如何使用YOLOv8进行目标检测识别苹果成熟度数据集检测并对苹果腐烂数据集进行检测 4类yolo格式苹果数据集

如何使用YOLOv8训练这套——苹果成熟度好坏腐烂检测数据集 4类 5000张带标注 voc yolo 实现可视化及评估
在这里插入图片描述

label| pic_ num n| box_ num
good apple:(321，695)
soso_ apple:(323，604)
rotten_ apple: (4075， 10834)
disease_ apple: (553， 1247)
total: (5190， 13380)
在这里插入图片描述

如何基于苹果成熟度和腐烂检测数据集构建一个使用YOLOv8进行目标检测的系统。以下是详细的步骤和完整的代码示例。

步骤概述

安装依赖
准备数据集
配置YOLOv8
训练模型
评估模型
构建GUI应用程序
运行应用程序

1. 安装依赖

首先确保你已经安装了必要的库，包括PyTorch、YOLOv8和其他相关库。

pip install torch torchvision opencv-python-headless matplotlib pillow PyQt5 ultralytics

2. 准备数据集

将你的数据集组织成YOLOv8所需的格式。假设你的数据集目录结构如下：

dataset/
├── images/
│   ├── train/
│   │   ├── image1.jpg
│   │   └── ...
│   └── val/
│       ├── image1.jpg
│       └── ...
└── labels/
    ├── train/
    │   ├── image1.txt
    │   └── ...
    └── val/
        ├── image1.txt
        └── ...

每个图像文件对应一个标签文件，标签文件包含对象的类别ID和边界框坐标（x_center, y_center, width, height），归一化到[0, 1]范围。

3. 配置YOLOv8

创建一个data.yaml文件来定义数据集路径和类别信息。

# dataset/data.yaml
train: ./images/train
val: ./images/val

nc: 4
names: ['good_apple', 'soso_apple', 'rotten_apple', 'disease_apple']

4. 训练模型

使用YOLOv8训练模型。假设你已经在项目目录下。

yolo task=detect mode=train model=yolov8n.pt data=../dataset/data.yaml epochs=50 imgsz=640 batch=16 name=apple_detection

5. 评估模型

训练完成后，你可以使用以下命令评估模型性能。

yolo task=detect mode=val model=runs/detect/apple_detection/weights/best.pt data=../dataset/data.yaml

6. 构建GUI应用程序

使用PyQt5构建一个简单的GUI应用程序，允许用户上传图像并查看检测结果。

GUI 应用程序

[<title="Apple Maturity and Rot Detection GUI using YOLOv8">]
import sys
import torch
import numpy as np
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog, QMessageBox
from PyQt5.QtGui import QPixmap, QImage
from PIL import Image
import cv2

class AppleDetectionApp(QMainWindow):
    def __init__(self):
        super().__init__()

        self.setWindowTitle("Apple Maturity and Rot Detection Using YOLOv8")
        self.setGeometry(100, 100, 800, 600)

        self.original_image_label = QLabel(self)
        self.detected_image_label = QLabel(self)
        self.upload_button = QPushButton("Upload Image", self)
        self.upload_button.clicked.connect(self.upload_image)
        self.process_button = QPushButton("Process Image", self)
        self.process_button.clicked.connect(self.process_image)
        self.process_button.setEnabled(False)

        layout = QVBoxLayout()
        layout.addWidget(self.original_image_label)
        layout.addWidget(self.detected_image_label)
        layout.addWidget(self.upload_button)
        layout.addWidget(self.process_button)

        container = QWidget()
        container.setLayout(layout)
        self.setCentralWidget(container)

        # Load pre-trained model
        self.model = torch.hub.load('ultralytics/yolov8', 'custom', path='runs/detect/apple_detection/weights/best.pt')

    def upload_image(self):
        options = QFileDialog.Options()
        file_name, _ = QFileDialog.getOpenFileName(self, "QFileDialog.getOpenFileName()", "", "Images (*.png *.xpm *.jpg);;All Files (*)", options=options)
        if file_name:
            self.image_path = file_name
            pixmap = QPixmap(file_name)
            self.original_image_label.setPixmap(pixmap.scaled(350, 350))
            self.process_button.setEnabled(True)

    def process_image(self):
        if hasattr(self, 'image_path'):
            image = Image.open(self.image_path).convert('RGB')
            results = self.model(image)

            detected_image = results.render()[0]
            detected_pixmap = QPixmap.fromImage(self.convert_to_qimage(detected_image))
            self.detected_image_label.setPixmap(detected_pixmap.scaled(350, 350))
        else:
            QMessageBox.warning(self, "Warning", "Please upload an image first.")

    def convert_to_qimage(self, pil_image):
        if pil_image.mode == "RGB":
            format = QImage.Format_RGB888
        elif pil_image.mode == "RGBA":
            format = QImage.Format_RGBA8888
        else:
            raise ValueError(f"Unsupported image mode: {pil_image.mode}")

        qimage = QImage(pil_image.tobytes(), pil_image.width, pil_image.height, format)
        return qimage

if __name__ == "__main__":
    app = QApplication(sys.argv)
    window = AppleDetectionApp()
    window.show()
    sys.exit(app.exec_())

解释

安装依赖：确保安装了所有必要的库。
准备数据集：按照YOLOv8的要求组织数据集。
配置YOLOv8：创建data.yaml文件定义数据集路径和类别信息。
训练模型：使用YOLOv8训练模型。
评估模型：评估训练好的模型性能。
构建GUI应用程序：
- 创建主窗口和布局。
- 添加按钮用于上传和处理图像。
- 实现图像上传功能。
- 实现图像处理功能，调用模型进行检测并显示结果。
运行应用程序：保存上述脚本到一个Python文件中，例如apple_detection_gui.py，然后运行该脚本：

python apple_detection_gui.py