框的宽度和高度相对于图像宽度和高度的比例。

示例：

# 示例：labels/train/00001.txt
0 0.456 0.321 0.123 0.089  # Ripe
1 0.678 0.456 0.154 0.123  # Unripe
2 0.789 0.567 0.189 0.156  # Strawberry Peduncle

使用场景

• 成熟度检测: 用于自动识别和分类草莓的成熟程度。
• 智能农业: 结合其他技术如机器人采摘，实现自动化收割和分拣。
• 质量控制: 帮助农民和食品加工厂快速筛选出不同成熟度的草莓。

Keras 训练代码示例

为了训练一个目标检测模型，我们可以使用预训练的YOLOv5模型。这里我们使用PyTorch和YOLOv5来进行训练。如果你更喜欢使用Keras，可以考虑使用YOLOv3或YOLOv4的Keras实现，但YOLOv5目前主要支持PyTorch。

以下是一个使用YOLOv5进行训练的代码示例。

YOLOv5 训练代码示例

首先，确保你已经安装了YOLOv5所需的依赖项。你可以通过以下命令克隆YOLOv5仓库并安装依赖项：

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

然后，创建一个配置文件 data/strawberry_ripeness.yaml 来指定数据集路径和类别信息：

train: /path/to/strawberry_ripeness_dataset/images/train
val: /path/to/strawberry_ripeness_dataset/images/val
test: /path/to/strawberry_ripeness_dataset/images/test

nc: 3  # 类别数量
names: ['Ripe', 'Unripe', 'Strawberry_Peduncle']

接下来，使用以下脚本进行训练：

import torch
from pathlib import Path
from models.experimental import attempt_load
from utils.datasets import create_dataloader
from utils.general import check_img_size, non_max_suppression, scale_coords, set_logging
from utils.torch_utils import select_device, time_synchronized

# 设置日志
set_logging()

# 模型配置
weights = 'yolov5s.pt'  # 预训练权重
data = 'data/strawberry_ripeness.yaml'  # 数据集配置文件
imgsz = 640  # 输入图像尺寸
batch_size = 16  # 批处理大小
epochs = 100  # 训练轮数
device = ''  # 设备选择（默认为GPU，如果可用）

# 加载模型
model = attempt_load(weights, map_location=device)  # 加载预训练模型
device = select_device(device, batch_size=batch_size)

# 数据加载器
train_path = data['train']
val_path = data['val']

train_loader = create_dataloader(train_path, imgsz, batch_size, augment=True, cache=False, rect=False, workers=8)[0]
val_loader = create_dataloader(val_path, imgsz, batch_size, augment=False, cache=False, rect=True, workers=8)[0]

# 优化器
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练循环
for epoch in range(epochs):
    model.train()
    for i, (imgs, targets, paths, _) in enumerate(train_loader):
        imgs = imgs.to(device).float() / 255.0  # 归一化
        targets = targets.to(device)
        
        # 前向传播
        pred = model(imgs)
        
        # 计算损失
        loss, _ = compute_loss(pred, targets, model)
        
        # 反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
    # 验证
    with torch.no_grad():
        model.eval()
        for i, (imgs, targets, paths, _) in enumerate(val_loader):
            imgs = imgs.to(device).float() / 255.0  # 归一化
            targets = targets.to(device)
            
            # 前向传播
            pred = model(imgs)
            
            # 计算损失
            loss, _ = compute_loss(pred, targets, model)
            
            # 打印验证损失
            print(f'Epoch {epoch + 1}/{epochs}, Val Loss: {loss.item()}')
    
    # 保存模型
    torch.save(model.state_dict(), f'runs/train/exp{epoch}.pt')

print('Training complete.')

代码说明

1. 数据加载器:

   • 使用create_dataloader函数加载训练集和验证集的数据。
   • 图像会被归一化，并且标签会被转换为适合YOLOv5的格式。

2. 模型加载:

   • 使用attempt_load函数加载预训练的YOLOv5模型。
   • 选择设备（CPU或GPU）。

3. 优化器:

   • 使用Adam优化器进行参数更新。

4. 训练循环:

   • 对每个批次的数据进行前向传播、计算损失、反向传播和参数更新。
   • 在每个epoch结束时，对验证集进行评估，并打印验证损失。
   • 保存每个epoch的模型权重。