基于YOLOv8的番茄成熟度检测

**番茄分割与YOLOv8 **
本仓库为我的毕业设计成果，主要内容是基于YOLOv8的番茄成熟度检测，并与Mask R-CNN模型进行对比。

Tomato-Segmentation-with-YOLOv8

---

数据集描述

Laboro番茄数据集 是一个专为目标检测与实例分割设计的综合数据集，包含温室中生长阶段的番茄图像，并按成熟度与番茄类型分类。

图1. 番茄数据集标注示例

关键特征

• 成熟阶段：番茄分为三类——成熟（ripe）、半熟（half-ripe）、未熟（green）。
• 番茄类型：包含樱桃番茄（cherry）和普通番茄（regular）两种。
• 标注信息：为支持分割任务，数据集提供边界框标注、番茄掩膜的顶点坐标及类别标签。

图像多样性

数据集中的图像由两种不同相机拍摄，因此存在画质与分辨率的差异。

分类标准

• 番茄类型：樱桃番茄的尺寸显著小于普通番茄。
• 成熟度判定：基于红色区域的百分比。
  • 成熟（≥90%红色）
  • 半熟（30%-89%红色）
  • 未熟（0%-30%红色）
• 专家验证：最终分类由专家结合其他标准综合判定。

应用场景

该数据集可用于以下场景：

• 基于成熟度的番茄收成预测
• 自动化采收成熟番茄系统
• 针对特定成熟阶段的定向农药喷洒

---

环境配置

为避免库冲突，建议为YOLOv8和Mask R-CNN分别配置独立环境。环境配置完成后，可运行Jupyter Notebook或Python代码（需注意代码中的路径需与本地匹配）。

YOLOv8虚拟环境

# 创建或激活YOLOv8虚拟环境
conda create -n yolov8_env python=3.8
conda activate yolov8_env

# 安装ultralytics
pip install ultralytics

# 安装Ray（超参数调优）
pip install ray[tune]

Mask R-CNN虚拟环境

# 创建或激活Mask R-CNN虚拟环境
conda create -n maskrcnn_env python=3.7
conda activate maskrcnn_env

# 安装jedi（如未安装）
pip install jedi>=0.10

# 安装openmim
pip install openmim

# 安装mmcv-full
mim install mmcv-full

# 安装light-the-torch
pip install light-the-torch
ltt install torch torchvision

# 克隆mmdetection库
git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection

```cpp
# 安装mmdetection
pip install -e .

代码运行

• Mask R-CNN与YOLOv8的Jupyter Notebook专为Google Colab设计，运行前需调整项目及数据集的路径。Notebook中包含无需超参数调优的基础训练代码。

• 

• 其他Python脚本：

  • 颜色算法：包含颜色分析与均方误差脚本，用于复现基准论文中的颜色分析技术。
  • 掩膜提取与图像：存放提取的掩膜及预测结果图像（需注意真实标注图像需为COCO格式）。

• YOLOv8代码文件夹：包含超参数调优脚本，可生成所有高效超参数组合及训练结果。本工作的最佳模型结果已附在YOLOv8_model_tuned_results中。

---