深度学习——苹果新鲜度识别

本项目使用yolov8模型作为目标检测的模型

目录

项目背景：

一、项目需求：

二、项目实现：

（一）流程介绍：

1、YOLOv8环境配置：

（二）、训练数据集的准备工作

1、准备好数据集：

2、划分数据集

3、训练模型

4、预测模型

三、检测结果与思考：

1、训练阶段：

2、训练结束：

训练过程视频：

四、知识体系：  

（一）、网络定义：

（二）、输出定义：

（三）、Loss函数定义：

五、模型结构设计

六、模型推理过程

七、小总结：

项目背景：

        近年来，随着全球经济的发展，水果消费市场规模不断扩大，水果种类也日益丰富。水果检测与识别技术在农业生产、仓储物流、超市零售等领域具有重要的应用价值。传统的水果检测与识别方法主要依赖于人工识别，这种方法在一定程度上受到人力成本、识别效率和准确性等方面的限制。因此，开发一种高效、准确的自动化水果检测与识别系统具有重要的研究意义和实际价值。

        在本博文中，我们提出了一种基于深度学习的苹果新鲜度检测与识别系统，该系统采用YOLOv8算法对苹果进行检测和识别，实现对图片中的苹果进行准确识别。

一、项目需求：

对苹果外形进行检测与识别，系统将识别出图片中苹果的新鲜程度并显示相应的类别。

二、项目实现：

通过调研，本项目最终使用yolov8模型作为目标检测的模型， YOLOv8 旨在快速、准确且易于使用，使其成为广泛的物体检测、图像分割和图像分类任务的极佳选择。

（一）流程介绍：

1、YOLOv8环境配置：

首先去自己的anaconda的安装的envs（虚拟环境），在导航栏输入cmd，进入命令窗口。

确保python>=3.7;CUDA>=10.1,PYtorch>=1.7

（1）、创建一个虚拟环境

conda create -n torch1.12.1 python=3.8.8

（2）、激活刚建的虚拟环境

activate torch1.12.1 

（3）、到官方网站下载yolo模型 ，下载好后解压，里面有个文件requirements.txt 

 https://github.com/ultralytics/ultralytics

安装一个整体包：

pip install -r .\requirements.txt 

直接按照路径会有问题，找到自己 requirements.txt 文件路径，我这里是pip install -r D:\ultralytics-main\ultralytics-main\requirements.txt

（4）、然后安装ultralytics ，这是必须的。可以用镜像地址。

pip install ultralytics -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

（5）、安装下载好包，接下来就是验证：

 yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' show=True save=True 

（二）、训练数据集的准备工作

1、准备好数据集：

我们选择的苹果数据集包含图片数量978张

2、划分数据集

我们导出的数据文件结构

标签类别包含两类：fresh_apple和rotten_apple；

├── yolov8_dataset
	└── train
		└── images (folder including all training images)
		└── labels (folder including all training labels)
	└── test
		└── images (folder including all testing images)
		└── labels (folder including all testing labels)
	└── val
		└── images (folder including all testing images)
		└── labels (folder includi