荔枝深度学习YOLO模型如何训练 成熟度检测数据集】YOLO txt格式｜4类生长阶段｜1005张高清果园图片
智慧农业-荔枝成熟度检测数据集】YOLO txt格式｜4类生长阶段｜1005张高清果园图片
数据集亮点:
✅ 1005张荔枝高清图片，真实果园场景采集
✅ txt格式标注，兼容YOLO等框架
✅ 4类生长阶段检测，标注框总数 超1,800个
✅ 专业农学标注：成熟度特征精准标注
数据集规格
标注格式：txt
类别标签及中文意思：
• 0: blossom —— 花期
• 1: green —— 青果期
• 2: ripe —— 成熟期
• 3: young —— 幼果期数据划分：
• 训练集：804张（80%）
• 验证集：100张（10%）
• 测试集：101张（10%）
1
根据你提供的荔枝成熟度检测数据集信息，我为你整理了详细的数据规格表，并编写了基于最新YOLOv11框架的训练代码。
数据集规格描述表
该数据集专为荔枝全生长周期的智能监测设计，涵盖了从开花到成熟的四个关键阶段。
| 属性 | 详细说明 |
|---|---|
| 数据集名称 | 荔枝成熟度检测数据集 |
| 图片总数 | 1005 张 |
| 图像质量 | 高清，真实果园复杂场景采集 |
| 标注格式 | YOLO txt格式 (归一化坐标) |
| 标注总量 | 超过1,800 个标注框 |
| 检测类别 | 4 类(花期、幼果、青果、成熟) |
| 数据划分 | 训练集 (804张, 80%)验证集 (100张, 10%)测试集 (101张, 10%) |
类别标签映射
在训练和推理时，请确保类别索引与含义对应一致：
| 类别 ID | 英文标签 | 中文含义 | 特征描述 |
|---|---|---|---|
| 0 | blossom | 花期 | 荔枝花朵开放阶段 |
| 1 | green | 青果期 | 果实已成形但呈青色，未成熟 |
| 2 | ripe | 成熟期 | 果皮转红，达到采摘标准 |
| 3 | young | 幼果期 | 刚结出的小果实 |
YOLOv11 训练代码
以下代码基于 Ultralytics 最新的YOLOv11模型。请确保你的数据集目录结构如下：
dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── litchi.yaml <-- 下面的配置文件配置文件 (litchi.yaml)
首先，在代码同级目录下创建litchi.yaml文件：
path:./dataset# 数据集根目录train:images/train# 训练集图片路径 (相对于path)val:images/val# 验证集图片路径test:images/test# 测试集图片路径# 类别数量nc:4# 类别名称names:['blossom','green','ripe','young']训练脚本 (train.py)
fromultralyticsimportYOLOdeftrain_litchi_model():# 1. 加载模型# 使用 YOLOv11 nano 版本 (速度快，适合果园实时监测)# 如果需要更高精度，可改为 'yolo11m.pt' 或 'yolo11l.pt'model=YOLO('yolo11n.pt')# 2. 开始训练results=model.train(data='litchi.yaml',# 指定数据配置文件epochs=100,# 训练轮数，根据收敛情况可调整imgsz=640,# 输入图片尺寸batch=16,# 每批次图片数量，根据显存调整device=0,# 使用 GPU (device=0) 或 CPU (device='cpu')workers=4,# 数据加载线程数project='Litchi_Detect',# 保存项目的根目录name='exp_v11',# 实验名称patience=10,# 早停策略，10轮无提升则停止optimizer='AdamW',# 优化器选择lr0=0.001,# 初始学习率hsv_h=0.015,# 数据增强：色调hsv_s=0.7,# 数据增强：饱和度hsv_v=0.4,# 数据增强：明度degrees=10.0,# 数据增强：旋转角度flipud=0.5# 数据增强：上下翻转概率 (果园场景适用))# 3. 评估模型 (在验证集上)metrics=model.val()print(f"mAP50-95:{metrics.box.map}")# 打印 mAPif__name__=='__main__':train_litchi_model()代码关键点解析
- 模型选择 (
yolo11n.pt)：考虑到果园监测可能部署在边缘设备（如Jetson Nano或树莓派），代码默认使用了Nano版本，它在保持较高精度的同时速度最快。如果你有高性能服务器，建议换成yolo11m.pt以获得更高的 mAP。 - 数据增强：
hsv_h/s/v：果园光照变化大（早晨、正午、阴天），调整色彩空间增强有助于模型适应不同光线。flipud=0.5：荔枝生长在树上，上下翻转不会改变物体的物理属性，增加此增强可有效扩充数据集。
- 早停机制 (
patience=10)：防止过拟合。如果验证集指标在10个epoch内没有提升，训练会自动停止。
通过上述配置与脚本，即可高效完成针对荔枝生长周期的模型训练任务。