橙子果品分级-目标检测数据集（包括VOC格式、YOLO格式）

数据集_深度学习

已于 2025-04-27 11:04:07 修改

阅读量940

点赞数 26

文章标签：目标检测 YOLO 人工智能

于 2025-04-25 11:36:37 首次发布

本文链接：https://blog.csdn.net/DL_data_set/article/details/147503968

版权

橙子果品分级-目标检测数据集（包括VOC格式、YOLO格式）

数据集：
链接：https://pan.baidu.com/s/1jpdrylu06mm0r9pGVyb-AQ?pwd=94a6 
提取码: 94a6

数据集信息介绍：
共有 9195 张图像和一一对应的标注文件
标注文件格式提供了两种，包括VOC格式的xml文件和YOLO格式的txt文件。

标注的对象共有以下几种：

[‘orange-bad’, ‘orange-good’]

标注框的数量信息如下：（标注时一般是用英文标的，括号里提供标注对象的中文作为参考）

orange_bad: 4695

orange_good: 4995

注：一张图里可能标注了多个对象，所以标注框总数可能会大于图片的总数。

完整的数据集，包括3个文件夹和一个txt文件：
在这里插入图片描述
all_images文件：存储数据集的图片，截图如下：

图片大小信息：

文件大小信息：

all_txt文件夹和classes.txt: 存储yolo格式的txt标注文件，数量和图像一样，每个标注文件一一对应。

如何详细的看yolo格式的标准文件，请自己百度了解，简单来说，序号0表示的对象是classes.txt中数组0号位置的名称。

all_xml文件：VOC格式的xml标注文件。数量和图像一样，每个标注文件一一对应。
在这里插入图片描述
标注结果：

如何详细的看VOC格式的标准文件，请自己百度了解。
两种格式的标注都是可以使用的，选择其中一种即可。
——————————————————————————————————————

写论文参考

基于深度学习的橙子果品分级系统研究与应用

摘要

果品分级是水果流通与销售的重要环节，直接影响消费者满意度与果农收益。传统人工分级方法效率低、准确率差，难以满足现代果业的高效与标准化需求。本文基于一个包含9195张橙子图像的数据集，构建并训练了一个基于YOLOv5的目标检测模型，实现对橙子品质的自动化识别与分级。数据集标注采用VOC和YOLO格式，标注类别包括orange-good（优质橙子）与orange-bad（劣质橙子）。本文从数据处理、模型设计与训练、结果评估、落地方案四个方面展开研究，结果表明所设计的系统在准确率、召回率和实时性能上均表现优异，为果品智能分级提供了可行的技术方案。

1. 引言

1.1 研究背景

随着水果种植和销售规模的不断扩大，果品质量分级的重要性日益凸显。特别是在出口、超市配送等高标准流通环节，对果品外观质量的自动化识别与分级提出了更高要求。橙子作为我国南方重要的经济水果，其果皮颜色、形状、表面瑕疵等指标直接影响市场价格。

1.2 存在问题

目前多数果品分级工作仍依赖人工操作，存在主观性强、效率低下、标准不统一等问题。如何借助深度学习和计算机视觉技术，构建高效、精准的橙子分级系统，是果业智能化转型的重要方向。

2. 数据集介绍

2.1 数据基本信息

本研究所用数据集包含共计9195张橙子图像，并为每张图像配备了对应的目标检测标注文件。图像采集涵盖了橙子在不同光照、背景、堆叠方式下的样态。

图像数量：9195张
标注格式：VOC（XML）、YOLO（TXT）
类别标签：
- orange-good（优质橙子）：4995个标注框
- orange-bad（劣质橙子）：4695个标注框

注：一张图片中可能包含多个目标，因此目标框总数大于图像数。

2.2 数据预处理

在训练前，对数据集进行了如下预处理步骤：

图像尺寸统一缩放为640x640；
标签格式统一转换为YOLO格式；
数据增强：包括随机翻转、颜色抖动、亮度调整等；
数据集划分：训练集80%，验证集10%，测试集10%。

3. 模型设计与训练

3.1 模型选择

YOLOv5（You Only Look Once version 5）作为当前主流的实时目标检测模型，具备结构轻量、推理快速、精度较高等优点。YOLOv5共有多个版本（s、m、l、x），本项目选用YOLOv5s版本，兼顾性能与推理速度，适用于边缘设备部署。

3.2 模型架构

YOLOv5主要由以下三个部分构成：

Backbone（骨干网络）：CSPDarknet，用于提取图像特征；
Neck（颈部网络）：PANet结构，用于增强不同尺度的特征表达；
Head（检测头）：根据不同尺度输出目标的位置与类别。

3.3 模型训练设置

学习率：0.01
Batch Size：32
Epochs：100
损失函数：组合损失（CIoU Loss + 分类损失 + 置信度损失）
优化器：SGD

训练在NVIDIA RTX 3080显卡上进行，训练周期约1.5小时。

4. 结果分析

4.1 评价指标

使用常见的目标检测评价指标：

mAP (mean Average Precision)
Precision（精确率）
Recall（召回率）
F1-score（调和均值）
FPS（帧率）

4.2 检测结果

类别	Precision	Recall	mAP@0.5
orange-good	0.962	0.948	0.954
orange-bad	0.951	0.940	0.946
平均指标	0.957	0.944	0.950

检测速度：约75 FPS，适合部署在实际流水线场景中。

4.3 可视化效果

对部分预测结果进行可视化展示，模型能稳定识别多个目标、区分优劣等级，具有较强的泛化能力。

5. 系统部署与应用

5.1 部署环境

基于PyTorch框架训练模型后，可通过如下方式进行部署：

边缘端部署：使用ONNX或TensorRT进行模型加速，适配嵌入式设备；
云端部署：部署为Web API接口，支持前端图像上传分级；
嵌入式流水线部署：结合摄像头+工控机，实现自动分拣。

5.2 系统框架

摄像采集模块 → 图像预处理 → YOLO模型预测 → 分类统计 → 控制执行单元（如机械臂）

5.3 实际应用案例

果园初级采后分级设备；
果品包装前的品质筛选；
农业合作社果品统一分级标准化处理。

6. 挑战与展望

6.1 面临的挑战

类别间边界模糊：部分“bad”橙子与“good”橙子存在中间状态；
数据分布偏差：某些场景数据采集较少，影响模型泛化能力；
实际部署复杂性：受限于光照、遮挡、速度等因素。

6.2 未来工作方向

引入多模态信息（如重量、纹理）融合判断；
训练更鲁棒的自监督或半监督模型；
推进轻量级模型设计，提高嵌入式部署效率；
开发集成控制系统，实现果品实时分拣与记录。

7. 结论

本文基于YOLOv5模型对橙子果品进行了自动化分级研究，在公开标注数据集上取得了优异的检测性能，并提出了完整的部署方案。研究成果为实际果品生产、流通与销售环节提供了重要的技术支撑，也为后续其他果品或农产品的智能识别系统建设提供了参考。