)
视频演示
基于深度学习的水果检测系统
1. 前言
随着计算机视觉技术的快速发展，基于深度学习的目标检测方法在农业、食品工业及日常生活中的应用不断拓展。水果检测作为其中的重要场景，不仅能为采摘、分拣、销售等环节提供自动化支持，也在智能零售、营养分析与教育教学等领域展现出广泛价值。然而，现有水果检测系统在应对多品类、多形态、复杂背景的实际环境时，仍面临识别精度、检测速度及交互便捷性等方面的挑战。
当前主流方案多采用 YOLO 系列等单阶段检测算法，凭借其在速度与精度间的良好平衡，成为实时检测的热门选择。不少系统已实现图片、视频及摄像头输入的检测功能，但在用户体验上，仍存在界面参数调节不够直观、结果展示与统计功能分散、多场景切换不便等问题。同时，模型的训练与使用往往依赖固定权重或单一版本，缺乏灵活的模型切换与再训练机制，限制了系统在不同水果种类或新场景下的适应能力。在功能完整性方面，一些系统缺少用户权限管理、脚本化批量检测及训练流程可视化，难以满足科研实验与实际部署的双重需求。
针对以上现状，本文所介绍的水果检测系统，尝试在检测性能、交互设计与功能扩展之间取得平衡：既保留 YOLO 算法的高效检测能力，又通过直观的参数调节、类别统计与过滤、登录管理等模块，提高可用性与灵活性；同时提供脚本化检测与模型训练工具，使系统不仅能直接应用，还可根据需求持续优化与定制。此现状分析旨在明确当前同类系统的优势与不足，并为后续功能阐述与技术实现提供背景和方向。
2. 项目演示
2.1用户登录界面
登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。
2.2新用户注册
注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。
2.3主界面布局
主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。
2.4个人信息管理
用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。
2.5多模态检测展示
系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。
2.6多模型切换
系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。
3.模型训练核心代码
本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。
# -*- coding: utf-8 -*- """ 该脚本用于执行YOLO模型的训练。 它会自动处理以下任务： 1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。 2. 从 'pretrained' 文件夹加载指定的预训练模型。 3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。 要开始训练，只需直接运行此脚本。 """ import os import yaml from pathlib import Path from ultralytics import YOLO def main(): """ 主训练函数。 该函数负责执行YOLO模型的训练流程，包括： 1. 配置预训练模型。 2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。 3. 加载预训练模型。 4. 使用指定参数开始训练。 """ # --- 1. 配置模型和路径 --- # 要训练的模型列表 models_to_train = [ {'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'}, {'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'}, {'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'}, {'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'} ] # 获取当前工作目录的绝对路径，以避免相对路径带来的问题 current_dir = os.path.abspath(os.getcwd()) # --- 2. 动态配置数据集YAML文件 --- # 构建数据集yaml文件的绝对路径 data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml') # 读取原始yaml文件内容 with open(data_yaml_path, 'r', encoding='utf-8') as f: data_config = yaml.safe_load(f) # 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径 # 这是为了确保ultralytics库能正确定位到训练、验证和测试集 data_config['path'] = os.path.join(current_dir, 'train_data') # 将修改后的配置写回yaml文件 with open(data_yaml_path, 'w', encoding='utf-8') as f: yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True) # --- 3. 循环训练每个模型 --- for model_info in models_to_train: model_name = model_info['name'] train_name = model_info['train_name'] print(f"\n{'='*60}") print(f"开始训练模型: {model_name}") print(f"训练名称: {train_name}") print(f"{'='*60}") # 构建预训练模型的完整路径 pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name) if not os.path.exists(pretrained_model_path): print(f"警告: 预训练模型文件不存在: {pretrained_model_path}") print(f"跳过模型 {model_name} 的训练") continue try: # 加载指定的预训练模型 model = YOLO(pretrained_model_path) # --- 4. 开始训练 --- print(f"开始训练 {model_name}...") # 调用train方法开始训练 model.train( data=data_yaml_path, # 数据集配置文件 epochs=100, # 训练轮次 imgsz=640, # 输入图像尺寸 batch=8, # 每批次的图像数量 name=train_name, # 模型名称 ) print(f"{model_name} 训练完成！") except Exception as e: print(f"训练 {model_name} 时出现错误: {str(e)}") print(f"跳过模型 {model_name}，继续训练下一个模型") continue print(f"\n{'='*60}") print("所有模型训练完成！") print(f"{'='*60}") if __name__ == "__main__": # 当该脚本被直接执行时，调用main函数 main()4. 技术栈
语言：Python 3.10
前端界面：PyQt5
数据库：SQLite（存储用户信息）
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
5. YOLO模型对比与识别效果解析
5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比
基于Ultralytics官方COCO数据集训练结果：
模型 | 尺寸(像素) | mAPval 50-95 | 速度(CPU ONNX/毫秒) | 参数(M) | FLOPs(B) |
|---|---|---|---|---|---|
YOLO12n | 640 | 40.6 | - | 2.6 | 6.5 |
YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 2.6 | 6.5 |
YOLOv8n | 640 | 37.3 | 80.4 | 3.2 | 8.7 |
YOLOv5nu | 640 | 34.3 | 73.6 | 2.6 | 7.7 |
关键结论：
精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
综合推荐：
追求高精度：优先选YOLO12n（精度与效率兼顾）；
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。
5.2 数据集分析
数据集中训练集和验证集一共7000张图片，数据集目标类别两种：正常肾脏，肾结石，数据集配置代码如下：
names: - Bitter melon - Brinjal - Cabbage - Calabash - Capsicum - Cauliflower - Garlic - Ginger - Green Chili - Lady finger - Onion - Potato - Sponge Gourd - Tomato - apple - apricots - banana - bell_pepper - bitter_gourd - carrot - coconut - cucumber - dragon fruit - grapes - guava - kiwi - lemon - orange - oren - peach - pear - pineapple - strawberry - sugar apple - zucchini nc: 35 path: D:\project\python\yolo_Fruit_Detection\train_data test: ../test/images train: ../train/images val: ../valid/images上面的图片就是部分样本集训练中经过数据增强后的效果标注。
5.3 训练结果
混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高。
F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。
当置信度为0.542时，所有类别的综合F1值达到了0.94（蓝色曲线）。
mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。
图中可以看到综合mAP@0.5达到了0.965（96.5%），准确率非常高。
6. 源码获取方式
源码获取方式：https://www.bilibili.com/video/BV1LxS7BAE2R
)
