基于 YOLO 系列模型的蔬菜分类数据集训练与对比实验

YOLOv11来了,使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图) YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布, 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进,以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用,使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。 阅读详情

前言

在智慧农业、农产品自动化分拣等实际应用场景中,基于深度学习的蔬菜分类识别技术具备重要的实用价值。而高质量、划分规范的数据集,搭配主流目标检测模型的训练验证,是提升模型泛化能力与识别精度的关键。本文分享一套用于蔬菜分类的公开数据集,并基于该数据集完成多个主流 YOLO 版本模型的训练与效果对比,为相关研究与工程实践提供数据基础和参考依据。

一、数据集信息

本次实验采用自制蔬菜分类数据集,按照深度学习训练标准进行划分,具体构成如下:

  • 训练集:3078 张
  • 验证集:764 张
  • 测试集:186 张

数据集覆盖常见蔬菜类别,样本具备一定的场景多样性,可直接用于模型训练、微调及性能测试,整体规模适合快速迭代实验与 baseline 构建。

二、训练模型信息

基于上述蔬菜分类数据集,分别使用五个版本 YOLO 模型完成完整训练流程,并记录训练过程与指标变化:

  1. YOLO v5
  2. YOLO v8
  3. YOLO v11
  4. YOLO v12
  5. YOLO v26

训练过程中均保留损失曲线、精度曲线、召回率等关键指标结果,可直观对比不同版本模型在该蔬菜数据集上的收敛速度、检测精度与训练稳定性差异。

三、总结

本文提供了一份划分规范、规模适中的蔬菜分类数据集,并基于该数据集完成 YOLO v5、v8、v11、v12、v26 五个版本模型的训练与对比。实验结果可用于分析不同 YOLO 版本在蔬菜识别任务上的表现,为后续模型选型、参数调优以及实际部署提供可靠参考。该数据集与训练成果也可作为相关方向的基础实验资源,助力智慧农业相关视觉任务的快速开展。

YOLOv10 | 手把手教你利用yolov10训练自己数据集(含环境搭建、参数解析 、数据集查找、模型训练、推理、导出) 本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容!目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二(推荐)7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。 阅读详情

相关推荐

手把手教你使用YOLOv11训练自己数据集(含环境搭建 、数据集查找、模型训练)

一、前言本文内含YOLOv11网络结构图 + 训练教程 + 推理教程 + 数据集获取等有关YOLOv10的内容!官方代码地址:https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/11三、环境搭建 项目环境如下: 解释器:Python:3.9.19 框 架:Pytorch:2.0.1 系 统:Win10 IDEA

tsg6698的博客 4万+

数据集划分,veg200蔬菜分类数据集,分为训练集、验证集

数据集划分,veg200蔬菜分类数据集,分为训练集、验证集 veg200数据集链接:https://pan.baidu.com/s/1boSNcV9#list/path=%2F 1、 引入所需库 import scipy.io import numpy as np import os from PIL import Image import pandas as pd from shutil import copyfile 2、 定义创建文件夹函数及设置路径 # 创建保存图像的文件夹 def makedir

weixin_44031582的博客 4023

蔬菜分类图像数据集,包含:豆子、苦瓜、冬瓜、茄子、西兰花、卷心菜、辣椒、胡萝卜、花椰菜、黄瓜、木瓜、土豆、南瓜、萝卜和西红柿

蔬菜分类图像数据集,该数据集包含三个文件夹train(15000张图片)test(3000张图片)validation(3000张图片)以上每个文件夹都包含不同蔬菜的子文件夹,其中分别显示了不同蔬菜的图片,常见的15种蔬菜。有豆子、苦瓜、冬瓜、茄子、西兰花、卷心菜、辣椒、胡萝卜、花椰菜、黄瓜、木瓜、土豆、南瓜、萝卜和西红柿。15个类的21000张图片,其中每个类包含1400张图片,大小为224×224

YOLOv8超详细环境搭建以及模型训练(GPU版本)

YOLOv8超详细环境搭建,以及以NEU-DET数据集为为例进行模型的训练

2401_85556416的博客 3万+

常见水果蔬菜数据集36类果蔬识别分类数据集3600张.zip

常见水果蔬菜数据集36类果蔬识别分类数据集3600张.zip 该数据集包含以下食品的图像: 水果 - 香蕉、苹果、梨、葡萄、橙子、猕猴桃、西瓜、石榴、菠萝、芒果。 蔬菜 - 黄瓜、胡萝卜、辣椒、洋葱、马铃薯、柠檬、番茄、萝卜、甜菜根、卷心菜、生菜、菠菜、大豆、花椰菜、甜椒、辣椒、萝卜、玉米、甜玉米、红薯、辣椒粉、生姜、大蒜、豌豆、茄子。 该数据集包含三个文件夹: 训练(每个 100 张图像) 测试(每个 10 张图像) 验证(每张 10 张图片) 上述每个文件夹都包含不同水果和蔬菜的子文件夹,其中存在相应食品的图像

9万张水果蔬菜分类图片数据集(100多类别).rar

1、9万张水果蔬菜分类图片数据集(100多类别).rar 2、数据集详情展示和更多数据集下载:https://blog.youkuaiyun.com/m0_64879847/article/details/132301975

使用Yolov8训练使用蔬菜检测数据集 蔬菜12类检测 voc yolo 并实现可视化及评估 土豆鸡蛋辣椒胡萝卜黄瓜数据集进行检测

使用Yolov8训练使用蔬菜检测数据集 蔬菜12类检测 voc yolo 并实现可视化及评估 土豆鸡蛋辣椒胡萝卜黄瓜数据集进行检测

QQ_1309399183的博客 1268

交叉编译Qt6.5.3(RK3568开发板)

注意,如果使用其它版本的交叉编译器的话,请确保你的交叉编译器能够支持 C++17标准。为确保后续交叉编译没问题,需要确保开发板使用的GLIBC版本不小于2.34版本。到 linaro 网站上下载交叉编译工具,我下载的是 gcc-linaro-11.3.1-2022.06-x86_64_aarch64-linux-gnu.tar.xz。安装 CMake ,最低要求3.16版本,如果要静态编译,需要3.21及以上版本。我使用的3.27版本。:指定为最后交叉编译后的Qt6.5.3库的安装目录。

m0_46309425的博客 5106

OLOv11蔬菜分类与识别系统设计与实现

yOLOv11蔬菜分类与识别系统设计与实现y

qq1309399183的博客 977

电信光猫隐藏的VOIP功能揭秘:不用座机也能打电话(EasySip实战)

本文揭秘了电信光猫隐藏的VOIP功能,通过EasySip实战演示如何无需座机实现高清通话。详细解析了光猫的SIP协议支持、语音VLAN配置及网络架构优化,帮助用户利用现有设备提升通话质量并扩展设备兼容性,特别适合智能家居和企业级应用场景。

weixin_29268385的博客 769

基于车辆运动学的规划算法 - Hybrid A*/ State Lattice Planning (前置知识:自行车模型、Dubins、Reeds Shepp、多项式曲线、螺旋曲线)

本文将按顺序讲解基于车辆运动学的规划算法,以及需要的前置知识:自行车模型、Dubins和Reeds Shepp曲线、多项式曲线和螺旋曲线

BigDavid123的博客 4864

毕设课设:基于YOLOv8、YOLO11、YOLO12、YOLOv13的水果蔬菜识别检测系统

在现代农业产销链路中,水果蔬菜的高效识别与精准检测是打通自动化分拣、动态品质监控、智能库存管理的核心技术枢纽。本系统创新性融合YOLOv8、YOLO11、YOLO12与YOLOv13四款业界主流目标检测模型,打造出一套兼具宽类别覆盖、高识别精度与快响应速度的水果蔬菜识别检测解决方案。本文将从跨品类数据集构建(涵盖常见果蔬品种及复杂形态样本)、技术栈深度适配、多模型协同训练与性能评测、PyQt5可视化操作界面开发四个核心维度,系统拆解整体开发流程。

GD10099的博客 939

西门子博图TIA Portal V18实战:用LAD梯形图快速上手一个电机启停控制程序

本文详细介绍了如何在西门子博图TIA Portal V18中使用LAD梯形图快速实现电机启停控制程序。从项目创建、硬件组态到LAD编程和仿真调试,逐步引导读者掌握PLC编程的核心逻辑,特别适合工业自动化领域的初学者快速上手。

weixin_30617737的博客 691

YOLO + PyQt5 实现蔬菜识别系统

本研究设计并实现了一种基于YOLOv5模型和PyQt5框架的蔬菜识别系统。该系统通过YOLOv5进行蔬菜图像的检测与分类,并结合PyQt5开发了图形用户界面(GUI),为用户提供了直观的交互方式。用户可以通过界面上传蔬菜图像,系统自动识别图像中的蔬菜种类并返回识别结果。实验表明,YOLOv5模型在蔬菜识别任务中表现优异,能够准确地识别出不同种类的蔬菜,并实时展示结果。该系统不仅在农业智能化、食品安全等领域具有潜在应用价值,也为物体检测技术的实际应用提供了有益的探索。

m0_62944093的博客 1239

Java后端开发实战:手把手教你用e签宝API搞定电子合同签署(附完整代码)

本文详细解析了Java后端开发中如何通过e签宝API实现电子合同签署的全流程,包括环境配置、核心架构设计、Token管理、签署流程实现及回调处理等关键环节。通过完整的代码示例和最佳实践,帮助开发者高效集成电子签名服务,提升企业数字化转型效率。

weixin_42662293的博客 534

第5.1节 构网控制:电压源特性与电压调节

摘要: 构网型变流器的核心物理本质是作为可控交流电压源,通过戴维南等效模型(受控电势源+低输出阻抗)自主建立并调节电压,增强电网电压刚度。其电压调节通过无功-电压闭环控制实现,内环为自动电压调节器(AVR),外环为无功-电压下垂特性,模拟同步发电机功能。关键技术包括自适应增益、虚拟阻抗补偿及动态限流策略,以应对弱电网稳定性、故障过流等问题。该设计满足《规范》对电压调节范围、动态无功支撑的要求,是高比例新能源电力系统电压稳定的关键解决方案。

技术工作者 1110

使用YOLOv8来训练——水果蔬菜检测数据集, 14000张 果蔬 带标注 voc yolo 并使用训练好的模型进行预测

​ 如何使用YOLOv8来训练一个包含14000张图像的水果蔬菜检测数据集,并附上详细的训练代码和步骤。 数据集描述 该数据集包含以下信息: 数据量:14000张图像 类别:19类 Apple(苹果) Onion(洋葱) Banana(香蕉) Garlic(大蒜) Pear(梨) Orange(橙子) Capsicum(甜椒) Beet(甜菜) Tomato(番茄) Cucumber(黄瓜) Carrot(胡萝卜) Eggplant(茄子) Cabbage(卷心菜) Potato(土豆) Zucchin

2401_88440984的博客 1567

西门子交换机环网冗余设置(实战篇2.2)

MRP的重组时间为 200ms 因此 PROFINET 通信必须选择大于 200ms 的看门狗时间,看门狗。ET200SP默认为 2ms*3=6ms) MRP 的重组时间为 200ms 故系统会报出看门狗超时。更新,默认是 3 个周期,超出设置的周期数就会报 IO 设备故障。时间不是直接配置的,而是作为没有 IO 数据可接受的更新周期,也就是允许几个周期没有数据。来达到大于 200ms 的看门狗时间的要求(看门狗时间 可接受更新周期数 更新时间)。是IO 控制器和 IO 设备)

weixin_42580591的博客 370

蔬菜病害检测数据集7958张VOC+YOLO格式

该数据集包含7958张蔬菜病害检测图片,提供VOC和YOLO两种格式。图片涵盖19种病害标签,包括辣椒炭疽病、茄子果实腐烂等,总标注框数达10184个。数据未经增强处理,采用矩形框标注,分辨率清晰。标签分布显示,辣椒炭疽病(1286)和健康马铃薯果实(878)样本最多。数据集包含三个文件夹:JPEGImages(7958张jpg)、Annotations(7958个xml)和labels(7958个txt),适用于目标检测任务开发。特别声明数据集不保证模型训练效果,仅提供准确标注。

lwx666sl的博客 971

46、大数据助力SDN优化流量管理与控制器

本文探讨了大数据在软件定义网络(SDN)中的应用,重点分析了如何利用大数据技术优化SDN控制器的可扩展性和弹性。通过介绍SDN控制器的核心功能及其面临的挑战,提出了集中式、分布式、混合式和分层式控制器放置策略,并结合大数据分析系统架构与技术,详细阐述了在控制器放置优化、流聚合和备份路径识别等场景中的实际应用。文章还给出了大数据分析在SDN控制器优化中的操作流程与优势,展望了未来结合人工智能与物联网的发展方向,强调了数据安全与算法效率的重要性。

xx56789的博客 88

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

基于YOLO11深度学习的蔬菜识别检测系统【Python源码+Pyqt5界面+数据集+安装使用教程+训练代码】【附下载链接】

基于YOLO11深度学习的蔬菜识别检测系统【Python源码+Pyqt5界面+数据集+安装使用教程+训练代码】【附下载链接】

m0_37302966的博客 1412

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

YOLOv11蔬菜分类与识别系统设计与实现

随着计算机视觉技术的快速发展,基于深度学习的目标检测算法在农业领域的应用日益广泛。本文将详细介绍如何使用YOLOv11算法构建一个高效的蔬菜分类与识别系统,该系统能够准确识别并分类多种常见蔬菜,为智慧农业、自动分拣等应用场景提供技术支持。

QQ_1309399183的博客 945

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

毕设课设:基于YOLOv8、YOLO11和YOLO12的蔬菜识别检测系统

在智慧农业、生鲜零售、食品加工等领域,蔬菜的快速识别与检测是实现自动化分拣、品质管控、库存管理的核心技术支撑。本系统包含YOLOv8、YOLO11 和 YOLO12三款主流目标检测模型,构建了一套高精度、高效率的蔬菜识别检测系统。本文将从数据集构建、核心技术栈、多模型训练与对比、PyQt5 可视化界面设计四个维度,详细拆解系统开发流程。用户通过系统界面上传蔬菜图片 / 视频后,可实时获取蔬菜类别、检测置信度、目标位置等信息。

GD10099的博客 890
上一篇: 基于深度学习的石斛缺陷检测数据集构建及模型训练验证
下一篇: 太阳能电池缺陷检测数据集及多版本YOLO模型训练结果分享
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值