YOLOv8 草莓成熟度检测数据集与系统实战

数据集均为手工标注，保证标注精确度。

2、数据集文件结构

Strawberry/

——test/
————Annotations/
————images/
————labels/
——train/
————Annotations/
————images/
————labels/
——valid/
————Annotations/
————images/
————labels/
——data.yaml

• 该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
• Annotations 文件夹为 Pascal VOC 格式的XML 文件；
• images 文件夹为jpg 格式的数据样本；
• labels 文件夹是YOLO 格式的 TXT 文件；
• data.yaml 是数据集配置文件，包含草莓识别的目标分类和加载路径。

Annotations 目录下的xml 文件内容如下：

<annotation>
 <folder></folder>
 <filename>img287129312913_jpg.rf.32aa01aa19cb300935c591582897bcf9.jpg</filename>
 <path>img287129312913_jpg.rf.32aa01aa19cb300935c591582897bcf9.jpg</path>
 <source>
  <database>Strawberry</database>
 </source>
 <size>
  <width>640</width>
  <height>640</height>
  <depth>3</depth>
 </size>
 <segmented>0</segmented>
 <object>
  <name>ripe</name>
  <pose>Unspecified</pose>
  <truncated>0</truncated>
  <difficult>0</difficult>
  <occluded>0</occluded>
  <bndbox>
   <xmin>388</xmin>
   <xmax>641</xmax>
   <ymin>120</ymin>
   <ymax>508</ymax>
  </bndbox>
 </object>
 <metadata>
 </metadata>
</annotation>

labels 目录下的txt 文件内容如下：

0 0.703125 0.5140625 0.2296875 0.4546875 1 0.4921875 0.325 0.1203125 0.2796875 1 0.19921875 0.4328125 0.0484375 0.125 1 0.37890625 0.36328125 0.0703125 0.1421875 1 0.42265625 0.52578125 0.0859375 0.1671875

3、数据集适用范围

• 目标检测场景，无人机检测，监控识别
• yolo 训练模型或其他模型
• 果园、山庄、大棚、水果加工厂等场景
• 可用于草莓精准采收指导、种植管理优化、病虫害间接预警、采后分拣辅助等。

4、数据集标注结果

4.1、数据集内容

1. 多角度场景：人员视角数据样本，监控视角数据样本；
2. 标注内容：names: ['ripe', 'unripe']，总计2 个分类；
3. 图片总量：3207 张图片数据；
4. 标注类型：含有Pascal VOC XML格式和yolo TXT格式；

5、训练过程

5.1、导入训练数据

下载 YOLOv8 项目压缩包，解压在任意本地 workspace 文件夹中。

下载 YOLOv8 预训练模型，导入到ultralytics-main项目根目录下。

在ultralytics-main项目根目录下，创建 data 文件夹，并在 data 文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC 格式的 XML 文件手动导入到 Annotations 文件夹中，将JPG格式的图像数据导入到 images 文件夹中，imageSets 和 labels 两个文件夹不导入数据。

data 目录结构如下：

data/

——Annotations/ //存放 xml 文件

——images/ //存放 jpg 图像

——imageSets/

——labels/

整体项目结构如下所示：

5.2、数据分割

首先在 ultralytics-main 目录下创建一个 split_train_val.py 文件，运行文件之后会在 imageSets 文件夹下将数据集划分为训练集 train.txt、验证集 val.txt、测试集 test.txt，里面存放的就是用于训练、验证、测试的图片名称。

import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list_ = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list_:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

5.3、数据集格式化处理

在 ultralytics-main 目录下创建一个 voc_label.py 文件，用于处理图像标注数据，将其从 XML 格式（通常用于 Pascal VOC 数据集）转换为 YOLO 格式。

convert_annotation 函数

• 这个函数读取一个图像的 XML 标注文件，将其转换为 YOLO 格式的文本文件。
• 它打开 XML 文件，解析树结构，提取图像的宽度和高度。
• 然后，它遍历每个目标对象（object），检查其类别是否在 classes 列表中，并忽略标注为困难（difficult）的对象。
• 对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用 convert 函数将坐标转换为 YOLO 格式。
• 最后，它将类别 ID 和归一化后的边界框坐标写入一个新的文本文件。

import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['ripe', 'unripe']
abs_path = os.getcwd()
print(abs_path)

def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h

def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w: b2 = w
        if b4 > h: b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
    wd = getcwd()
    for image_set in sets:
        if not os.path.exists('data/labels/'):
            os.makedirs('data/labels/')
        image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
        list_file = open('data/%s.txt' % (image_set), 'w')
        for image_id in image_ids:
            list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
        list_file.close()

5.4、修改数据集配置文件

在 ultralytics-main 目录下创建一个 data.yaml 文件

train: data/train.txt
val: data/val.txt
test: data/test.txt
nc: 2
names: ['ripe', 'unripe']

5.5、执行命令

执行 train.py

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

5.6、模型预测

你可以选择新建 predict.py 预测脚本文件，输入视频流或者图像进行预测。

代码如下：

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("./best.pt")  # 自定义预测模型加载路径

# Open the video file
video_path = "./demo.mp4"  # 自定义预测视频路径
cap = cv2.VideoCapture(video_path)

# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)

# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height))  # 自定义输出视频路径

# Loop through the video frames
while cap.isOpened():
    success, frame = cap.read()
    if success:
        # Run YOLOv8 inference on the frame
        results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)
        results[0].names[0] = "道路积水"  # Visualize the results on the frame annotated_frame = results[0].plot()
        # Write the annotated frame to the output file
        out.write(annotated_frame)
        # Display the annotated frame (optional)
        cv2.imshow("YOLOv8 Inference", annotated_frame)
        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

图片推理，代码如下：

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('models/best.pt')
    model.predict(source='test_pic', imgsz=640, save=True, conf=0.25)

也可以直接在命令行窗口或者 Anaconda 终端输入以下命令进行模型预测：

yolo predict model="best.pt" source='demo.jpg'

二、YOLO 草莓成熟度检测系统

1、功能介绍

1. 模型管理

支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。

2. 图片检测

• 支持上传本地图片文件，自动完成格式校验。
• 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。
• 检测结果可下载保存。

3. 视频检测与实时流

• 支持上传本地视频文件，自动完成格式校验。
• 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。
• 支持摄像头实时检测（如有接入摄像头）。

4. 置信度阈值调节

• 前端可实时调整检测置信度阈值，动态影响检测结果。
• 阈值调整后，后端推理自动应用新阈值，无需重启。

5. 日志与状态反馈

• 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。
• 检测异常、错误信息及时反馈，便于排查。
• 一键清空日志，避免长期占用内存。

2、创建环境并安装依赖：

conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt

3、启动项目

python app.py

**打开浏览器访问：**http://localhost:5000

4、效果展示

4.1、推理效果

4.2、日志文本框

4.3、摄像头检测

以红绿灯检测为例：

5、前端核心页面代码

<!doctype html>
<html lang="zh-CN">
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width,initial-scale=1">
<title>视觉检测系统 - Web UI</title>
<link rel="stylesheet" href="/static/style.css">
<link rel="icon" href="/favicon.ico">
</head>
<body>
<div>
<!-- 左侧内容区 -->
<div>
<header>
<h1>YOLO 草莓成熟度检测系统</h1>
<div title="当前模型">当前模型：未上传模型</div>
</header>
<main>
<div>
<div>
<h3>原图 / 视频</h3>
<div>预览区</div>
</div>
<div>
<h3>检测结果</h3>
<div>检测结果</div>
</div>
</div>
<section>
<div>
<h3>日志</h3>
</div>
<div>
<div></div>
</div>
</section>
</main>
</div>
<!-- 右侧按钮栏 -->
<aside>
<!-- 1. 模型上传/加载区 -->
<section>
<button>上传模型 <input type="file" accept=".pt" title="选择 .pt 模型文件"></button>
<button>加载模型</button>
</section>
<!-- 2. 检测方式选择区 -->
<section>
<div>请选择检测方式</div>
<div>
<label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label>
<label><input type="radio" name="detectMode" value="camera"> 摄像头</label>
</div>
<div>
<div>
<span>未选择文件</span>
</div>
<div></div>
<button>上传文件 <input type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频"></button>
</div>
<div>
<button>开启摄像头</button>
<div>
<video autoplay muted playsinline></video>
<div>
<button>关闭摄像头</button>
</div>
</div>
</div>
<div>
<label>置信度 <input type="range" min="0.01" max="0.99" step="0.01" value="0.5"><input type="number" min="0.01" max="0.99" step="0.01" value="0.5"></label>
</div>
</section>
<!-- 3. 操作按钮区 -->
<section>
<button disabled>开始检测</button>
<button disabled>停止</button>
<button>清空日志</button>
</section>
</aside>
</div>
<script src="/static/app.js"></script>
</body>
</html>

6、代码获取

更多数据集请查看相关文档。