簡介這份資源是面向計算機相關(guān)專業(yè)學(xué)生與深度學(xué)習(xí)學(xué)習(xí)者的YOLOv8果蔬識別完整項目包適用于大作業(yè)、畢業(yè)設(shè)計及圖像識別實戰(zhàn)練習(xí)難度適中內(nèi)容經(jīng)助教老師審定并獲導(dǎo)師指導(dǎo)認可、評審98分。壓縮包共120個文件約27.18MB包含12個py源碼、10個yaml配置、3個pt權(quán)重、3個ui界面文件以及47張jpg與33張png訓(xùn)練驗證圖像、4個md文檔、1個csv結(jié)果表和1個mp4演示視頻覆蓋數(shù)據(jù)、代碼、模型與說明文檔。已有61人學(xué)習(xí)下載。讀者可獲得可本地編譯運行的果蔬檢測系統(tǒng)源碼、配套數(shù)據(jù)集與權(quán)重、詳細安裝使用文檔及排錯思路既能掌握YOLOv8目標(biāo)檢測流程也能理解數(shù)據(jù)集處理與模型部署方法適合作為課程設(shè)計參考或自學(xué)起點。1. 果蔬識別大作業(yè)救急這套 YOLOv8 資源到底能不能直接跑如果你正在為圖像識別期末作業(yè)或者畢業(yè)設(shè)計發(fā)愁大概率經(jīng)歷過這種場景選題定了果蔬分類數(shù)據(jù)集找了三四個格式對不上YOLOv8 環(huán)境配了兩天還在報 CUDA 版本不匹配訓(xùn)練腳本跑起來 loss 不降反升最后文檔憋不出來。這套 YOLOv8 果蔬識別數(shù)據(jù)集系統(tǒng)就是沖著這個痛點來的——它把數(shù)據(jù)集、訓(xùn)練代碼、推理腳本和一份能直接抄進論文的文檔說明打包在一起導(dǎo)師評審給了 98 分源碼經(jīng)過本地編譯調(diào)試不是那種跑不通的“半成品”。它適合誰計算機相關(guān)專業(yè)正在做大作業(yè)或畢業(yè)設(shè)計的學(xué)生尤其是選題落在圖像識別、深度學(xué)習(xí)方向、又不想從零標(biāo)注數(shù)據(jù)的那批人。資源難度適中助教老師審過內(nèi)容意味著你不需要先啃完《深度學(xué)習(xí)》花書才能上手。數(shù)據(jù)集覆蓋常見果蔬類別標(biāo)注格式直接適配 YOLOv8 訓(xùn)練管線省掉格式轉(zhuǎn)換那一步。下面我從數(shù)據(jù)集結(jié)構(gòu)、環(huán)境搭建、訓(xùn)練調(diào)參、避坑排查到進階技巧把這份資源拆開講清楚讓你拿到手就知道每一步該干什么、參數(shù)為什么這么設(shè)、哪里容易翻車。2. 數(shù)據(jù)集結(jié)構(gòu)與 YOLOv8 訓(xùn)練管線從 labels.cache 到 results.csv 到底發(fā)生了什么2.1 果蔬數(shù)據(jù)集的目錄布局與標(biāo)注格式拿到這份資源第一件事不是急著跑 train.py而是把數(shù)據(jù)集目錄結(jié)構(gòu)看清楚。YOLOv8 對數(shù)據(jù)集的目錄組織有固定約定常見做法是根目錄下分 images 和 labels 兩個文件夾各自再分 train、val、test 三個子集。圖片和標(biāo)注文件一一對應(yīng)文件名相同、擴展名不同——圖片是 .jpg標(biāo)注是 .txt。標(biāo)注文件的內(nèi)容格式是 YOLO 標(biāo)準(zhǔn)每行一個目標(biāo)五個字段依次是類別索引、歸一化中心點 x 坐標(biāo)、歸一化中心點 y 坐標(biāo)、歸一化寬度、歸一化高度。注意這里的坐標(biāo)是相對于圖片寬高的比例值范圍 0 到 1不是像素值。很多新手第一次自己標(biāo)注時寫成像素坐標(biāo)訓(xùn)練時模型完全不收斂排查半天才發(fā)現(xiàn)是格式問題。資源里出現(xiàn)的 labels.cache 文件是 YOLOv8 在首次掃描數(shù)據(jù)集時自動生成的緩存文件里面記錄了圖片路徑、標(biāo)注解析結(jié)果和類別分布。它的作用是加速后續(xù)訓(xùn)練時的數(shù)據(jù)加載不用每次 epoch 都重新解析所有標(biāo)注文件。如果你修改了標(biāo)注內(nèi)容但沒刪 cache訓(xùn)練時用的還是舊標(biāo)注——這是血淚經(jīng)驗改完標(biāo)注記得手動刪掉 labels.cache 再重新訓(xùn)練。train_batch0.jpg、train_batch1.jpg、train_batch2.jpg 這些是訓(xùn)練過程中自動保存的批次可視化圖每張圖展示一個 batch 內(nèi)若干張圖片以及模型預(yù)測框和真實標(biāo)注框的疊加效果。train_batch8910.jpg、train_batch8911.jpg 是訓(xùn)練后期保存的批次圖用來觀察模型在訓(xùn)練末期的預(yù)測質(zhì)量。val_batch2_pred.jpg 和 val_batch2_labels.jpg 分別是驗證集上的預(yù)測結(jié)果和真實標(biāo)注可視化對比這兩張圖能直觀判斷模型是漏檢多還是誤檢多。results.csv 是訓(xùn)練日志的結(jié)構(gòu)化記錄每一行對應(yīng)一個 epoch字段包括訓(xùn)練損失、驗證損失、precision、recall、mAP0.5、mAP0.5:0.95 以及各損失分項。這個文件是后面畫損失曲線和評估模型性能的數(shù)據(jù)來源不要刪。2.2 環(huán)境搭建CPU 版本也能跑但要知道代價熱詞里有人搜“ubuntu20.04 搭建 yolov8 環(huán)境 cpu 版本”說明不是所有人都有獨立顯卡。這份資源在 CPU 環(huán)境下可以跑通但訓(xùn)練速度會慢到讓你懷疑人生。我一般建議如果只是驗證代碼能不能跑、做一次小規(guī)模訓(xùn)練出個結(jié)果交作業(yè)CPU 版本夠用如果要完整訓(xùn)練到收斂、mAP 達到可寫進論文的水平至少需要一張 6GB 顯存的 NVIDIA 顯卡GTX 1660 Ti 這個級別就能跑起來。環(huán)境搭建步驟不復(fù)雜但版本匹配是玄學(xué)重災(zāi)區(qū)。常見做法是用 conda 創(chuàng)建獨立環(huán)境Python 版本選 3.9 或 3.10然后安裝 PyTorch 和 ultralytics。下面是我驗證過的安裝流程# 創(chuàng)建 conda 環(huán)境Python 3.10 兼容性最好 conda create -n yolov8_fruit python3.10 -y conda activate yolov8_fruit # 安裝 PyTorchCPU 版本用這個命令 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 如果有 NVIDIA 顯卡改用 CUDA 版本以 CUDA 11.8 為例 # pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 安裝 ultralytics 包YOLOv8 的官方實現(xiàn) pip install ultralytics # 驗證安裝是否成功 yolo checksyolo checks會輸出當(dāng)前環(huán)境的基本信息包括 ultralytics 版本、PyTorch 版本、CUDA 是否可用。如果 CUDA 顯示不可用但你有顯卡大概率是 PyTorch 版本和驅(qū)動不匹配卸載重裝對應(yīng) CUDA 版本的 PyTorch 即可。CPU 版本下這行會顯示 CUDA 不可用不影響運行只是訓(xùn)練時 device 參數(shù)要設(shè)成 cpu。2.3 配置文件與訓(xùn)練啟動data.yaml 和 train.py 的關(guān)鍵參數(shù)YOLOv8 訓(xùn)練需要一個 data.yaml 配置文件告訴框架數(shù)據(jù)集在哪、有幾個類別、類別名是什么。這份資源里應(yīng)該已經(jīng)包含了一個配置好的 yaml 文件但你需要檢查路徑是否和你本地的實際路徑一致。常見做法是把 data.yaml 里的 path 改成數(shù)據(jù)集根目錄的絕對路徑train 和 val 寫成相對路徑。# data.yaml 示例結(jié)構(gòu) path: /home/user/fruit_dataset # 數(shù)據(jù)集根目錄改成你自己的路徑 train: images/train # 訓(xùn)練集圖片相對路徑 val: images/val # 驗證集圖片相對路徑 test: images/test # 測試集圖片相對路徑可選 nc: 8 # 類別數(shù)量根據(jù)實際數(shù)據(jù)集修改 names: # 類別名稱列表順序必須和標(biāo)注文件里的類別索引一致 0: apple 1: banana 2: orange 3: grape 4: watermelon 5: strawberry 6: pear 7: mangonc 和 names 必須和標(biāo)注文件里的類別索引嚴格對應(yīng)。如果標(biāo)注時蘋果的索引是 0names 里 0 就必須寫 apple寫錯了模型學(xué)到的類別全是亂的。改完 yaml 之后啟動訓(xùn)練的命令行方式是這樣的# 命令行啟動訓(xùn)練 yolo detect train \ datadata.yaml \ # 指定數(shù)據(jù)配置文件 modelyolov8n.pt \ # 使用 YOLOv8n 預(yù)訓(xùn)練權(quán)重n 是最小模型 epochs100 \ # 訓(xùn)練輪數(shù)作業(yè)場景 100 輪通常夠用 imgsz640 \ # 輸入圖片尺寸640 是標(biāo)準(zhǔn)值 batch16 \ # 批次大小顯存不夠就調(diào)小 device0 \ # 顯卡編號CPU 訓(xùn)練改成 cpu projectruns/train \ # 訓(xùn)練結(jié)果保存目錄 namefruit_exp # 本次實驗名稱如果你更習(xí)慣用 Python 腳本啟動資源里的 train.py 應(yīng)該就是封裝了上述參數(shù)的腳本。用腳本啟動的好處是參數(shù)集中管理改起來方便也方便在代碼里加回調(diào)函數(shù)做自定義邏輯。modelyolov8n.pt這個預(yù)訓(xùn)練權(quán)重文件如果本地沒有ultralytics 會自動從官方源下載。如果網(wǎng)絡(luò)環(huán)境導(dǎo)致下載失敗可以手動下載后放到腳本同級目錄把 model 參數(shù)改成權(quán)重文件的本地路徑。batch 參數(shù)和顯存直接掛鉤。GTX 1660 Ti 6GB 顯存下imgsz640 時 batch 設(shè) 8 或 16 比較穩(wěn)妥。如果訓(xùn)練時出現(xiàn) CUDA out of memory先把 batch 減半試試還不行就降 imgsz 到 416 或 320。epochs 設(shè)多少取決于數(shù)據(jù)集大小和任務(wù)難度果蔬識別這種類別間差異明顯的任務(wù)100 到 200 輪通常能收斂得不錯。訓(xùn)練過程中觀察 results.csv 里的 mAP0.5 曲線如果連續(xù) 20 輪沒有提升基本可以停了。3. 訓(xùn)練過程監(jiān)控與結(jié)果解讀results.csv 里的每個字段意味著什么3.1 損失曲線與 mAP 曲線的正確讀法訓(xùn)練啟動后results.csv 會隨著 epoch 推進不斷寫入新行。很多人跑完訓(xùn)練只看最后一行 mAP 數(shù)值這其實浪費了這份 csv 里最有價值的信息。我一般會把 csv 拖進 Python 里畫三張圖訓(xùn)練損失曲線、驗證損失曲線、mAP 曲線。這三張圖能告訴你模型是欠擬合、過擬合還是訓(xùn)練崩了。import pandas as pd import matplotlib.pyplot as plt # 讀取訓(xùn)練日志 df pd.read_csv(runs/train/fruit_exp/results.csv) # 去除列名首尾空格YOLOv8 輸出的列名有時帶空格 df.columns df.columns.str.strip() fig, axes plt.subplots(1, 3, figsize(18, 5)) # 第一張訓(xùn)練損失和驗證損失對比 axes[0].plot(df[epoch], df[train/box_loss], labeltrain box loss) axes[0].plot(df[epoch], df[val/box_loss], labelval box loss) axes[0].set_xlabel(Epoch) axes[0].set_ylabel(Loss) axes[0].legend() axes[0].set_title(Box Loss Curve) # 第二張mAP0.5 和 mAP0.5:0.95 axes[1].plot(df[epoch], df[metrics/mAP50(B)], labelmAP0.5) axes[1].plot(df[epoch], df[metrics/mAP50-95(B)], labelmAP0.5:0.95) axes[1].set_xlabel(Epoch) axes[1].set_ylabel(mAP) axes[1].legend() axes[1].set_title(mAP Curve) # 第三張precision 和 recall axes[2].plot(df[epoch], df[metrics/precision(B)], labelprecision) axes[2].plot(df[epoch], df[metrics/recall(B)], labelrecall) axes[2].set_xlabel(Epoch) axes[2].set_ylabel(Score) axes[2].legend() axes[2].set_title(Precision Recall) plt.tight_layout() plt.savefig(training_curves.png, dpi150) plt.show()這段代碼做了三件事讀取 results.csv、清理列名空格、畫三張子圖。第一張圖看訓(xùn)練損失和驗證損失是否同步下降——如果訓(xùn)練損失降但驗證損失升說明過擬合了需要加數(shù)據(jù)增強或減模型復(fù)雜度。第二張圖看 mAP 是否還在漲——如果 mAP 曲線走平甚至下降繼續(xù)訓(xùn)練沒有意義。第三張圖看 precision 和 recall 的平衡——precision 高 recall 低說明模型保守漏檢多反過來說明模型激進誤檢多。3.2 批次可視化圖的診斷價值train_batch0.jpg 到 train_batch2.jpg 是訓(xùn)練早期保存的批次圖train_batch8910.jpg 和 train_batch8911.jpg 是訓(xùn)練后期保存的。把早期和后期批次圖對比著看能直觀判斷模型有沒有在學(xué)。早期批次圖上預(yù)測框可能亂七八糟后期批次圖上預(yù)測框應(yīng)該和真實標(biāo)注框基本重合。val_batch2_pred.jpg 和 val_batch2_labels.jpg 這一對圖更關(guān)鍵。labels 圖上是驗證集的真實標(biāo)注框pred 圖上是模型預(yù)測框。如果 pred 圖上某個果蔬沒有框說明漏檢如果框的位置偏了或者框到了背景上說明定位不準(zhǔn)如果同一個果蔬被框了多次說明 NMS 閾值需要調(diào)整。我一般會挑 pred 和 labels 差異最大的那幾張圖單獨拿出來分析看看是哪個類別容易出問題。3.3 模型驗證與指標(biāo)導(dǎo)出訓(xùn)練完成后用驗證命令在測試集上跑一遍得到最終的精度指標(biāo)。這些指標(biāo)是寫進論文實驗章節(jié)的核心數(shù)據(jù)。# 在測試集上驗證模型 yolo detect val \ modelruns/train/fruit_exp/weights/best.pt \ # 訓(xùn)練保存的最優(yōu)權(quán)重 datadata.yaml \ # 數(shù)據(jù)配置 splittest \ # 指定用測試集 imgsz640 \ # 和訓(xùn)練時保持一致 batch16 \ # 批次大小 device0 # 顯卡編號驗證完成后終端會輸出每個類別的 precision、recall、mAP0.5、mAP0.5:0.95以及所有類別的平均值。這些數(shù)值直接對應(yīng)論文里的實驗表格。如果某個類別的 mAP 明顯低于其他類別說明這個類別的樣本可能太少或者標(biāo)注質(zhì)量有問題需要回到數(shù)據(jù)集層面排查。4. 避坑與排查果蔬識別訓(xùn)練中最容易翻車的五個地方4.1 現(xiàn)象訓(xùn)練 loss 從第一輪就不降mAP 始終接近零原因標(biāo)注文件格式錯誤是最常見的原因。YOLO 格式要求坐標(biāo)是歸一化后的比例值很多人標(biāo)注時寫成了像素坐標(biāo)或者類別索引從 1 開始而不是從 0 開始。另一個可能是 data.yaml 里的 nc 和 names 數(shù)量對不上或者 names 的順序和標(biāo)注索引不匹配。解決隨便打開一個標(biāo)注 txt 文件檢查每行的五個數(shù)值。第一個值應(yīng)該是 0 到 nc-1 之間的整數(shù)后面四個值應(yīng)該在 0 到 1 之間。如果后面四個值大于 1說明是像素坐標(biāo)需要寫腳本轉(zhuǎn)換。如果第一個值等于 nc說明索引從 1 開始了需要全部減 1。改完標(biāo)注后刪掉 labels.cache重新啟動訓(xùn)練。4.2 現(xiàn)象訓(xùn)練到一半突然報 CUDA out of memory原因batch 設(shè)太大或者 imgsz 設(shè)太高顯存扛不住。另一種可能是訓(xùn)練過程中有其他進程占用了顯存比如之前沒退干凈的 Python 進程。解決先把 batch 減半如果還報就繼續(xù)減。imgsz 從 640 降到 416 或 320 也能顯著降低顯存占用。訓(xùn)練前用nvidia-smi看一下顯存占用情況如果有僵尸進程占著顯存用kill -9 PID清掉。另外 YOLOv8 默認會開啟 AMP 混合精度訓(xùn)練如果顯卡不支持 AMP可以在訓(xùn)練參數(shù)里加ampFalse關(guān)掉。4.3 現(xiàn)象驗證集 mAP 很高但實際推理時效果很差原因驗證集和訓(xùn)練集來自同一批數(shù)據(jù)分布太接近模型過擬合了訓(xùn)練集的特定場景?；蛘唑炞C集里某些類別的樣本太少mAP 被少數(shù)簡單樣本拉高了。解決檢查驗證集是否覆蓋了不同光照、不同角度、不同背景的果蔬圖片。如果驗證集和訓(xùn)練集圖片風(fēng)格太一致需要重新劃分數(shù)據(jù)集確保驗證集有足夠的多樣性。另外可以看每個類別的 mAP 明細如果某個類別 mAP 特別低但整體 mAP 高說明這個類別被平均掉了需要針對性地補充這個類別的訓(xùn)練樣本。4.4 現(xiàn)象改了標(biāo)注文件但訓(xùn)練結(jié)果沒變化原因labels.cache 緩存文件沒有刪除YOLOv8 讀的還是舊標(biāo)注。解決每次修改標(biāo)注文件后手動刪除數(shù)據(jù)集目錄下所有 labels.cache 文件。訓(xùn)練啟動時 YOLOv8 會重新掃描標(biāo)注并生成新的 cache。這個坑我踩過不止一次改完標(biāo)注興沖沖跑訓(xùn)練結(jié)果指標(biāo)紋絲不動排查半天才想起來 cache 沒刪。4.5 現(xiàn)象CPU 訓(xùn)練速度極慢一個 epoch 要跑幾十分鐘原因CPU 沒有 GPU 的并行計算能力YOLOv8 的卷積運算在 CPU 上效率很低。這是硬件限制不是代碼問題。解決如果只是驗證代碼可運行性把 epochs 設(shè)成 1 到 3imgsz 設(shè)成 320batch 設(shè)成 4跑通流程就行。如果要完整訓(xùn)練建議租用云 GPU 或者用實驗室的顯卡機器。GTX 1660 Ti 這個級別的顯卡果蔬識別數(shù)據(jù)集上跑 100 個 epoch 大約需要 2 到 4 小時CPU 上可能要跑一兩天。5. 從訓(xùn)練到部署模型導(dǎo)出與推理腳本的實戰(zhàn)技巧訓(xùn)練出 best.pt 只是第一步真正交作業(yè)或者做畢業(yè)設(shè)計時通常還需要一個能演示的推理腳本。這份資源里應(yīng)該包含了一個推理腳本但我想補充幾個實戰(zhàn)中真正有用的技巧。第一個技巧是模型導(dǎo)出。best.pt 是 PyTorch 格式只能在 Python 環(huán)境里用。如果要做成獨立可執(zhí)行文件或者部署到其他平臺需要導(dǎo)出成 ONNX 格式。導(dǎo)出命令很簡單# 導(dǎo)出 ONNX 格式 yolo export \ modelruns/train/fruit_exp/weights/best.pt \ formatonnx \ # 導(dǎo)出格式 imgsz640 \ # 輸入尺寸和訓(xùn)練保持一致 opset12 # ONNX 算子集版本12 兼容性較好導(dǎo)出后的 onnx 文件可以用 onnxruntime 加載推理不依賴 PyTorch部署時更輕量。注意 opset 版本不要設(shè)太高有些推理引擎對高版本 opset 支持不好12 是比較穩(wěn)妥的選擇。第二個技巧是推理時的置信度閾值和 NMS 閾值調(diào)整。默認 conf0.25、iou0.45但果蔬識別場景下這兩個值可能需要微調(diào)。如果發(fā)現(xiàn)漏檢多把 conf 降到 0.15 試試如果發(fā)現(xiàn)同一個果蔬被框了多次把 iou 降到 0.3 試試。這兩個參數(shù)沒有萬能值需要根據(jù)實際圖片效果來調(diào)。from ultralytics import YOLO # 加載訓(xùn)練好的模型 model YOLO(runs/train/fruit_exp/weights/best.pt) # 對單張圖片推理 results model.predict( sourcetest_fruit.jpg, # 輸入圖片路徑 conf0.25, # 置信度閾值 iou0.45, # NMS IoU 閾值 imgsz640, # 推理尺寸 saveTrue, # 保存帶標(biāo)注的結(jié)果圖 save_txtTrue # 保存預(yù)測結(jié)果到 txt ) # 遍歷檢測結(jié)果 for result in results: boxes result.boxes # 檢測框?qū)ο?for box in boxes: cls_id int(box.cls[0]) # 類別索引 conf float(box.conf[0]) # 置信度 xyxy box.xyxy[0].tolist() # 框坐標(biāo) [x1, y1, x2, y2] print(f類別: {model.names[cls_id]}, 置信度: {conf:.2f}, 位置: {xyxy})這段代碼加載模型后對單張圖片推理輸出每個檢測框的類別、置信度和坐標(biāo)。model.names是類別索引到名稱的映射字典直接從模型里讀不用手動維護。saveTrue會把帶框的結(jié)果圖保存到 runs/detect 目錄下save_txtTrue會把預(yù)測結(jié)果按 YOLO 格式保存成 txt方便后續(xù)做定量分析。第三個技巧是批量推理和結(jié)果統(tǒng)計。如果要做演示通常需要處理一整個文件夾的圖片并統(tǒng)計各類果蔬的檢出數(shù)量。可以在 predict 的 source 參數(shù)里傳文件夾路徑Y(jié)OLOv8 會自動遍歷文件夾內(nèi)所有圖片。推理完成后遍歷 results 列表統(tǒng)計每個類別的檢出次數(shù)輸出一個匯總表。這個匯總表可以直接放進作業(yè)的報告里展示系統(tǒng)的實際識別能力。最后一個習(xí)慣每次訓(xùn)練完我會把 best.pt、results.csv、data.yaml 和訓(xùn)練曲線圖單獨拷到一個以日期命名的文件夾里存檔。因為后面調(diào)參重新訓(xùn)練時runs 目錄會被新實驗覆蓋不存檔的話之前的實驗結(jié)果就找不回來了。這個習(xí)慣幫我省過好幾次后悔藥——導(dǎo)師問起某次實驗的具體參數(shù)時翻出存檔文件夾就能直接回答。希望幫到你。本文還有配套的精品資源點擊獲取