苹果荔枝柠檬梨柿子数据集 水果数据集 树上1500张 带标注 voc yolo 5类
苹果荔枝柠檬梨柿子数据集
名称
苹果荔枝柠檬梨柿子数据集 (Apple, Litchi, Lemon, Pear, Persimmon Dataset)
规模
- 图像数量：1498张图像。
- 类别：5种水果类别。
- 标注个数：5376个标注。
数据划分
- 训练集 (Train)：通常占总数据的80%左右，约1198张图像。
- 验证集 (Validation)：通常占总数据的20%左右，约300张图像。
类别和数量
- apple：299张图像，1570个标注。
- custardapple：297张图像，632个标注。
- lemon：300张图像，1093个标注。
- pear：300张图像，751个标注。
- persimmon：298张图像，1330个标注。
数据特点
- 高质量与高分辨率：所有图像均为高分辨率，适合进行精细的果实检测。
- 多样性和复杂性：图像覆盖了不同品种和成熟度的果实，增加了模型的泛化能力。
- 详尽标注：每个图像都附有准确的边界框标注信息，确保了训练数据的质量。
应用领域
- 果树种植：帮助果园管理者了解果实生长状态，及时采摘。
- 果实品质控制：通过检测果实的数量和成熟度，提高果实品质。
- 智能农业：结合无人机和机器人技术，实现自动化果实采集。
1. 安装依赖库
首先，确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库，然后运行以下命令进行安装：
pip install -r requirements.txtrequirements.txt 文件内容示例：
深色版本
torch==1.10.0
torchvision==0.11.1
pandas==1.3.4
cv2
albumentations==1.1.02. 创建数据集
定义一个自定义的数据集类，并创建数据加载器。
import os
import pandas as pd
import cv2
from torch.utils.data import Dataset, DataLoader
from torchvision.transforms import Compose, ToTensor, Normalize, Resize
from albumentations import HorizontalFlip, RandomBrightnessContrast, ShiftScaleRotate, BboxFromMasks, BBoxFormatPASCAL
from albumentations.pytorch import ToTensorV2
# 自定义数据集类
class FruitDataset(Dataset):
def __init__(self, data_root, annotations_file, transforms=None):
self.data_root = data_root
self.annotations = pd.read_csv(annotations_file)
self.transforms = transforms
def __len__(self):
return len(self.annotations)
def __getitem__(self, idx):
img_path = os.path.join(self.data_root, self.annotations.iloc[idx, 0])
image = cv2.imread(img_path)
bboxes = self.annotations.iloc[idx, 1:].values.reshape(-1, 4) # bounding box coordinates
labels = self.annotations.columns[1:]
if self.transforms:
augmented = self.transforms(image=image, bboxes=bboxes)
image = augmented['image']
bboxes = augmented['bboxes']
return image, bboxes, labels
# 图像预处理
def get_transforms():
"""构建预处理函数"""
_transform = [
Resize(height=416, width=416, interpolation=cv2.INTER_LINEAR),
HorizontalFlip(p=0.5),
RandomBrightnessContrast(p=0.2),
ShiftScaleRotate(p=0.5, shift_limit=0.0625, scale_limit=0.2, rotate_limit=15),
Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
ToTensorV2(),
BboxFromMasks(format=BBoxFormatPASCAL)
]
return Compose(_transform)
# 创建数据加载器
train_dataset = FruitDataset(
data_root='path_to_your_data_directory',
annotations_file='path_to_your_annotations.csv',
transforms=get_transforms()
)
val_dataset = FruitDataset(
data_root='path_to_your_data_directory',
annotations_file='path_to_your_annotations.csv',
transforms=get_transforms()
)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=4)3. 训练YOLOv5模型
使用YOLOv5进行训练。
python
深色版本
!git clone https://github.com/ultralytics/yolov5 # 下载YOLOv5代码仓库
cd yolov5
# 使用YOLOv5训练模型
python train.py --weights yolov5s.pt --data path_to_your_data.yaml --name fruit_detection --img 416 --batch 16 --epochs 100 --device 0- 数据配置文件：创建一个名为
data.yaml的数据配置文件，其中包含训练和验证数据集的信息。
yaml
深色版本
train: path_to_your_train_images
val: path_to_your_val_images
nc: 5 # 类别数量
names: [apple, custardapple, lemon, pear, persimmon]4. 调整模型
- 超参数调整：根据实际情况调整模型的超参数，例如学习率、批大小等。
- 数据增强：增加数据增强策略，如旋转、缩放、亮度对比度调整等，以提高模型的泛化能力。
5. 部署应用
- 模型优化：对模型进行微调，使其适应特定应用场景。
- 实时检测：将训练好的模型部署到实际环境中，实现实时果实检测功能。
总结
苹果荔枝柠檬梨柿子数据集为果实检测提供了一个丰富的资源，适用于智能农业和果实品质控制等领域。通过YOLOv5模型的训练和优化，我们可以得到一个高效且准确的果实检测系统，从而更好地服务于现代果园管理。
