鸡蛋质量识别数据集，可识别染血的鸡蛋，棕色鸡蛋，钙沉积鸡蛋，污垢染色的鸡蛋，白鸡蛋，平均正确识别率可达89%，支持yolo, json, xml格式的标注 鸡蛋质量识别数据集本数据集可用于识别多种鸡蛋质量类型包括染血鸡蛋、棕色鸡蛋、钙沉积鸡蛋、污垢染色鸡蛋和白鸡蛋。平均正确识别率可达89%支持YOLO、JSON、XML等多种格式的标注文件。关键指标参数一、数据集概况1.1 数据集构成训练集85张图像验证集25张图像测试集12张图像1.2 预处理流程自动定位已应用目标自动定位技术图像调整统一拉伸至640×640像素分辨率1.3 数据增强本数据集未应用数据增强技术保持原始图像特征。1.4 识别标签类别Blood Stained Egg染血鸡蛋Brown Egg棕色鸡蛋Calcium Deposited Egg钙沉积鸡蛋Dirt Stained Egg污垢染色鸡蛋White Egg白鸡蛋二、训练过程可视化三、数据集下载本数据集提供多种标注格式下载COCO JSON格式标注https://download.csdn.net/download/pbymw8iwm/92178553YOLO Darknet格式标注https://download.csdn.net/download/pbymw8iwm/92178552YOLO v9格式标注https://download.csdn.net/download/pbymw8iwm/92178551YOLO v5格式标注https://download.csdn.net/download/pbymw8iwm/92178550YOLO v12格式标注https://download.csdn.net/download/pbymw8iwm/92178549YOLO v11格式标注https://download.csdn.net/download/pbymw8iwm/92178548YOLO v8格式标注https://download.csdn.net/download/pbymw8iwm/92178547XML格式标注https://download.csdn.net/download/pbymw8iwm/92178546YOLO v7格式标注https://download.csdn.net/download/pbymw8iwm/92178545四、YOLO模型训练指南数据准备下载数据集后解压到当前工作文件夹。获取训练脚本从我的仓库 YOLOProject:基于 YOLO 的模型训练项目 - AtomGit 复制训练模型脚本到同一文件夹。执行训练根据使用的YOLO版本运行相应脚本。例如使用YOLOv8时执行python train_yolov8.py五、模型验证与测试5.1 验证测试代码# 需要安装pip install ultralytics from ultralytics import YOLO import cv2 1. 加载YOLO模型 自动下载预训练模型yolov8n最轻量快速也可替换为 yolov8s/m/l/x model YOLO(best.pt) 2. 推理配置 image_path 326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg # 你的图片路径 save_result True # 是否保存标注后的图像 3. 执行推理 results model.predict( sourceimage_path, conf0.01, # 置信度阈值低于该值忽略 saveFalse, # 关闭默认保存自定义保存 verboseFalse # 关闭冗余日志 ) 4. 解析结果目标区域 标注信息 print( * 50) print(YOLO 推理结果目标区域 标注信息) print( * 50) 获取图片用于绘制边界框 img cv2.imread(image_path) 遍历所有检测目标 for idx, result in enumerate(results): boxes result.boxes # 所有检测框 for box in boxes: # 提取目标区域坐标 # xyxy格式左上角x, 左上角y, 右下角x, 右下角y x1, y1, x2, y2 box.xyxy[0].cpu().numpy() # 计算宽度和高度 w x2 - x1 h y2 - y1 # 提取标注信息 cls_id int(box.cls[0]) # 类别ID cls_name model.names[cls_id] # 类别名称 conf float(box.conf[0]) # 置信度 # 打印检测信息 print(f目标 {idx 1}:) print(f 标注类别{cls_name}) print(f 置信度{conf:.2f}) print(f 目标区域坐标) print(f 左上角 ({x1:.1f}, {y1:.1f})) print(f 右下角 ({x2:.1f}, {y2:.1f})) print(f 宽×高{w:.1f} × {h:.1f}) print(- * 30) # 在图片上绘制检测框 cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(img, f{cls_name} {conf:.2f}, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) 5. 保存/显示结果 if save_result: cv2.imwrite(yolo_result.jpg, img) print(✅ 标注图片已保存为yolo_result.jpg) 显示图片可选 cv2.imshow(YOLO Result, img) cv2.waitKey(0) cv2.destroyAllWindows()