带标注的番茄成熟颜色识别数据集，可识别红色，橙色，绿色，识别率80.6%，2517张图，支持yolo，coco json，voc xml,文末有模型训练代码

​
带标注的番茄成熟颜色识别数据集，可识别红色，橙色，绿色，识别率80.6%，2517张图，支持yolo，coco json，voc xml,文末有模型训练代码

模型训练指标参数：

模型训练图：

数据集拆分

总图数：2517 张图数
训练集

2199 张图

验证集

159 张图

测试集

159 张图

预处理

自动定向：应用

调整大小：拉伸到1280x1280

增强

每个原始训练样本
开启水平翻转
随机裁剪 + 缩放：缩放下限为 0%（不缩小原图），上限为 10%（最大放大原图 10%）。
色彩饱和度随机调整，浮动区间为降低 15% 至 提升 15%。
画面亮度随机调整，仅做提亮：区间为不变亮 (0%) 至 最大提亮 20%（无变暗操作）。

数据集标签：

[‘green’, ‘orange’, ‘red’]

标签解释

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92977540

yolo v12:https://download.csdn.net/download/pbymw8iwm/92977522

yolo v11:https://download.csdn.net/download/pbymw8iwm/92977526

yolo v9:https://download.csdn.net/download/pbymw8iwm/92977532

yolo v8:https://download.csdn.net/download/pbymw8iwm/92977529

yolo v7:https://download.csdn.net/download/pbymw8iwm/92977538

coco json:https://download.csdn.net/download/pbymw8iwm/92977536

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92977539

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject 里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用python train_yolov8.py
​​

模糊图片在模型训练中的优势分析

该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：

1. 提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
2. 模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
3. 防止模型过拟合：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的“干净”特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
   总结：因此，数据集中包含的模糊图片，与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# ===================== 1. 加载YOLO模型 =====================# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/xmodel=YOLO("best.pt")# ===================== 2. 推理配置 =====================image_path="326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg"# 你的图片路径save_result=True# 是否保存标注后的图# ===================== 3. 执行推理 =====================results=model.predict(source=image_path,conf=0.01,# 置信度阈值（低于该值忽略）save=False,# 关闭默认保存，自定义保存verbose=False# 关闭冗余日志)# ===================== 4. 解析结果：目标区域 + 标注信息 =====================print("="*50)print("YOLO 推理结果（目标区域 + 标注信息）")print("="*50)# 获取图片（用于绘制框）img=cv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxes=result.boxes# 所有检测框forboxinboxes:# ========== 提取目标区域（坐标） ==========# xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2=box.xyxy[0].cpu().numpy()# 宽高w=x2-x1 h=y2-y1# ========== 提取标注信息 ==========cls_id=int(box.cls[0])# 类别IDcls_name=model.names[cls_id]# 类别名称conf=float(box.conf[0])# 置信度# ========== 打印信息 ==========print(f"目标{idx+1}:")print(f" 标注类别：{cls_name}")print(f" 置信度：{conf:.2f}")print(f" 目标区域坐标：")print(f" 左上角 ({x1:.1f},{y1:.1f})")print(f" 右下角 ({x2:.1f},{y2:.1f})")print(f" 宽×高：{w:.1f}×{h:.1f}")print("-"*30)# ========== 在图片上绘制检测框 ==========cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f"{cls_name}{conf:.2f}",(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# ===================== 5. 保存/显示结果 =====================ifsave_result:cv2.imwrite("yolo_result.jpg",img)print("✅ 标注图片已保存为：yolo_result.jpg")# 显示图片（可选）cv2.imshow("YOLO Result",img)#cv2.waitKey(0)#cv2.destroyAllWindows()

推理结果：

{
“predictions”: [
{
“x”: 282,
“y”: 143,
“width”: 116,
“height”: 132,
“confidence”: 0.845,
“class”: “red”,
“class_id”: 2,
“detection_id”: “fadc6bcb-0dc4-415c-857f-ecd559a5f984”
},
{
“x”: 239.5,
“y”: 253.5,
“width”: 103,
“height”: 113,
“confidence”: 0.832,
“class”: “red”,
“class_id”: 2,
“detection_id”: “4f43e5a2-31ed-4494-960d-0deafae7d8aa”
},
{
“x”: 649,
“y”: 524,
“width”: 118,
“height”: 124,
“confidence”: 0.829,
“class”: “red”,
“class_id”: 2,
“detection_id”: “399b4e8e-4aeb-4450-a192-a65a27d67134”
},
{
“x”: 762.5,
“y”: 333,
“width”: 103,
“height”: 106,
“confidence”: 0.808,
“class”: “red”,
“class_id”: 2,
“detection_id”: “91543c5d-7d52-4a9b-8afa-573c4e10f588”
},
{
“x”: 728.5,
“y”: 424.5,
“width”: 99,
“height”: 117,
“confidence”: 0.806,
“class”: “red”,
“class_id”: 2,
“detection_id”: “91d386ab-6898-42fd-b73d-97f7393ca07d”
},
{
“x”: 432,
“y”: 858,
“width”: 104,
“height”: 114,
“confidence”: 0.8,
“class”: “green”,
“class_id”: 0,
“detection_id”: “7295e651-174d-4834-84db-3ef95a90b3d1”
},
{
“x”: 871,
“y”: 216,
“width”: 88,
“height”: 132,
“confidence”: 0.781,
“class”: “red”,
“class_id”: 2,
“detection_id”: “d9c2c72c-bd68-4dea-91b3-e43ab65b64bc”
},
{
“x”: 629,
“y”: 721,
“width”: 118,
“height”: 130,
“confidence”: 0.737,
“class”: “orange”,
“class_id”: 1,
“detection_id”: “d1f92ae1-71e8-44a8-b558-1b03c4b89971”
},
{
“x”: 516,
“y”: 817.5,
“width”: 104,
“height”: 125,
“confidence”: 0.733,
“class”: “green”,
“class_id”: 0,
“detection_id”: “ba1d5dd7-1c12-4a27-95fa-66b81ce6f879”
},
{
“x”: 632.5,
“y”: 405,
“width”: 109,
“height”: 96,
“confidence”: 0.718,
“class”: “red”,
“class_id”: 2,
“detection_id”: “a59c1c7a-53d5-493e-a820-839c734dc619”
},
{
“x”: 804.5,
“y”: 230,
“width”: 93,
“height”: 106,
“confidence”: 0.707,
“class”: “red”,
“class_id”: 2,
“detection_id”: “7d2a29d8-dbdc-4248-8ee5-9f3d30e74ed4”
},
{
“x”: 291.5,
“y”: 53,
“width”: 101,
“height”: 94,
“confidence”: 0.685,
“class”: “red”,
“class_id”: 2,
“detection_id”: “4d1a9c1c-4167-4fe2-8384-5367b1fae8b3”
},
{
“x”: 572.5,
“y”: 504.5,
“width”: 53,
“height”: 95,
“confidence”: 0.599,
“class”: “red”,
“class_id”: 2,
“detection_id”: “0e71550e-78f2-461b-9240-5e99a35929bb”
}
]
}