基于深度学习的水果品质检测系统：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689

点赞数 14

分类专栏： YOLOv10/v8/v7/v6/v5实战项目文章标签：深度学习 YOLO ui 人工智能 python 计算机视觉

本文链接：https://blog.csdn.net/m0_52343631/article/details/142665288

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

介绍

水果是我们日常饮食中不可或缺的一部分，其品质直接影响到消费者的购买决策和健康。因此，开发一个高效的水果品质检测系统至关重要。本文将介绍如何利用深度学习（特别是YOLO系列模型）构建一个水果品质检测系统。该系统将具有用户友好的图形界面，能够实时检测水果的品质，并且包含完整的代码、训练数据集和配置文件。

背景与意义

水果的品质检测一直是农业和食品科学中的一个重要问题。传统的检测方法通常依赖于人工判断，效率低下且容易受到主观因素影响。随着深度学习技术的快速发展，利用计算机视觉和深度学习模型进行自动检测已成为一种趋势。YOLO（You Only Look Once）作为一种高效的目标检测算法，在实时检测任务中表现优异。

本项目旨在利用YOLOv5（或YOLOv6/YOLOv7/YOLOv8/YOLOv10等新版本）模型，开发一个水果品质检测系统，能够识别不同水果的品质，提供更为客观、准确的检测结果。

项目概述

本项目主要分为以下几个部分：

环境搭建：安装必要的深度学习库和工具。
数据集准备：收集和标注水果品质数据集。
YOLO模型训练：使用YOLO模型进行训练，获得最佳检测权重。
用户界面设计：使用Tkinter库设计用户友好的图形界面。
实时检测与结果展示：实现摄像头实时检测或图片上传检测功能。

环境搭建

在开始项目之前，需要搭建开发环境。以下是项目所需的环境和依赖项：

1. Python环境

建议使用Python 3.8及以上版本。

2. 安装必要的库

在终端中运行以下命令安装所需库：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
pip install opencv-python matplotlib Pillow
pip install tkinter
pip install -U PyYAML

3. 克隆YOLOv5代码库

YOLOv5是一个非常流行的目标检测模型，您可以通过以下命令将其克隆到本地：

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

数据集准备

1. 数据集结构

我们需要一个包含不同水果品质（如新鲜、稍微新鲜和过熟）的图像数据集。数据集的结构如下：

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

2. 数据集标注

我们使用工具（如LabelImg）对图像进行标注，并生成YOLO格式的标签文件。YOLO标签文件的格式如下：

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

所有值均归一化到[0, 1]范围。

3. YAML配置文件

创建名为fruits_quality_dataset.yaml的配置文件，内容如下：

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

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

YOLO模型训练

1. 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_quality_dataset.yaml --weights yolov5s.pt

--img：输入图像的大小（640x640）。
--batch：每批处理的图像数量（建议为16）。
--epochs：训练的轮数（这里设置为50）。
--data：数据集的配置文件。
--weights：使用的预训练权重（可选择不同的YOLO版本）。

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

2. 验证模型

训练完成后，您可以使用以下命令验证模型性能：

python val.py --weights runs/train/exp/weights/best.pt --data fruits_quality_dataset.yaml --img 640

用户界面设计

1. 使用Tkinter创建用户界面

下面的代码展示了如何使用Tkinter设计一个简单的用户界面，使用户可以上传图像并进行检测：

# fruits_quality_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 FruitsQualityDetectionApp:
    def __init__(self, root, model_path):
        self.root = root
        self.root.title("水果品质检测系统")
        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 = FruitsQualityDetectionApp(root, model_path='runs/train/exp/weights/best.pt')  # 请根据您的模型路径修改
    root.mainloop()

实时检测与结果展示

1. 图片上传检测

用户可以通过上传水果图像，系统将对其进行检测，并在界面上显示检测结果。

2. 摄像头实时检测

用户还可以选择使用摄像头实时检测，系统会持续从摄像头捕获图像并进行实时检测，检测结果将绘制在视频流上。

完整代码与文件结构

1. 文件结构

项目的完整文件结构如下：

fruit_quality_detection/
├── dataset/
│   ├── images/
│   ├── labels/
│   └── fruits_quality_dataset.yaml
├── yolov5/
├── fruits_quality_detection_ui.py
└── requirements.txt

2. `requirements.txt`

确保将以下依赖项添加到requirements.txt文件中：

torch
torchvision
torchaudio
opencv-python
matplotlib
Pillow
tkinter
PyYAML

总结与展望

通过本项目，我们成功地构建了一个基于YOLO深度学习模型的水果品质检测系统。系统具有用户友好的图形界面，能够支持图片上传和摄像头实时检测功能。

未来的工作可以包括：

优化模型性能：通过数据增强和更复杂的模型架构提升检测精度。
扩展数据集：收集更多水果种类及其品质数据，提升系统的适用性。
移动端部署：将系统移植到移动设备上，以便于更广泛的应用场景。

深度学习实战项目

关注

14
点赞
踩
12

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录