智慧农业-复杂环境多种类型柑橘成熟度检测数据集的图片3个类别| 7327张图像 】**数据集详情数据量共7327张图像.jpg格式txt标签文件**目标类别共3类 | nc3未成熟-unripe半成熟-half_ripe成熟-ripe111根据你提供的柑橘成熟度检测数据集详情这属于一个典型的多类别目标检测任务。由于柑橘在从“未成熟”到“成熟”的过程中颜色和纹理变化是渐进的因此“半成熟”类别的界定往往是模型训练的难点。以下我为你整理的数据集规格表以及基于YOLOv8的完整训练代码旨在帮助模型更好地捕捉颜色渐变特征。1. 数据集规格描述表属性详细参数数据集名称复杂环境柑橘成熟度检测数据集图像总数7,327 张(.jpg)标注格式YOLO 格式 (.txt)归一化坐标目标类别数3 类 (nc3)类别详情0:unripe(未成熟 - 绿色)1:half_ripe(半成熟 - 黄绿/橙色)2:ripe(成熟 - 深橙/红色)环境特征复杂背景包含枝叶遮挡、光照变化、不同拍摄角度推荐模型YOLOv8 (m 或 l 版本以增强对颜色细微差别的特征提取能力)2. 训练代码与配置为了应对“复杂环境”和“颜色渐变”的挑战我们在训练代码中加入了数据增强如色彩抖动 HSV和早停机制。第一步创建配置文件citrus.yaml请在你的项目根目录下创建此文件并根据实际路径修改train和val的路径。# citrus.yamlpath:./datasets/citrus# 数据集根目录train:images/train# 训练集图片文件夹val:images/val# 验证集图片文件夹# 类别数量和名称nc:3names:[unripe,half_ripe,ripe]第二步Python 训练脚本train.py这段代码不仅启动训练还设置了针对成熟度检测优化的超参数。fromultralyticsimportYOLOimportwarnings# 忽略警告信息warnings.filterwarnings(ignore)deftrain_citrus_model():# 1. 加载模型# 建议使用 yolov8m.pt 或 yolov8l.pt因为成熟度区分需要更强的特征提取能力# 如果算力有限可使用 yolov8s.ptmodelYOLO(yolov8m.pt)# 2. 开始训练resultsmodel.train(datacitrus.yaml,# 数据集配置文件路径epochs150,# 训练轮数复杂环境建议多一点imgsz640,# 输入图像尺寸batch16,# 批次大小根据显存调整 (-1为自动)namecitrus_maturity_v1,# 实验名称projectruns/train,# 保存项目目录device0,# 使用GPU (0号卡)若无GPU则设为 cpuworkers4,# 数据加载线程数# --- 关键超参数优化 ---lr00.01,# 初始学习率lrf0.01,# 最终学习率 (cosine衰减)mosaic0.5,# Mosaic数据增强比例 (0.5-1.0)复杂背景有助于泛化hsv_h0.015,# 色调增强对颜色敏感的成熟度检测很重要hsv_s0.7,# 饱和度增强hsv_v0.4,# 明度增强flipud0.0,# 上下翻转概率 (柑橘通常不需要上下翻转)fliplr0.5,# 左右翻转概率patience20,# 早停轮数防止过拟合valTrue,# 训练过程中进行验证)# 3. 导出模型 (可选)# model.export(formatonnx)if__name____main__:train_citrus_model()3. 针对该数据集的训练建议颜色增强由于成熟度主要靠颜色区分我在代码中保留了hsv_h(色调) 和hsv_s(饱和度) 的增强。这能让模型在光照变化如阴影下的柑橘依然能准确识别成熟度。类别不平衡检查你的数据集中half_ripe半成熟的数量是否足够。通常半成熟的样本较少如果数量过少建议在训练时对这一类进行Copy-Paste 增强或者在train.py中调整类别权重。验证指标训练完成后重点观察混淆矩阵。通常模型容易将half_ripe误判为unripe或ripe如果发生这种情况可以针对性地收集更多半成熟样本进行微调。