簡介本資源是一套面向計算機視覺初學者與YOLO目標檢測實踐者的水果識別專項數(shù)據(jù)集及配套開發(fā)工具包解決真實場景下小目標、多類別水果檢測的數(shù)據(jù)匱乏與格式適配難題。壓縮包共2000個文件含1000張高質量實景水果圖片、1000個VOC格式XML標注文件、990個YOLO格式TXT標簽對應不同劃分、3個Python數(shù)據(jù)集劃分腳本支持自動創(chuàng)建ImageSets及按比例拆分訓練/驗證/測試集以及6個HTML教程文檔涵蓋Windows/Linux雙平臺YOLO環(huán)境搭建、訓練全流程實操指南與案例遷移方法。資源大小為107.13MB結構清晰、開箱即用所有標簽均經(jīng)LabelImg人工精標覆蓋常見水果類別可直接用于YOLOv5/v8等主流模型訓練。目前已有1523人學習下載配套腳本與教程顯著降低入門門檻特別適合課程實驗、課程設計及畢業(yè)項目快速落地。1. 為什么水果檢測項目總卡在“數(shù)據(jù)集”這一步——一個含1000張圖、三格式標簽、劃分腳本和訓練教程的完整閉環(huán)真能省下你兩天調試時間你是不是也經(jīng)歷過花3小時配好YOLOv8環(huán)境寫完訓練腳本一跑就報錯IndexError: list index out of range打開label文件夾發(fā)現(xiàn)全是空txt或者VOC的XML里object嵌套錯層用網(wǎng)上下載的“水果數(shù)據(jù)集”訓練后模型在蘋果上準在橙子上飄在香蕉上直接消失甚至手動把1000張圖一張張標完結果發(fā)現(xiàn)YOLO要求的歸一化坐標和COCO的segmentation字段根本對不上……這不是玄學是數(shù)據(jù)格式鏈路斷裂。這個標題里的.rar包本質不是“又一個數(shù)據(jù)集”而是一條已驗證通路從原始圖像 → 標注生成 → 多格式轉換 → train/val/test自動劃分 → YOLOv8訓練命令可直跑。它解決的不是“有沒有數(shù)據(jù)”而是“數(shù)據(jù)能不能立刻喂進模型不吐核”。適合剛跑通YOLO官方demo、正準備訓自己第一個實物檢測任務的工程師也適合帶學生做課程設計的講師——不用再花半天解釋“為什么VOC的xmin要除以圖片寬”因為腳本已封裝好所有邊界處理。核心價值不在1000張圖而在那4個關鍵交付物結構清晰的原始圖、無歧義的三格式標簽、可復用的劃分邏輯、帶參數(shù)注釋的訓練命令。接下來我們就按真實落地順序一層層拆開這個包里每個文件為什么這么放、怎么改、哪里會翻車。2. 從1000張水果圖到YOLO可讀標簽三格式轉換不是復制粘貼而是坐標系統(tǒng)的精密映射2.1 為什么必須同時提供VOC、COCO、YOLO三種格式——選型依據(jù)與場景適配邏輯很多人以為“YOLO格式最簡單只用它就行”但實際工程中格式選擇取決于下游動作若你要用LabelImg二次標注或人工校驗VOCXML是唯一可讀性強、支持多邊形、帶中文類別名的格式若你要接入MMDetection或Detectron2等通用框架COCOJSON是事實標準其categories字段明確定義id→name映射避免YOLO格式中“txt文件名即類別”的隱式耦合若你直接跑Ultralytics官方train.pyYOLO格式txt歸一化坐標是唯一被原生支持的輸入且加載速度最快。這個數(shù)據(jù)集的三格式并非簡單轉換而是保持語義一致性所有格式中apple、banana、orange三個類別的ID嚴格對齊VOC中nameapple/name對應COCO中id: 0, name: apple對應YOLO中0開頭的txt行。這種對齊不是靠運氣而是靠轉換腳本中統(tǒng)一的CLASS_NAMES [apple, banana, orange]常量驅動。我一般會在項目根目錄建一個classes.txt內容就是這三行所有格式生成腳本都讀它——這樣改一個地方三處同步更新避免后期debug時發(fā)現(xiàn)YOLO里0是appleCOCO里0卻是banana這種血淚事故。2.2 VOC格式解析XML結構里的隱藏陷阱與校驗方法VOC格式看似簡單但實操中90%的報錯源于XML結構不合法。該數(shù)據(jù)集的VOC文件夾結構為VOCdevkit/ └── VOC2007/ ├── Annotations/ # XML文件如 000001.xml ├── ImageSets/ │ └── Main/ # train.txt, val.txt, trainval.txt純文件名列表無路徑 └── JPEGImages/ # 原圖與XML同名關鍵校驗點有三個size必須存在且單位正確width和height值必須等于對應JPEG圖片的實際像素寬高用PIL讀取驗證不能信文件名object內bndbox坐標必須為整數(shù)且不越界xmin xmax且xmax widthymin ymax且ymax heightname必須全小寫且與classes.txt完全一致Apple和apple在YOLO轉換時會被視為不同類別。校驗腳本Pythonimport xml.etree.ElementTree as ET from PIL import Image import os def validate_voc_xml(xml_path, img_dir): tree ET.parse(xml_path) root tree.getroot() # 1. 獲取圖片尺寸 size root.find(size) width int(size.find(width).text) height int(size.find(height).text) # 2. 讀取對應圖片驗證尺寸 img_name root.find(filename).text img_path os.path.join(img_dir, img_name) if not os.path.exists(img_path): print(fMissing image: {img_path}) return False with Image.open(img_path) as img: if img.width ! width or img.height ! height: print(fSize mismatch in {xml_path}: XML says {width}x{height}, image is {img.width}x{img.height}) return False # 3. 檢查bndbox for obj in root.findall(object): bndbox obj.find(bndbox) xmin int(bndbox.find(xmin).text) ymin int(bndbox.find(ymin).text) xmax int(bndbox.find(xmax).text) ymax int(bndbox.find(ymax).text) if not (0 xmin xmax width and 0 ymin ymax height): print(fInvalid bbox in {xml_path}: ({xmin},{ymin},{xmax},{ymax}) vs {width}x{height}) return False return True # 批量校驗 voc_ann_dir VOCdevkit/VOC2007/Annotations voc_img_dir VOCdevkit/VOC2007/JPEGImages for xml_file in os.listdir(voc_ann_dir): if xml_file.endswith(.xml): validate_voc_xml(os.path.join(voc_ann_dir, xml_file), voc_img_dir)提示運行此腳本前務必確認JPEGImages中圖片名與XML中filename字段完全一致包括大小寫和擴展名這是VOC規(guī)范強制要求也是后續(xù)YOLO轉換失敗的高頻原因。2.3 COCO格式構建JSON中的層級邏輯與id映射安全機制COCO格式的核心是annotations和categories兩個數(shù)組的關聯(lián)。該數(shù)據(jù)集的coco_annotations.json結構精簡如下{ images: [ {id: 1, file_name: 000001.jpg, width: 640, height: 480}, ... ], annotations: [ {id: 1, image_id: 1, category_id: 0, bbox: [120.5, 80.2, 150.3, 120.1]}, ... ], categories: [ {id: 0, name: apple}, {id: 1, name: banana}, {id: 2, name: orange} ] }注意三個易錯點images.id和annotations.image_id必須數(shù)值相等不是字符串且annotations.image_id必須存在于images數(shù)組中annotations.bbox是[x,y,width,height]格式非VOC的[xmin,ymin,xmax,ymax]需轉換categories.id必須從0開始連續(xù)且與YOLO格式中類別索引嚴格對齊。轉換腳本關鍵邏輯Pythonimport json import os from pathlib import Path def voc_to_coco(voc_ann_dir, voc_img_dir, classes): images [] annotations [] categories [{id: i, name: name} for i, name in enumerate(classes)] ann_id 1 for idx, xml_file in enumerate(sorted(os.listdir(voc_ann_dir))): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(voc_ann_dir, xml_file)) root tree.getroot() # 構建image項 filename root.find(filename).text img_path os.path.join(voc_img_dir, filename) with Image.open(img_path) as img: images.append({ id: idx 1, file_name: filename, width: img.width, height: img.height }) # 構建annotation項 for obj in root.findall(object): bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) # VOC轉COCO bbox: [x,y,w,h] x xmin y ymin w xmax - xmin h ymax - ymin # 類別映射 class_name obj.find(name).text.lower().strip() category_id classes.index(class_name) # 安全若不存在會拋異常及時暴露問題 annotations.append({ id: ann_id, image_id: idx 1, category_id: category_id, bbox: [x, y, w, h], area: w * h, iscrowd: 0 }) ann_id 1 coco_dict { images: images, annotations: annotations, categories: categories } return coco_dict # 使用 classes [apple, banana, orange] coco_data voc_to_coco(VOCdevkit/VOC2007/Annotations, VOCdevkit/VOC2007/JPEGImages, classes) with open(coco_annotations.json, w) as f: json.dump(coco_data, f)注意category_id classes.index(class_name)這行是安全閥——如果XML里出現(xiàn)grape而classes里沒有腳本立即報錯而不是靜默跳過導致漏標。這是比“容錯處理”更工程的做法。2.4 YOLO格式生成歸一化坐標的魔鬼細節(jié)與txt文件命名鐵律YOLO格式要求每個圖片對應一個同名.txt文件內容為class_id x_center y_center width height其中坐標全部歸一化到[0,1]區(qū)間。這不是簡單的除法而是四舍五入精度控制。該數(shù)據(jù)集采用round(x, 6)保留6位小數(shù)原因Ultralytics庫內部解析txt時若小數(shù)位數(shù)過多如15位浮點誤差會導致x_center 1.0訓練時報AssertionError: all boxes should be in [0,1]。生成腳本核心Pythondef voc_to_yolo(voc_ann_dir, voc_img_dir, yolo_label_dir, classes): os.makedirs(yolo_label_dir, exist_okTrue) for xml_file in os.listdir(voc_ann_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(voc_ann_dir, xml_file)) root tree.getroot() # 獲取圖片尺寸 size root.find(size) img_width int(size.find(width).text) img_height int(size.find(height).text) # 輸出txt文件名與xml同名但擴展名改為.txt txt_filename os.path.splitext(xml_file)[0] .txt txt_path os.path.join(yolo_label_dir, txt_filename) with open(txt_path, w) as f: for obj in root.findall(object): class_name obj.find(name).text.lower().strip() if class_name not in classes: continue # 跳過未知類別不報錯兼容未來擴展 class_id classes.index(class_name) bndbox obj.find(bndbox) xmin float(bndbox.find(xmin).text) ymin float(bndbox.find(ymin).text) xmax float(bndbox.find(xmax).text) ymax float(bndbox.find(ymax).text) # 歸一化計算關鍵先算中心點和寬高再round x_center round((xmin xmax) / 2.0 / img_width, 6) y_center round((ymin ymax) / 2.0 / img_height, 6) width round((xmax - xmin) / img_width, 6) height round((ymax - ymin) / img_height, 6) # 再次鉗制到[0,1]防御性編程 x_center max(0.0, min(1.0, x_center)) y_center max(0.0, min(1.0, y_center)) width max(0.0, min(1.0, width)) height max(0.0, min(1.0, height)) f.write(f{class_id} {x_center} {y_center} {width} {height}\n) # 使用 voc_to_yolo(VOCdevkit/VOC2007/Annotations, VOCdevkit/VOC2007/JPEGImages, labels/, [apple,banana,orange])提示os.path.splitext(xml_file)[0] .txt這行確保txt文件名與xml完全一致如000001.xml→000001.txt這是YOLO訓練器查找標簽的硬性約定。若你手動生成時用了000001_jpg.txt訓練必報FileNotFoundError。3. 劃分腳本不是隨機切分train/val/test比例、文件名一致性與跨格式同步策略3.1 為什么劃分必須在VOC格式上進行——源頭控制的不可替代性很多新手直接對YOLO的txt文件夾做train_test_split這是危險操作。原因YOLO格式無圖片尺寸信息無法校驗bbox是否越界若某張圖在VOC中被標了2個apple但在YOLO轉換時因歸一化誤差丟失了一個此時按YOLO劃分會把“殘缺標注圖”分進train模型學到錯誤模式VOC的ImageSets/Main/目錄是工業(yè)級標準MMDetection等框架默認讀取此處的train.txt獲取訓練集文件名列表。因此劃分腳本必須以VOC的Annotations/和JPEGImages/為輸入源生成ImageSets/Main/下的train.txt、val.txt、trainval.txt再基于這些文件名列表同步生成YOLO和COCO的劃分。該數(shù)據(jù)集的split_dataset.py正是如此設計。3.2 劃分腳本詳解保證三格式數(shù)據(jù)集嚴格對齊的4步原子操作腳本執(zhí)行流程Pythonimport os import random from pathlib import Path def split_voc_dataset(voc_root, train_ratio0.7, val_ratio0.2, test_ratio0.1, seed42): # 步驟1獲取所有xml文件名不含擴展名 ann_dir Path(voc_root) / VOC2007 / Annotations xml_files [f.stem for f in ann_dir.glob(*.xml)] random.seed(seed) random.shuffle(xml_files) # 固定seed保證可復現(xiàn) # 步驟2按比例切分 total len(xml_files) train_end int(total * train_ratio) val_end train_end int(total * val_ratio) train_list xml_files[:train_end] val_list xml_files[train_end:val_end] test_list xml_files[val_end:] # 步驟3寫入VOC ImageSets sets_dir Path(voc_root) / VOC2007 / ImageSets / Main sets_dir.mkdir(parentsTrue, exist_okTrue) for name, lst in [(train, train_list), (val, val_list), (test, test_list)]: with open(sets_dir / f{name}.txt, w) as f: for item in lst: f.write(f{item}\n) # 步驟4同步生成YOLO和COCO的劃分文件僅文件名列表不復制文件 # YOLO創(chuàng)建train/val/test文件夾軟鏈接或復制對應圖片和txt yolo_img_dir Path(images) yolo_label_dir Path(labels) for name, lst in [(train, train_list), (val, val_list), (test, test_list)]: (yolo_img_dir / name).mkdir(exist_okTrue) (yolo_label_dir / name).mkdir(exist_okTrue) for img_name in lst: # 復制圖片 src_img Path(voc_root) / VOC2007 / JPEGImages / f{img_name}.jpg dst_img yolo_img_dir / name / f{img_name}.jpg if src_img.exists(): # 使用shutil.copy2保留元數(shù)據(jù) import shutil shutil.copy2(src_img, dst_img) # 復制標簽 src_txt yolo_label_dir.parent / labels / f{img_name}.txt dst_txt yolo_label_dir / name / f{img_name}.txt if src_txt.exists(): shutil.copy2(src_txt, dst_txt) print(fSplit done: train{len(train_list)}, val{len(val_list)}, test{len(test_list)}) # 使用 split_voc_dataset(VOCdevkit, train_ratio0.7, val_ratio0.2, test_ratio0.1)邏輯說明xml_files[:train_end]等切片操作保證文件名列表嚴格一致shutil.copy2而非copy保留圖片修改時間戳便于后續(xù)增量訓練識別新文件YOLO劃分時只復制圖片和txt不重新生成避免因腳本版本差異導致坐標微變。3.3 劃分后的目錄結構驗證三格式如何證明“它們真的是一套數(shù)據(jù)”劃分完成后必須驗證三格式指向同一組圖片。驗證方法文件名交集檢查# 獲取VOC ImageSets中的train文件名無擴展名 cat VOCdevkit/VOC2007/ImageSets/Main/train.txt | sed s/.jpg$// voc_train_names.txt # 獲取YOLO train/目錄下圖片名無擴展名 ls images/train/*.jpg | xargs -n1 basename | sed s/.jpg$// yolo_train_names.txt # 比較是否完全一致 diff voc_train_names.txt yolo_train_names.txt若輸出為空則完全一致。樣本級抽查隨機選一個文件名如000045檢查VOCdevkit/VOC2007/Annotations/000045.xml中object數(shù)量labels/train/000045.txt中行數(shù)coco_annotations.json中annotations數(shù)組里image_id為該圖id的項數(shù)。三者必須相等。提示我習慣在劃分腳本末尾加一行print(? All formats synchronized)但這只是心理安慰。真正可靠的是上述自動化校驗。4. 訓練教程不是照抄命令從配置文件定制到loss曲線診斷的端到端實戰(zhàn)4.1 YOLOv8訓練命令的每一參數(shù)含義為什么--batch 16比--batch 32更適合水果小目標該數(shù)據(jù)集配套的train.sh內容為yolo detect train \ datafruits.yaml \ modelyolov8n.pt \ epochs100 \ batch16 \ imgsz640 \ namefruits_yolov8n \ projectruns/detect \ device0 \ workers4 \ patience10參數(shù)深度解析datafruits.yaml最關鍵。此文件定義了train、val路徑及names列表必須與你的YOLO劃分目錄嚴格匹配modelyolov8n.ptnano版參數(shù)量最小3.2M適合水果這類簡單場景收斂快且不易過擬合batch16不是越大越好。水果目標在640x640圖中平均尺寸約80x80像素屬小目標。大batch會稀釋梯度更新信號小batch16配合imgsz640能更好捕捉紋理細節(jié)imgsz640必須是32的倍數(shù)YOLO主干網(wǎng)絡下采樣步長為32且要大于水果最小外接矩形的2倍否則resize后目標丟失patience10早停輪數(shù)。當val/mAP50連續(xù)10 epoch不提升時自動停止防過擬合——水果數(shù)據(jù)集僅1000張極易過擬合。4.2fruits.yaml配置文件編寫路徑、類別、顏色的三位一體綁定fruits.yaml內容必須與你的目錄結構完全吻合train: ../images/train # 注意這里是相對路徑相對于yaml文件所在位置 val: ../images/val test: ../images/test nc: 3 # number of classes names: [apple, banana, orange] # 必須與classes.txt順序一致 # 可選為可視化指定顏色不影響訓練只影響predict時的框色 colors: apple: [255, 0, 0] # red banana: [255, 255, 0] # yellow orange: [255, 165, 0] # orange注意train: ../images/train中的..是因為fruits.yaml通常放在runs/detect/fruits_yolov8n/下而images/在項目根目錄。若你把yaml放在根目錄則應寫train: images/train。路徑錯誤是No images found報錯的首要原因。4.3 訓練過程監(jiān)控如何從loss曲線判斷模型是否“學歪了”訓練啟動后Ultralytics自動生成runs/detect/fruits_yolov8n/results.csv可用pandas繪圖import pandas as pd import matplotlib.pyplot as plt results pd.read_csv(runs/detect/fruits_yolov8n/results.csv) plt.figure(figsize(12, 8)) # 繪制關鍵指標 plt.subplot(2, 2, 1) plt.plot(results[epoch], results[train/box_loss], labelTrain Box Loss) plt.plot(results[epoch], results[val/box_loss], labelVal Box Loss) plt.title(Box Loss) plt.legend() plt.subplot(2, 2, 2) plt.plot(results[epoch], results[metrics/mAP50-95(B)], labelmAP50-95) plt.title(mAP50-95) plt.subplot(2, 2, 3) plt.plot(results[epoch], results[train/cls_loss], labelTrain Cls Loss) plt.plot(results[epoch], results[val/cls_loss], labelVal Cls Loss) plt.title(Class Loss) plt.subplot(2, 2, 4) plt.plot(results[epoch], results[lr/pg0], labelLearning Rate) plt.title(Learning Rate) plt.tight_layout() plt.savefig(training_curves.png) plt.show()健康曲線特征Box Losstrain和val曲線接近且val loss在后期穩(wěn)定下降非震蕩mAP50-95持續(xù)上升最后10 epoch增幅0.5%可認為收斂Cls Loss若val cls loss遠高于train如差2倍說明類別不平衡如apple樣本占80%需在fruits.yaml中加class_weightsLearning Rate按默認cosine衰減末期接近0。血淚經(jīng)驗若val box loss在50 epoch后突然飆升大概率是val集中混入了未標注圖即images/val/下有圖但labels/val/下無對應txt。此時需運行check_missing_labels.py腳本掃描。4.4 推理與評估用val集做定量分析而非僅看predict截圖訓練完成后必須用val集做正式評估而非只跑yolo predict看圖# 1. 在val集上運行評估生成PR曲線、混淆矩陣等 yolo detect val \ datafruits.yaml \ modelruns/detect/fruits_yolov8n/weights/best.pt \ splitval \ save_jsonTrue # 生成COCO格式的預測json用于mAP計算 # 2. 查看詳細指標終端輸出 # 結果包含Precision, Recall, mAP50, mAP50-95, F1-score per class關鍵指標解讀mAP50IoU閾值0.5時的平均精度0.85為優(yōu)秀Recall檢出率若0.7說明漏檢嚴重需檢查小目標增強如mosaic0.5F1-scoreP和R的調和平均綜合指標0.8為佳。若banana的Recall僅0.4而apple達0.9說明數(shù)據(jù)集香蕉樣本少或標注質量差應檢查labels/val/中香蕉相關txt文件是否為空。5. 避坑指南那些讓水果檢測項目停滯3天的5個具體問題與解決方案5.1 現(xiàn)象訓練時AssertionError: image file not found原因fruits.yaml中train路徑寫錯或YOLO劃分時圖片未復制到images/train/只復制了txt。Ultralytics在dataset.py中會拼接train_path / image_name若路徑不存在則報此錯。解決運行l(wèi)s -l images/train/ | head -5確認圖片存在在Python中打印絕對路徑驗證from ultralytics.utils import yaml_load data yaml_load(fruits.yaml) print(Train path:, os.path.abspath(data[train]))5.2 現(xiàn)象訓練loss為nan或val/box_loss為inf原因某張圖的bbox坐標在歸一化后超出[0,1]范圍如x_center1.000001YOLO損失函數(shù)計算時產生無窮大。解決用2.4節(jié)的YOLO生成腳本加入max(0.0, min(1.0, x_center))鉗制運行grep -r nan\|inf runs/detect/fruits_yolov8n/定位日志用validate_yolo_labels.py掃描所有txtfor txt in Path(labels/train).glob(*.txt): with open(txt) as f: for i, line in enumerate(f): parts line.strip().split() if len(parts) 5: continue x, y, w, h map(float, parts[1:5]) if not (0x1 and 0y1 and 0w1 and 0h1): print(fInvalid line {i} in {txt}: {line.strip()})5.3 現(xiàn)象predict結果框全是紅色apple色香蕉和橙子不顯示原因fruits.yaml中names順序與YOLO標簽中class_id不一致。例如yaml寫[banana,apple,orange]但標簽txt第一列是0對應apple導致模型把apple預測為banana顏色映射錯亂。解決檢查labels/train/000001.txt首行0 0.5 0.5 0.2 0.3→0是apple確認fruits.yaml中names[0] apple重命名fruits.yaml并重新訓練權重不兼容必須重訓。5.4 現(xiàn)象val集評估m(xù)AP500.0但predict看圖似乎有框原因val集圖片在images/val/中但labels/val/中無對應txt或txt為空。Ultralytics評估時若無真實標簽則無法計算IoUmAP恒為0。解決運行diff (ls images/val/*.jpg | xargs -n1 basename | sort) (ls labels/val/*.txt | xargs -n1 basename | sed s/.txt$// | sort)對缺失txt的圖片用labelImg補標或從VOC中重新生成python voc_to_yolo.py --voc-dir VOCdevkit/VOC2007 --output-dir labels/val --split val5.5 現(xiàn)象訓練速度極慢1 iter/secGPU顯存占用低原因workers參數(shù)設置不當。workers4表示4個子進程預加載數(shù)據(jù)若系統(tǒng)CPU核心少于8核或內存不足子進程會阻塞反拖慢訓練。解決監(jiān)控CPU使用率htop若worker進程CPU%為0說明I/O瓶頸降低workersworkers2或workers0主進程加載適合調試確保圖片格式為JPEG非PNGPNG解碼更耗CPU。6. 進階技巧如何用這個水果數(shù)據(jù)集快速驗證新想法——從數(shù)據(jù)增強到輕量化部署的閉環(huán)驗證6.1 數(shù)據(jù)增強策略定制針對水果反光、遮擋、小目標的3個有效增強水果圖像常見問題表皮反光導致局部過曝、堆疊造成嚴重遮擋、單圖中香蕉尺寸僅為30x30像素。默認的augmentTrue不夠需在fruits.yaml中顯式配置# fruits.yaml 新增 augment: hsv_h: 0.015 # 圖像色調擾動抑制反光色偏 hsv_s: 0.7 # 飽和度增強水果色澤對比 hsv_v: 0.4 # 明度提亮暗部細節(jié) degrees: 0.0 # 不旋轉水果無方向性旋轉會引入無效背景 translate: 0.1 # 平移10%模擬拍攝角度變化 scale: 0.5 # 縮放0.5-1.5倍強制模型學習多尺度 shear: 0.0 # 不剪切破壞水果橢圓輪廓 perspective: 0.0 # 不透視水果在平面無需3D變形 flipud: 0.0 # 不上下翻轉水果無上下之分 fliplr: 0.5 # 左右翻轉50%增加樣本多樣性 mosaic: 1.0 # Mosaic增強100%強制學習小目標關鍵 mixup: 0.1 # Mixup 10%緩解遮擋過擬合驗證方法訓練時加--plots查看train_batch0.jpg中是否出現(xiàn)mosaic拼接圖。若未出現(xiàn)說明mosaic未生效檢查Ultralytics版本v8.0.200才完全支持。6.2 模型輕量化從yolov8n到TensorRT加速的完整鏈路水果檢測部署常需邊緣設備如Jetson Nanoyolov8n的3.2M參數(shù)仍偏大?？蓪С鰹門ensorRT引擎# 1. 導出ONNX固定batch1動態(tài)軸僅H/W yolo export \ modelruns/detect/fruits_yolov8n/weights/best.pt \ formatonnx \ dynamicTrue \ simplifyTrue \ opset12 # 2. 使用trtexec編譯需TensorRT 8.6 trtexec --onnxyolov8n_fruits.onnx \ --saveEngineyolov8n_fruits.engine \ --fp16 \ --workspace2048 \ --minShapesinput:1x3x640x640 \ --optShapesinput:1x3x640 p a hrefhttps://download.csdn.net/download/m0_64879847/88455065 stylecolor:#ec7500;font-size:14px; 本文還有配套的精品資源點擊獲取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p