【多用途】Fruits-360:包含水果和蔬菜的图像数据集

一、介绍

该数据集包含水果和蔬菜的高质量图像数据集。

包括以下水果和蔬菜:

Apples (different varieties: Crimson Snow, Golden, Golden-Red, Granny Smith, Pink Lady, Red, Red Delicious), Apricot, Avocado, Avocado ripe, Banana (Yellow, Red, Lady Finger), Beetroot Red, Blueberry, Cactus fruit, Cantaloupe (2 varieties), Carambula, Cauliflower, Cherry (different varieties, Rainier), Cherry Wax (Yellow, Red, Black), Chestnut, Clementine, Cocos, Corn (with husk), Cucumber (ripened), Dates, Eggplant, Fig, Ginger Root, Granadilla, Grape (Blue, Pink, White (different varieties)), Grapefruit (Pink, White), Guava, Hazelnut, Huckleberry, Kiwi, Kaki, Kohlrabi, Kumsquats, Lemon (normal, Meyer), Lime, Lychee, Mandarine, Mango (Green, Red), Mangostan, Maracuja, Melon Piel de Sapo, Mulberry, Nectarine (Regular, Flat), Nut (Forest, Pecan), Onion (Red, White), Orange, Papaya, Passion fruit, Peach (different varieties), Pepino, Pear (different varieties, Abate, Forelle, Kaiser, Monster, Red, Stone, Williams), Pepper (Red, Green, Orange, Yellow), Physalis (normal, with Husk), Pineapple (normal, Mini), Pitahaya Red, Plum (different varieties), Pomegranate, Pomelo Sweetie, Potato (Red, Sweet, White), Quince, Rambutan, Raspberry, Redcurrant, Salak, Strawberry (normal, Wedge), Tamarillo, Tangelo, Tomato (different varieties, Maroon, Cherry Red, Yellow, not ripened, Heart), Walnut, Watermelon.

苹果(不同品种:深红雪,金色,金红色,史密斯奶奶,粉红女士,红色,红色美味),杏子,鳄梨,鳄梨成熟,香蕉(黄色,红色,女士手指),甜菜根红,蓝莓,仙人掌果,哈密瓜(2个品种),香兰布拉,花椰菜,樱桃(不同品种,雷尼尔),樱桃蜡(黄色,红,黑色),栗子,克莱门汀,椰子,玉米(带壳),黄瓜(成熟)、大枣、茄子、无花果、姜根、Granadilla、葡萄(蓝色、粉红色、白色(不同品种))、葡萄柚(粉红色、白色)、番石榴、榛子、哈克贝利、奇异果、卡基、科利拉比、熊掌、柠檬(正常、迈耶)、酸橙、荔枝、Mandarine、芒果(绿色、红色),木瓜,百香果,桃(不同品种),Pepino,梨(不同品种,Abate,Forelle,Kaiser,Monster,Red,Stone,Williams,草莓(普通,楔形),Tamarillo,Tangelo,番茄(不同品种,栗色,樱桃红,黄色,未成熟,心形),胡桃,西瓜。

二、数据集属性

图像总数:90483;
训练集大小:67692张图片(每张图片一个水果或蔬菜)
测试集大小:22688张图片(每张图片一个水果或蔬菜)
多水果套装尺寸:103张图片(每张图片超过一种水果(或水果类别))
类别数量:131(水果和蔬菜)
图像大小:100x100像素
文件名格式: image_index_100.jpg (如 32_100.jpg) 或 r_image_index_100.jpg(如 r_32_100.jpg) 或 r2_image_index_100.jpg or r3_image_index_100.jpg。‘r’表示选择的水果,“r2”表示水果围绕第三轴旋转。“100”表示图像大小(100x100像素)。

注意:同一种水果(例如苹果)的不同品种属于不同的类别。

三、文件结构

文件夹 [Training](Training)和 [Test](Test)包含用于训练和测试目的的图像。
文件夹 [test-multiple_filters](test-multipple_filters)包含具有多个水果的图像。其中一些部分被其他水果覆盖。这是对现实世界检测的一个极好的测试。
文件夹 [papers](论文)包含与此数据集相关的研究论文。

四、相关图片

五:用途

用途一:用于图像分类

用途二:用于细粒度检测

六、数据下载

【多用途多任务】Fruits-360:包含水果和蔬菜的图像数据集

硬性的标准其实限制不了无限可能的我们,所以啊!少年们加油吧!

  • 21
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1. 数据集介绍 fruits 360是一个开源的水果图像数据集包含了75种不同的水果,共约8万张图片。每种水果的图片数量不同,最多的是苹果(约7,000张),最少的是柠檬(约200张)。数据集中的图片都是经过调整大小和中心裁剪的,大小为100x100像素。数据集中的每种水果都有多个变体,例如不同成熟度的香蕉、不同颜色的苹果等等。 2. 算法设计 本算法采用卷积神经网络(CNN)进行图像分类。CNN是一种特殊的神经网络,可以自动提取图像中的特征,并将其用于分类。CNN的核心是卷积层和池化层,可以有效地减少参数数量,从而避免过拟合现象。此外,本算法还采用了数据增强技术,对训练集进行随机旋转、翻转、缩放等操作,以增加模型的鲁棒性。 3. 算法实现 本算法使用PyTorch框架进行实现。具体实现过程如下: 3.1 数据预处理 将fruits 360数据集下载到本地,并将其分为训练集和测试集。使用PyTorch提供的transforms模块对数据进行预处理,包括调整大小、随机旋转、随机水平翻转、随机竖直翻转、随机裁剪等操作。为了防止过拟合,训练集还进行了随机缩放操作。最终得到了训练集和测试集的数据加载器。 3.2 网络设计 本算法采用了一个简单的卷积神经网络,包括3个卷积层、3个池化层和3个全连接层。卷积层的卷积核大小为3x3,步长为1,补零为1,激活函数为ReLU;池化层的池化核大小为2x2,步长为2;全连接层的输出大小为75,即水果的种类数。具体网络结构如下: Conv2d(3, 32, 3, padding=1) ReLU(inplace=True) MaxPool2d(2, 2) Conv2d(32, 64, 3, padding=1) ReLU(inplace=True) MaxPool2d(2, 2) Conv2d(64, 128, 3, padding=1) ReLU(inplace=True) MaxPool2d(2, 2) Flatten() Linear(128 * 12 * 12, 512) ReLU(inplace=True) Linear(512, 256) ReLU(inplace=True) Linear(256, 75) 3.3 模型训练 采用交叉熵损失函数和随机梯度下降(SGD)优化器进行模型训练。初始学习率为0.01,每20个epoch衰减一次为原来的0.1。训练过程中,每个epoch会计算训练集和测试集的损失和准确率,并将结果保存到日志文件中。 4. 实验结果 经过100个epoch的训练,本算法在测试集上的准确率达到了96.8%。部分预测结果如下图所示: ![image](https://github.com/ShiniuPython/fruit_classification/blob/master/result.png) 可以看到,本算法在大多数情况下都能正确识别水果的种类。但是有些水果的不同变体之间相似度较高,如橙子和柠檬,有时候难以区分。此外,本算法对于水果的形状、颜色等变化较大的情况下也有一定的识别误差。 5. 总结 本算法采用了卷积神经网络进行图像分类,通过数据增强技术提高了模型的鲁棒性。实验结果表明,本算法可以有效地识别大多数水果的种类。但是,对于一些相似度较高的水果和变化较大的水果,还需要进一步改进。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

牧锦程

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值