基于深度学习的果蔬检测识别系统（含UI界面、yolov5、Python代码、数据集）

2024-01-10 20:52
文章标签 python 代码 数据 学习 ui 界面 深度 检测 yolov5 识别系统 果蔬

本文主要是介绍基于深度学习的果蔬检测识别系统（含UI界面、yolov5、Python代码、数据集），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在这里插入图片描述

在这里插入图片描述

项目介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：
    yolov5

    yolov5主要包含以下几种创新：
        1. 添加注意力机制（SE、CBAM、CA等）
        2. 修改可变形卷积（DySnake-主干c3替换、DySnake-所有c3替换）

数据集：
    网上下载的数据集，详细介绍见数据集介绍部分。

以上是本套代码的整体算法架构和对目标检测模型的修改说明，这些模型修改可以为您的 毕设、作业等提供创新点和增强模型性能的功能 。

如果要是需要更换其他的检测模型，请私信。

注：本项目提供所用到的所有资源，包含 环境安装包、训练代码、测试代码、数据集、视频文件、 界面UI文件等。

项目简介

在本文中，我们将详细介绍如何利用深度学习中的YOLOv5算法来实现对蔬菜和水果的检测，并结合PyQt5设计了一个简约而强大的系统UI界面。通过该界面，您可以轻松选择自己的视频文件或图片文件进行检测，并且还能够根据需要替换训练好的yolov5模型，以适应不同的数据检测需求。

我们的系统界面不仅外观优美，而且具备出色的检测精度和强大的功能。它支持多目标实时检测，并允许您自由选择感兴趣的检测目标。

本博文提供了完整的Python程序代码和使用教程，非常适合新入门者参考学习。您可以通过文末的下载链接获取完整的代码资源文件。以下是本博文的目录大致内容：

目录

  • 项目介绍
  • 项目简介
  • 效果展示：
  • 🌟一、环境安装
  • 🌟二、数据集介绍
  • 🌟三、 目标检测介绍
    • yolov5相关介绍
      • 1. YOLOv5的网络结构
  • 四、 yolov5训练步骤
    • 五、 yolov5评估步骤
    • 六、 训练结果
  • 🌟下载链接

效果展示：

功能：
1. 支持单张图片识别
2. 支持遍历文件夹识别
3. 支持识别视频文件
4. 支持结果导出（xls、csv两种格式）
5. 支持切换检测到的目标

🌟一、环境安装

本项目提供所有需要的环境安装包（python、pycharm、cuda、torch等），可以直接按照视频讲解进行安装。具体的安装流程见此视频：视频链接
环境安装视频是以车牌项目为例进行讲解的，但是可以适用于任何项目。

视频快进到 3:18 - 21:17，这段时间讲解的是环境安装，可直接快进到此处观看。
在这里插入图片描述

环境安装包可通过百度网盘下载：
链接：https://pan.baidu.com/s/17SZHeVZrpXsi513D-6KmQw?pwd=a0gi
提取码：a0gi
–来自百度网盘超级会员V6的分享

上面这个方法，是比较便捷的安装方式（省去了安装细节），按照我的视频步骤和提供的安装包安装即可，如果要是想要多学一点东西，可以按照下面的安装方式走一遍，会更加熟悉。

环境安装方法2:
追求快速安装环境的，只看上面即可！！！

下面列出了5个步骤，是完全从0开始安装（可以理解为是一台新电脑，没有任何环境），如果某些步骤已经安装过的可以跳过。下面的安装步骤带有详细的视频讲解和参考博客，一步一步来即可。另外视频中讲解的安装方法是通用的，可用于任何项目。

  1. python环境安装：B站视频讲解
  2. cuda、cudnn安装：B站视频讲解
  3. torch安装： B站视频讲解
  4. pycharm安装： B站视频讲解
  5. 第三方依赖包安装： B站视频讲解

按照上面的步骤安装完环境后，就可以直接运行程序，看到效果了。

🌟二、数据集介绍

数据集总共包含以下类别，且已经分好 train、val、test文件夹，也提供转好的yolo格式的标注文件，可以直接使用。

白菜
白萝卜
胡萝卜
番茄
大蒜
花生
黄瓜
茄子
辣椒
花菜
西蓝花
土豆
菠萝
火龙果
黑葡萄
梨子
柑橘
龙眼
草莓
芒果
苹果
绿葡萄
西瓜
樱桃
香蕉
柚子

数据样式如下：
在这里插入图片描述

🌟三、 目标检测介绍

yolov5相关介绍

1. YOLOv5的网络结构

YOLOV5有YOLOv5n，YOLOv5s，YOLOv5m，YOLOV5l、YOLO5x五个版本。这个模型的结构基本一样，不同的是deth_multiole模型深度和width_multiole模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOV5n网络是YOLOV5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。不过最常用的一般都是yolov5s模型。
在这里插入图片描述

  本系统采用了基于深度学习的目标检测算法YOLOv5，该算法是YOLO系列算法的较新版本，相比于YOLOv3和YOLOv4，YOLOv5在检测精度和速度上都有很大的提升。YOLOv5算法的核心思想是将目标检测问题转化为一个回归问题。此外，YOLOv5还引入了一种称为SPP(Spatial Pyramid Pooling)的特征提取方法，这种方法可以在不增加计算量的情况下，有效地提取多尺度特征，提高检测性能。

  在YOLOv5中，首先将输入图像通过骨干网络进行特征提取，得到一系列特征图。然后，通过对这些特征图进行处理，将其转化为一组检测框和相应的类别概率分数，即每个检测框所属的物体类别以及该物体的置信度。YOLOv5中的特征提取网络使用CSPNet(Cross Stage Partial Network)结构，它将输入特征图分为两部分，一部分通过一系列卷积层进行处理，另一部分直接进行下采样，最后将这两部分特征图进行融合。这种设计使得网络具有更强的非线性表达能力，可以更好地处理目标检测任务中的复杂背景和多样化物体。

在这里插入图片描述

  在YOLOv5中，每个检测框由其左上角坐标(x,y)、宽度(w)、高度(h)和置信度(confidence)组成。同时，每个检测框还会预测C个类别的概率得分，即分类得分(ci)，每个类别的得分之和等于1。因此，每个检测框最终被表示为一个(C+5)维的向量。在训练阶段，YOLOv5使用交叉熵损失函数来优化模型。损失函数由定位损失、置信度损失和分类损失三部分组成，其中定位损失和置信度损失采用了Focal Loss和IoU Loss等优化方法，能够有效地缓解正负样本不平衡和目标尺寸变化等问题。

  YOLOv5网络结构是由Input、Backbone、Neck、Prediction组成。Yolov5的Input部分是网络的输入端，采用Mosaic数据增强方式，对输入数据随机裁剪，然后进行拼接。Backbone是Yolov5提取特征的网络部分，特征提取能力直接影响整个网络性能。YOLOv5的Backbone相比于之前Yolov4提出了新的Focus结构。Focus结构是将图片进行切片操作，将W（宽）、H（高）信息转移到了通道空间中，使得在没有丢失任何信息的情况下，进行了2倍下采样操作。

四、 yolov5训练步骤

此代码的训练步骤极其简单，不需要修改代码，直接通过cmd就可以命令运行，命令都已写好，直接复制即可，命令如下图：
在这里插入图片描述
下面这条命令是 训练 添加 CBAM 注意力机制的命令，复制下来，直接就可以运行，看到训练效果（**需要将coco_NEU-DET.yaml修改为自己的数据集的yaml文件 **）。

python ./train.py --epochs 500 --cfg models/yolov5s-CBAM-2.yaml --hyp data/hyps/hyp.scratch-low.yaml --data data/coco_NEU-DET.yaml --weight weights/yolov5s.pt --workers 4 --batch 16

执行完上述命令后，即可完成训练，训练过程如下：
在这里插入图片描述

下面是对命令中各个参数的详细解释说明：

  • python: 这是Python解释器的命令行执行器，用于执行后续的Python脚本。

  • ./train.py: 这是要执行的Python脚本文件的路径和名称，它是用于训练目标检测模型的脚本。

  • --epochs 500: 这是训练的总轮数（epochs），指定为500，表示训练将运行500个轮次。

  • --cfg models/yolov5s-CBAM-2.yaml: 这是YOLOv5模型的配置文件的路径和名称，它指定了模型的结构和参数设置。

  • --hyp data/hyps/hyp.scratch-low.yaml: 这是超参数文件的路径和名称，它包含了训练过程中的各种超参数设置，如学习率、权重衰减等。

  • --data data/coco_NEU-DET.yaml: 这是数据集的配置文件的路径和名称，它指定了训练数据集的相关信息，如类别标签、图像路径等。

  • --weight weights/yolov5s.pt: 这是预训练权重文件的路径和名称，用于加载已经训练好的模型权重以便继续训练或进行迁移学习。

  • --workers 4: 这是用于数据加载的工作进程数，指定为4，表示使用4个工作进程来加速数据加载。

  • --batch 16: 这是每个批次的样本数，指定为16，表示每个训练批次将包含16个样本。

通过运行上面这个命令，您将使用YOLOv5模型对目标检测任务进行训练，训练500个轮次，使用指定的配置文件、超参数文件、数据集配置文件和预训练权重。同时，使用4个工作进程来加速数据加载，并且每个训练批次包含16个样本。

五、 yolov5评估步骤

评估步骤同训练步骤一样，执行1行语句即可，注意--weights需要变为自己想要测试的模型路径，VOC_fruit.yaml替换为自己的数据集的yaml文件。（因中文显示乱码的原因，此处将其转为了英文显示）

python ./val.py --data  data/VOC_fruit.yaml --weights ../weights/YOLOv5s/weights/best.pt

评估结果如下：
在这里插入图片描述

六、 训练结果

我们每次训练后，会在 run/train 文件夹下出现一系列的文件，如下图所示：
在这里插入图片描述

🌟下载链接

   该代码采用Pycharm+Python3.8开发，经过测试能成功运行，运行界面的主程序为main.py，提供用到的所有程序。为确保程序顺利运行，请按照requirements.txt配置Python依赖包的版本。Python版本：3.8，为避免出现运行报错，请勿使用其他版本，详见requirements.txt文件；

    若您想获得博文中涉及的实现完整全部程序文件（包括训练代码、测试代码、训练数据、测试数据、视频，py、 UI文件等，如下图），这里已打包上传至博主的面包多平台，可通过下方项目讲解链接中的视频简介部分下载，完整文件截图如下：
在这里插入图片描述

项目讲解链接：B站

这篇关于基于深度学习的果蔬检测识别系统（含UI界面、yolov5、Python代码、数据集）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/592039。

相关文章

HarmonyOS学习(七)——UI（五）常用布局总结

HarmonyOS学习(七)——UI（五）常用布局总结

自适应布局 1.1、线性布局（LinearLayout） 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列，Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距，达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式，且在各类尺寸屏幕上表现一致，其中交叉轴为垂直时，取值为Vert
阅读更多...
Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya（不是本人，claude AI）在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容： 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用
阅读更多...
大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
基于MySQL Binlog的Elasticsearch数据同步实践

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
阅读更多...
关于数据埋点，你需要了解这些基本知识

关于数据埋点，你需要了解这些基本知识

产品汪每天都在和数据打交道，你知道数据来自哪里吗？ 移动app端内的用户行为数据大多来自埋点，了解一些埋点知识，能和数据分析师、技术侃大山，参与到前期的数据采集，更重要是让最终的埋点数据能为我所用，否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式，可以区分为： 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理：自动程度高的，能解决通用统计，便于统一化管理，但个性化定
阅读更多...
python: 多模块(.py)中全局变量的导入

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别： 当你在一个模块（文件）中使用 global 声明变量时，这个变量只在该模块的全局命名空
阅读更多...
使用SecondaryNameNode恢复NameNode的数据

使用SecondaryNameNode恢复NameNode的数据

1）需求： NameNode进程挂了并且存储的数据也丢失了，如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2）故障模拟 （1）kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 （2）删除NameNode存储的数据（/opt/module/hadoop-3.1.4/data/tmp/dfs/na
阅读更多...
异构存储（冷热数据分离）

异构存储（冷热数据分离）

异构存储主要解决不同的数据，存储在不同类型的硬盘中，达到最佳性能的问题。 异构存储Shell操作 （1）查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies （2）为指定路径（数据存储目录）设置指定的存储策略 hdfs storagepolicies -setStoragePo
阅读更多...
Hadoop集群数据均衡之磁盘间数据均衡

Hadoop集群数据均衡之磁盘间数据均衡

生产环境，由于硬盘空间不足，往往需要增加一块硬盘。刚加载的硬盘没有数据时，可以执行磁盘数据均衡命令。（Hadoop3.x新特性） plan后面带的节点的名字必须是已经存在的，并且是需要均衡的节点。 如果节点不存在，会报如下错误： 如果节点只有一个硬盘的话，不会创建均衡计划： （1）生成均衡计划 hdfs diskbalancer -plan hadoop102 （2）执行均衡计划 hd
阅读更多...
【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【课程链接】 AntV G6：深入图形与图形分组、自定义节点、节点动画（下）_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中，应该怎样去计算和绘制图形，如何给一个图形制作不间断的动画，以及在鼠标事件之后产生动画。（有点难，需要好好理解） <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2