基于深度学习的水果新鲜程度检测系统：YOLOv5/v6/v7/v8/v10模型实现、UI界面集成、数据集

最新推荐文章于 2024-09-30 23:48:03 发布

深度学习实战项目

最新推荐文章于 2024-09-30 23:48:03 发布

阅读量583

点赞数 9

分类专栏： YOLOv10/v8/v7/v6/v5实战项目文章标签：深度学习 YOLO ui python 人工智能计算机视觉水果新鲜程度检测系统

本文链接：https://blog.csdn.net/m0_52343631/article/details/142665240

版权

YOLOv10/v8/v7/v6/v5实战项目专栏收录该内容

15 篇文章 0 订阅

订阅专栏

摘要

随着深度学习技术的发展，计算机视觉在农业领域的应用越来越广泛。本文将介绍如何构建一个基于YOLO（You Only Look Once）系列模型（包括YOLOv5、v6、v7、v8和v10）的水果新鲜程度检测系统。该系统通过用户界面（UI）实现图像上传和实时检测，并提供对应的YOLO训练数据集、配置文件（yaml文件）及完整代码。

项目

以下是一个完整的基于深度学习的水果新鲜程度检测系统的代码，包括YOLO模型训练、用户界面设计及必要的配置文件。整个项目分为几个部分：

数据集准备
模型训练
用户界面
实时检测

请根据下列步骤实现该项目。

1. 数据集准备

首先，您需要收集水果的新鲜程度数据集，并将其按照以下结构组织：

dataset/
├── images/
│   ├── train/
│   │   ├── fresh/
│   │   ├── slightly_fresh/
│   │   └── overripe/
│   └── val/
│       ├── fresh/
│       ├── slightly_fresh/
│       └── overripe/
└── labels/
    ├── train/
    └── val/

1.1 数据集标注

使用标注工具（如LabelImg）对图像进行标注，并生成YOLO格式的标签文件。标签文件的格式为：<class_id> <x_center> <y_center> <width> <height>，所有值均归一化到[0, 1]范围。

1.2 YAML配置文件

创建一个名为fruits_dataset.yaml的配置文件，内容如下：

# fruits_dataset.yaml
train: ./images/train
val: ./images/val

nc: 3
names: ['fresh', 'slightly_fresh', 'overripe']

2. 模型训练

2.1 环境准备

确保您已安装YOLOv5及其依赖项。克隆YOLOv5库并安装必要的库：

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

2.2 训练模型

在YOLOv5目录下，使用以下命令进行模型训练：

python train.py --img 640 --batch 16 --epochs 50 --data fruits_dataset.yaml --weights yolov5s.pt

--img：输入图像的大小。
--batch：每批处理的图像数量。
--epochs：训练的轮数。
--data：数据集的配置文件。
--weights：预训练权重。

训练完成后，模型权重将保存在runs/train/exp/weights/best.pt中。

3. 用户界面设计

使用Tkinter库设计一个简单的用户界面，允许用户上传图像并进行实时检测。以下是完整的用户界面代码：

# fruits_detection_ui.py
import tkinter as tk
from tkinter import filedialog
import torch
import cv2
import numpy as np
from PIL import Image, ImageTk

class FruitsDetectionApp:
    def __init__(self, root, model_path):
        self.root = root
        self.root.title("水果新鲜程度检测系统")
        self.model = torch.hub.load('ultralytics/yolov5', 'custom', path=model_path, force_reload=True)

        # 创建画布
        self.canvas = tk.Canvas(root, width=640, height=480)
        self.canvas.pack()

        # 创建按钮
        self.upload_button = tk.Button(root, text="上传图片", command=self.upload_image)
        self.upload_button.pack(side=tk.LEFT)

        self.camera_button = tk.Button(root, text="摄像头检测", command=self.detect_from_camera)
        self.camera_button.pack(side=tk.LEFT)

        # 创建结果标签
        self.result_label = tk.Label(root, text="检测结果:")
        self.result_label.pack()

    def upload_image(self):
        file_path = filedialog.askopenfilename()
        if file_path:
            img = Image.open(file_path)
            img = img.resize((640, 480))
            self.img_tk = ImageTk.PhotoImage(img)
            self.canvas.create_image(0, 0, anchor=tk.NW, image=self.img_tk)

            # YOLO模型检测
            self.perform_detection(img)

    def detect_from_camera(self):
        cap = cv2.VideoCapture(0)

        while True:
            ret, frame = cap.read()
            if not ret:
                break

            # YOLO模型检测
            results = self.model(frame)

            # 将检测结果绘制在帧上
            self.draw_boxes(frame, results)

            # 将BGR转为RGB以适应PIL图像
            frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            img_pil = Image.fromarray(frame)
            img_tk = ImageTk.PhotoImage(img_pil)
            self.canvas.create_image(0, 0, anchor=tk.NW, image=img_tk)

            # 更新界面
            self.root.update()

        cap.release()

    def perform_detection(self, img):
        results = self.model(np.array(img))
        detection_results = results.pandas().xyxy[0]
        self.result_label.config(text=f"检测结果:\n{detection_results}")

    def draw_boxes(self, frame, results):
        for i in range(len(results.xyxy[0])):
            x1, y1, x2, y2, conf, cls = results.xyxy[0][i]
            label = f"{self.model.names[int(cls)]} {conf:.2f}"
            cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
            cv2.putText(frame, label, (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 启动应用
if __name__ == "__main__":
    root = tk.Tk()
    app = FruitsDetectionApp(root, model_path='runs/train/exp/weights/best.pt')  # 请根据您的模型路径修改
    root.mainloop()

4. 实时检测

您可以在用户界面中选择上传图片进行检测，或使用摄像头实时检测水果的新鲜程度。YOLO模型会返回检测结果，并在界面上显示。

5. 项目结构

确保您的项目目录结构如下：

fruit_freshness_detection/
├── fruits_detection_ui.py
├── fruits_dataset.yaml
└── yolov5/             # YOLOv5文件夹
    ├── train.py
    ├── val.py
    ├── ...             # 其他YOLOv5文件

6. 运行项目

在命令行中，进入fruit_freshness_detection目录，然后运行用户界面代码：

python fruits_detection_ui.py

1. 引言

水果的新鲜程度直接影响到消费者的购买决策和食品安全。传统的检测方法往往依赖人工经验，效率低且易出错。基于深度学习的图像识别技术能够通过对水果图像的分析，准确判断其新鲜程度。本文将逐步介绍构建该检测系统的过程，包括数据准备、模型训练、用户界面设计等。

2. 系统架构

整个系统可以分为以下几个部分：

数据集准备：收集和标注水果图像数据集。
模型训练：使用YOLO模型对水果进行新鲜程度检测的训练。
用户界面设计：使用Tkinter设计简单的图形界面。
实时检测：实现实时检测功能，通过摄像头或上传图像进行检测。

3. 数据集准备

3.1 数据集收集

我们需要一个包含不同新鲜程度水果的图像数据集。您可以使用公开数据集，或自己拍摄水果图像。图像应包含以下几个类别：

新鲜水果
次新鲜水果
过期水果