番茄采摘检测数据集 番茄检测数据集的训练及应用 深度学习基于YOLOV8西红柿检测系统

使用深度学习框架目标检测算法YOLOv8训练番茄采摘检测数据集 番茄检测数据集的训练及应用 深度学习基于YOLOV8西红柿检测系统

数据集描述：

番茄采摘数据集 番茄检测1分类。 未增强。 共895张。数据集按8：2分配。其中 训练集716张图片，验证集179张图片，YOLO下的txt标注

使用YOLOv8训练你的番茄采摘数据集，我们将按照以下步骤操作。该数据集包含895张图片，并按8:2的比例分配为训练集和验证集，所有图像样张均采用YOLO格式的txt标注文件。

一、环境准备

安装CUDA驱动

确保系统已经安装了适合你GPU的NVIDIA CUDA驱动程序。可通过运行nvidia-smi命令来检查是否已正确安装。

安装Anaconda并创建虚拟环境

首先，下载并安装Anaconda。然后创建一个新的Python虚拟环境：

conda create-ntomato_detectionpython=3.8conda activate tomato_detection

安装依赖项

在激活的虚拟环境中安装必要的库：

pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 pipinstallultralytics opencv-python matplotlib tqdm

CUDA版本调整PyTorch的安装链接。

二、数据集组织

确保数据集按如下结构组织（YOLOv8支持YAML格式的数据配置）：

tomato_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

其中data.yaml文件应包含如下信息：

train:./tomato_dataset/images/trainval:./tomato_dataset/images/valnc:1# 类别数量names:['tomato']

三、使用YOLOv8训练模型

加载预训练模型

fromultralyticsimportYOLO# 加载预训练模型model=YOLO('yolov8n.pt')# 可以选择其他尺寸的预训练模型

训练模型

编写Python脚本来启动训练过程：

fromultralyticsimportYOLOimportosdeftrain_yolo():model=YOLO('yolov8n.yaml')# 使用YOLOv8n配置文件results=model.train(data='./tomato_dataset/data.yaml',epochs=100,imgsz=640,batch=16)if__name__=='__main__':train_yolo()

确保将'./tomato_dataset/data.yaml'替换为实际路径。你可以根据需要调整epochs和batch大小。

四、推理代码

用于对新的图像进行检测：

fromultralyticsimportYOLOimportcv2importosdefdetect_image(image_path,output_dir):ifnotos.path.exists(output_dir):os.makedirs(output_dir)model=YOLO('runs/detect/exp/weights/best.pt')# 替换为你的最佳权重路径results=model.predict(source=image_path,save=True,project=output_dir,name="")# 如果你想手动保存结果forrinresults:im_array=r.plot()# plot a BGR numpy array of predictionsim=cv2.cvtColor(im_array,cv2.COLOR_BGR2RGB)output_path=os.path.join(output_dir,os.path.basename(image_path))cv2.imwrite(output_path,im)if__name__=='__main__':detect_image('path/to/test/image.jpg','output/directory')

五、评估代码

使用YOLOv8内置的评估函数直接对验证集进行评估：

fromultralyticsimportYOLOdefevaluate_yolo():model=YOLO('runs/detect/exp/weights/best.pt')# 替换为你的最佳权重路径metrics=model.val()# 自动对验证集进行评估print(f"mAP50:{metrics.box.map50:.3f}| mAP50-95:{metrics.box.map:.3f}")if__name__=='__main__':evaluate_yolo()