使用YOLOv11实现水果类别检测：从数据到模型训练的全过程

项目背景

在日常生活中，水果的类别识别直接影响库存管理和质量控制。传统检测依赖人工，效率低下且主观。通过计算机视觉，我们可以自动化这个过程。YOLO系列模型以其速度和准确性闻名，这次我使用YOLOv11n进行训练，目标是检测31种水果类别，包括苹果、香蕉、橙子等。

数据集来源于公开来源，图像标注为YOLO格式，包含训练、验证和测试集。nc=31，names包括’fresh_apple’到’rotten_tomato’等。

方法步骤

1. 数据准备：数据集已准备好，包含标注图像。

2. 模型训练：使用训练脚本，配置YOLO数据。训练参数：epochs=50, batch=16, imgsz=640。

   以下是训练脚本的主要代码：

   from ultralytics import YOLO
   import os
   import glob
   import torchdef main():model = YOLO('models/yolo11n.pt')yaml_path = 'data/data.yaml'results = model.train(data=yaml_path, epochs=50, batch=16, imgsz=640, name='yolo11n_fruit', project='fruit_results')print("Training completed. Results saved in:", results.save_dir)if __name__ == '__main__':main()
   

   训练命令：python train_fire_smoke_tassel.py

   结果保存在fruit_results/yolo11n_fruit_20250716_210401。

3. 模型验证：使用test_saved_model.py验证，加载best.pt模型。

   以下是验证脚本的主要代码：

   from ultralytics import YOLO
   import os
   import globdef main():yaml_path = 'data/data.yaml'results_dir = 'fruit_results'latest_run = max(glob.glob(os.path.join(results_dir, 'yolo11n_fruit_*')), key=os.path.getmtime)model_path = os.path.join(latest_run, 'weights', 'best.pt')model = YOLO(model_path)metrics = model.val(data=yaml_path)print(f"Validation metrics: {metrics}")if __name__ == '__main__':main()
   

   关键指标：

   • mAP50: 0.709
   • mAP50-95: 0.421
   • Precision: 0.675
   • Recall: 0.715

结果分析

模型在验证集上表现不错，mAP50达0.709，表示中等难度下的检测准确。Recall较高，意味着漏检少，适合实际应用。但mAP50-95较低，说明小目标或复杂背景需优化。

预测示例：

未来改进

• 增加数据增强，提升鲁棒性。
• 尝试更大模型如YOLOv11m。
• 部署到移动端，实现实时检测。