智慧果园桃子成熟度检测数据集1245张图像覆盖三种关键采摘期精准农业与自动采摘系统的核心在于对农产品成熟度的准确判断。近期公开的一个桃子成熟度检测视觉数据集为相关算法研发提供了标准化素材。数据集核心概览该数据集聚焦智慧果园场景下的桃子成熟度自动检测任务旨在通过图像识别区分桃子所处的生长阶段。它包含1245张高分辨率JPEG图像并同时提供了Pascal VOCXML文件和YOLOTXT文件两种主流标注格式方便兼容不同目标检测框架。关键统计信息一览总图片数1245张标注文件数1245个XML 1245个TXT图片分辨率1024×1365高清竖版标注类别数3类成熟、半熟、未熟总标注框数3493个标注工具LabelImg采用矩形框标注数据集划分未预先划分训练/验证/测试集需用户自行处理来源仓库firc-dataset三类成熟度详解与样本分布数据集将桃子成熟度细分为3个关键阶段这对于确定最佳采摘期至关重要。各类别的样本分布如下类别名称类别含义采摘建议标注框总数包含图片数unripe未熟不宜采摘需继续生长1618522ripe成熟最佳采摘期1168496semi-ripe半熟可采摘但风味未达顶峰707403总计34931245数据特点三个类别的样本数量相对均衡其中“未熟”类数据略多。每张图片可能包含多个不同成熟度的桃子这更贴近真实的果园场景也对模型的细粒度识别能力提出了更高要求。数据集使用与知识扩展1. 成熟度检测的农业意义桃子在成熟过程中其颜色、硬度、糖度等指标会发生显著变化。计算机视觉模型通过学习这些视觉特征如底色由绿转白或黄、着色面积增加等可以实现最佳采摘期预测避免过早采摘导致风味不足或过晚采摘造成储运损耗。自动化分拣在产后处理环节按成熟度自动分级满足不同销售渠道需求如即食与耐储运。产量预估与果园管理统计不同成熟度果实的比例辅助制定采收计划。2. 数据格式与预处理要点高分辨率处理图像尺寸为1024×1365在训练YOLO等模型时可能需要根据设备显存调整输入尺寸如640×640同时注意保持宽高比避免失真。类别顺序确认使用YOLO格式时务必以labels/classes.txt文件中的类别顺序为准确保类别ID与名称对应正确。根据提供的信息YOLO格式中类别顺序可能与列表[“ripe”,“semi-ripe”,“unripe”]不同。3. 代码扩展数据增强与不平衡处理策略虽然本数据集类别分布相对均衡但为提升模型泛化能力可实施以下策略a. 针对性的数据增强对于桃子检测建议采用不改变颜色特征的增强方法以保持成熟度的视觉真实性importalbumentationsasA# 定义适合成熟度检测的增强流水线transformA.Compose([A.RandomRotate90(p0.5),# 旋转A.Flip(p0.5),# 翻转A.RandomBrightnessContrast(brightness_limit0.1,contrast_limit0.1,p0.5),# 微调亮度对比度A.Blur(blur_limit3,p0.2),# 轻微模糊模拟运动A.RandomSizedBBoxSafeCrop(height1024,width1365,erosion_rate0.1,p0.3)# 随机裁剪并保持框安全],bbox_paramsA.BboxParams(formatyolo,label_fields[class_labels]))b. 简单处理类别轻微不均衡若需平衡可使用sklearn.utils.class_weight计算类别权重并在损失函数如CrossEntropyLoss中设置weight参数。c. 数据集划分代码8:1:1importosimportrandomimportshutilfromsklearn.model_selectionimporttrain_test_split# 1. 设置路径请修改image_dir./peach_dataset/images# 存放所有jpglabel_dir./peach_dataset/labels# 存放所有txtoutput_dir./peach_split# 2. 获取所有图片并按8:1:1划分all_images[fforfinos.listdir(image_dir)iff.endswith(.jpg)]train_imgs,temp_imgstrain_test_split(all_images,test_size0.2,random_state42)val_imgs,test_imgstrain_test_split(temp_imgs,test_size0.5,random_state42)# 3. 定义复制函数略可参考前一文章实现# 分别将图像和对应同名txt文件复制到 output_dir/images/{train,val,test} 和 output_dir/labels/{train,val,test}print(f训练集:{len(train_imgs)}, 验证集:{len(val_imgs)}, 测试集:{len(test_imgs)})4. 模型选择建议对于此类目标检测任务可优先考虑YOLOv8/v9/v10系列在检测精度和速度上均衡适合潜在边缘设备部署。RT-DETR百度提出的实时检测Transformer在高分辨率输入下可能有优势。评估指标重点关注mAP0.5和mAP0.5:0.95特别是对不同成熟度类别的AP平均精度分别分析以发现模型在哪个阶段表现欠佳。总结与标签本数据集服务于智慧农业与自动采摘中的关键环节——桃子成熟度检测。它提供了1245张高分辨率图像和均衡的三类别标注格式规范直接可用。此数据集特别适合用于训练和评估目标检测模型在细粒度视觉识别任务上的性能以及在自然果园环境下对不同成熟度目标进行精准定位与分类的能力。文章标签#智慧农业#桃子成熟度检测#目标检测#深度学习#数据集#YOLO#PascalVOC#精细农业#自动采摘#计算机视觉#模型训练
)
