简介：本资源是一套基于YOLOv8深度学习框架的西红柿成熟度检测系统，面向计算机、人工智能、自动化等专业的在校学生、教师及企业开发者，也适合作为毕设、课程设计或实战演示项目。系统通过PyQt5构建图形化界面，可对西红柿进行成熟与未成熟两类识别，兼顾高准确率与易用性。压缩包共678个文件，约193.42MB，包含296张jpeg与14张jpg图像、290个txt标注文件、31张png图表、15个Python源码、4个pt权重文件及yaml配置、ui界面文件、csv评估指标、mp4与avi演示视频等，覆盖数据集、训练模型、评估曲线与演示素材。已有186人学习下载。资源提供训练好的模型与完整源码，并附安装使用教程，开箱即用；读者可据此掌握YOLOv8目标检测的训练、推理与界面集成流程，也可在此基础上修改类别或功能，迁移至其他农产品检测场景。
1. 西红柿成熟度检测系统：从一颗果子的颜色到 YOLOv8 的检测框
做过农业分拣的人都知道，西红柿成熟度判断是个典型的「人眼一看就懂、机器一上就翻车」的活。青果、半熟、全熟三个阶段，在自然光下颜色差异明显，但一旦遇到大棚反光、果实重叠、枝叶遮挡，传统 HSV 阈值法就开始玄学了——今天调好的阈值，明天换个棚就废。这套基于 YOLOv8 深度学习的西红柿成熟度检测系统，要解决的就是把「看颜色」变成「学特征」：用 288 张标注好的数据集训练一个能区分成熟度的检测模型，再套一层 PyQt5 界面，让不懂 Python 的人也能点按钮跑推理。它适合三类人：想拿深度学习做农业落地的新手、需要一套完整 GUI 检测系统做课程设计的学生、以及想验证 YOLOv8 在小样本数据集上表现的工程师。开箱即用的意思是，源码、界面、数据集、训练好的模型、评估曲线、演示素材都在，你不需要从零攒环境。
2. YOLOv8 做成熟度检测：为什么选它而不是分类网络
2.1 检测与分类的本质差别
很多人第一反应是「成熟度判断不就是个三分类问题吗，用 ResNet 不就行了」。这个思路在单果、居中、背景干净的场景下确实能跑，但实际分拣线上，一颗西红柿在画面里的位置、大小、遮挡关系都是随机的。分类网络要求你把果实先裁出来再送进去，而裁切这一步本身就需要检测。YOLOv8 把定位和分类合在一个头里输出，一次前向就给出「框在哪 + 属于哪个成熟度」，省掉了级联误差。更关键的是，YOLOv8 的 anchor-free 设计对小目标更友好，青果阶段果实偏小、颜色接近背景时，检测框的召回率比 YOLOv5 的 anchor-based 方案更稳。
从网络结构看，YOLOv8 的 backbone 用的是 C2f 模块，相比 YOLOv5 的 C3 增加了更多的跳层连接，梯度流动更充分。在 288 张这种小样本数据集上，这意味着模型不容易在早期就过拟合到某几个特定背景。neck 部分沿用 PAN-FPN 结构，但把上采样前的卷积换成了更轻量的设计，整体参数量比 YOLOv5s 还少一点，GTX 1660 Ti 这种级别的卡就能跑训练。
2.2 成熟度标签的定义方式
这套系统的数据集把西红柿分成三类：青果（未熟）、半熟（转色期）、全熟（可采摘）。标注时用的是矩形框，不是分割掩码。这里有个选型理由：成熟度判断依赖的是果实整体颜色分布，矩形框内的像素统计已经足够，分割标注成本高且对推理速度有影响。288 张的规模不算大，所以标注质量比数量更重要——每张图里被遮挡超过 50% 的果实建议直接跳过不标，否则模型会学到一半颜色一半背景的混乱特征。
标签文件用 YOLO 格式的 txt，每行是class_id x_center y_center width height，坐标归一化到 0-1。类别映射写在data.yaml里：
# data.yaml 数据集配置文件 path: ./dataset # 数据集根目录 train: images/train # 训练集图片路径 val: images/val # 验证集图片路径 nc: 3 # 类别数：青果、半熟、全熟 names: ['green', 'half', 'ripe'] # 类别名称，顺序必须和标注一致这里nc和names的顺序是血泪经验：如果你标注时先标了 ripe 再标 green，但 names 里 green 写在前面，训练出来的模型会把成熟度完全搞反。验证方法很简单，训练前用脚本随机抽几张图把标注框画出来看一眼，确认颜色和类别对得上。
2.3 从标注到训练的完整命令链
假设你已经用 labelme 或 labelImg 标好了数据，转成 YOLO 格式后，训练命令如下：
# 安装 ultralytics 并启动训练 pip install ultralytics yolo detect train \ data=./dataset/data.yaml \ model=yolov8n.pt \ epochs=100 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=20 \ project=./runs \ name=tomato_maturity参数说明：model=yolov8n.pt用的是 nano 版本，288 张图用 nano 足够，用 large 反而容易过拟合；imgsz=640是 YOLOv8 的默认输入尺寸，如果你的图片分辨率普遍低于 480p，可以降到 416 省显存；patience=20表示验证集损失 20 轮不下降就早停，小数据集上这个值别设太大，否则后面全是无效训练；lr0=0.01是初始学习率，YOLOv8 自带余弦退火，这个值在 batch=16 时比较稳。
训练完成后，runs/tomato_maturity/weights/best.pt就是最终模型。评估指标曲线（混淆矩阵、PR 曲线、F1 曲线）会自动生成在runs/tomato_maturity/目录下，重点看混淆矩阵里 green 和 half 之间的误判——这两个类别在转色期颜色接近，是主要误差来源。
3. PyQt5 界面：把推理脚本包成能点的按钮
3.1 界面布局与信号槽设计
PyQt5 做这种检测系统界面，核心就三块：图片显示区、按钮控制区、结果输出区。布局用 QHBoxLayout 左右分栏，左边放 QLabel 显示原图或检测结果，右边竖排按钮：选择图片、开始检测、保存结果、退出。信号槽用最直接的方式连：
# main_window.py 界面主逻辑 from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QHBoxLayout, QWidget, QFileDialog from PyQt5.QtGui import QPixmap, QImage from PyQt5.QtCore import Qt import cv2 from ultralytics import YOLO class TomatoGUI(QMainWindow): def __init__(self): super().__init__() self.model = YOLO('./runs/tomato_maturity/weights/best.pt') # 加载训练好的模型 self.init_ui() def init_ui(self): self.setWindowTitle('西红柿成熟度检测系统') self.resize(1000, 600) # 左侧图片显示 self.image_label = QLabel('请选择图片') self.image_label.setAlignment(Qt.AlignCenter) self.image_label.setMinimumSize(640, 480) self.image_label.setStyleSheet('border: 1px solid gray;') # 右侧按钮 btn_open = QPushButton('选择图片') btn_detect = QPushButton('开始检测') btn_save = QPushButton('保存结果') btn_exit = QPushButton('退出') btn_open.clicked.connect(self.open_image) btn_detect.clicked.connect(self.detect) btn_save.clicked.connect(self.save_result) btn_exit.clicked.connect(self.close) right_layout = QVBoxLayout() for btn in [btn_open, btn_detect, btn_save, btn_exit]: right_layout.addWidget(btn) right_layout.addStretch() main_layout = QHBoxLayout() main_layout.addWidget(self.image_label, stretch=3) main_layout.addLayout(right_layout, stretch=1) container = QWidget() container.setLayout(main_layout) self.setCentralWidget(container) def open_image(self): path, _ = QFileDialog.getOpenFileName(self, '选择图片', '', 'Images (*.png *.jpg *.jpeg)') if path: self.current_image_path = path pixmap = QPixmap(path).scaled(640, 480, Qt.KeepAspectRatio) self.image_label.setPixmap(pixmap) def detect(self): if not hasattr(self, 'current_image_path'): return results = self.model(self.current_image_path) # 推理 annotated = results[0].plot() # 画框 annotated = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch = annotated.shape qimg = QImage(annotated.data, w, h, ch * w, QImage.Format_RGB888) self.image_label.setPixmap(QPixmap.fromImage(qimg).scaled(640, 480, Qt.KeepAspectRatio)) self.last_result = annotated def save_result(self): if hasattr(self, 'last_result'): cv2.imwrite('result.jpg', cv2.cvtColor(self.last_result, cv2.COLOR_RGB2BGR))这段代码的关键点：YOLO()加载模型时路径要对，results[0].plot()返回的是 BGR 格式的 numpy 数组，转 QImage 之前必须转 RGB，否则显示出来颜色是反的。QImage构造时第四个参数是每行字节数，用ch * w算，别写死。
3.2 推理参数与显示适配
self.model(path)默认用conf=0.25的置信度阈值。在成熟度检测里，如果发现漏检多，可以降到 0.15；如果误检多，升到 0.4。这个参数在界面上可以做成滑块，但开箱即用版本一般写死，避免用户乱调。显示适配用scaled(640, 480, Qt.KeepAspectRatio)，保证图片不变形。如果原图分辨率很高，推理前建议先 resize 到 640，否则 CPU 推理会卡到怀疑人生。
3.3 打包成 exe 的注意事项
用 PyInstaller 打包时，YOLO 的模型文件要作为数据文件带进去：
pyinstaller --onefile --windowed \ --add-data "runs/tomato_maturity/weights/best.pt;runs/tomato_maturity/weights" \ main_window.py注意--add-data在 Windows 上用分号分隔，Linux 上用冒号。打包后模型路径要用sys._MEIPASS动态获取，否则 exe 运行时会找不到模型文件。这个坑几乎每个人都会踩一次。
4. 避坑与排查：288 张数据集上最容易翻车的 4 个点
4.1 训练 loss 不降反升
现象：前 10 轮 box_loss 和 cls_loss 都在降，第 15 轮开始突然反弹。原因：学习率太大或者 batch 太小导致梯度震荡。解决：把lr0从 0.01 降到 0.001，batch 从 16 降到 8，同时开cos_lr=True让余弦退火更平滑。288 张图的数据量，batch 超过 16 基本就是给自己找不痛快。
4.2 验证集 mAP 很高但实际推理全错
现象：训练日志里 mAP@0.5 到了 0.9，但拿新图片一测，框全歪了。原因：训练集和验证集来自同一批图片的相邻帧，数据泄漏了。解决：划分数据集时按拍摄批次分，不要随机分。比如 288 张里前 200 张是一个棚拍的，后 88 张是另一个棚，那就用前 200 做训练、后 88 做验证，这样验证结果才有参考意义。
4.3 PyQt5 界面卡死
现象：点「开始检测」后界面无响应，几秒后才出结果。原因：推理在主线程里跑，阻塞了 Qt 事件循环。解决：把推理放到 QThread 里，通过信号把结果传回主线程更新 UI。最简单的做法是用QThreadPool加一个QRunnable，别在按钮的槽函数里直接调self.model()。
4.4 模型加载报错「No module named 'ultralytics'」
现象：源码在 PyCharm 里跑得好好的，打包成 exe 或者换台机器就报这个。原因：ultralytics 没有装，或者装了但版本不匹配。解决：pip install ultralytics==8.0.0指定版本，别用 latest。YOLOv8 的 API 在 8.0.x 之后有过变动，训练好的模型用新版本加载可能报 key 不匹配。这个后悔药不好吃，建议在requirements.txt里锁死版本。
5. 把 mAP 从 0.82 推到 0.91：三个我实际用过的技巧
第一个技巧是冻结 backbone 做 warmup。288 张图直接全量训练，前 20 轮 backbone 的梯度噪声很大。我一般会先冻结前 10 层训练 30 轮，再解冻全量微调 70 轮。命令上就是先yolo detect train ... freeze=10 epochs=30，然后拿这个权重再跑一次freeze=0 epochs=70。这样 mAP 通常能涨 3-5 个点，尤其是 green 和 half 的混淆会明显减少。
第二个技巧是用 SAHI 做切片推理。如果实际场景里西红柿在画面中占比很小（比如监控视角），直接把整图 resize 到 640 会丢失细节。SAHI 的思路是把大图切成重叠的小块分别推理再合并，对 small object 的召回提升很明显。安装pip install sahi，推理时用sahi.predict.get_sliced_prediction()，切片大小设 320，重叠率 0.2。代价是推理速度慢 3-4 倍，但成熟度检测对实时性要求没那么高，可以接受。
第三个技巧是评估曲线要交叉看。不要只看 mAP@0.5，把runs/tomato_maturity/下的confusion_matrix.png和F1_curve.png一起打开。如果 F1 曲线的峰值出现在 conf=0.4 而不是默认的 0.25，说明你的模型在高置信度区间表现更好，推理时就把 conf 设成 0.4。我见过太多人直接用默认值，然后抱怨漏检，其实调一下阈值就能解决。
最后说个习惯：每次训练完，我会把best.pt复制一份到models/目录下，按日期命名，比如tomato_yolov8n_20250101.pt。因为runs/目录下次训练会被覆盖，不备份的话，调参调崩了想回退都回不去。这个习惯帮我省过至少三次重训的时间。希望帮到你。
本文还有配套的精品资源，点击获取
