更多目标检测、图像分类识别、目标追踪、图像分割、图像检索等项目可看我主页其他文章
功能演示（看shi pin 下面的简介）：
https://www.bilibili.com/video/BV15kqmBSEWp/?spm_id_from=333.1387.upload.video_card.click&vd_source=23ce57e8cf06ed0fb5cf39f62df5d51b
（一）简介
本文介绍了一个基于YOLOv10的草莓成熟度检测系统，包含完整的项目实现。系统采用PyTorch框架，提供训练好的模型权重、数据集和GUI界面。GUI由PySide6开发，支持图像检测、视频实时检测等功能。项目结构清晰，包含模型训练、验证和部署全流程，并提供精确率、召回率等指标评估。核心代码展示了图像上传、目标检测和结果显示的实现。系统可快速部署，适用于PC端环境，配套详细的环境搭建教程和完整项目资料，开箱即用。
基于yolov10的草莓成熟度检测系统在pytorch框架下实现的，这是一个完整的项目，包括代码，数据集，训练好的模型权重，模型训练记录，GUI界面和各种模型指标（精确率、召回率等）等。
GUI界面由pyside6设计实现，界面简洁、突出功能，不是那些花里胡哨烂大街的界面
可用笔记本摄像头或者外接USB摄像头
该项目可在pycharm和anaconda搭建的虚拟环境 或者 vscode和anaconda搭建的虚拟环境 执行的
pycharm和anaconda安装和配置可观看教程：
超详细的pycharm+anaconda搭建python虚拟环境_pycharm anaconda环境搭建-CSDN博客
vscode和anaconda安装和配置可观看教程：
保姆级的vscode+anaconda搭建python虚拟环境-CSDN博客
（二）项目介绍
1. 模型训练、验证
该项目可以使用已经训练好的模型权重，也可以自己重新训练，自己训练也比较简单：
第一步：修改data/data.yaml中的数据集路径
第二步：模型训练，即运行train.py文件 ，结果保存在runs文件夹
第三步：模型验证，修改val.py中训练好的模型权重路径，运行val.py文件，结果保存在runs文件夹
第四步：使用模型，修改gui.py最下面的训练好的模型权重路径，然后运行gui.py文件即可通过GUI界面来展示模型效果
2. 数据集
部分数据展示：
3.GUI界面（技术栈：pyside6+python+opencv）
a.GUI初始界面
b.图像检测界面
c.视频或摄像实时检测界面
4.模型训练和验证的一些指标及效果
![]()
（三）项目结构
（四）代码
由于篇幅有限，只展示核心代码
def upload_img(self): """上传图片""" # 选择录像文件进行读取 self.comboBox.setDisabled(False) self.pushButton_4.setEnabled(False) # 上传图像 fileName, fileType = QFileDialog.getOpenFileName(self, 'Choose file', '', '*.jpg *.png *.tif *.jpeg') if fileName: self.file_path = fileName """检测图片""" org_path = self.file_path # 目标检测 t1 = time.time() # 图像检测 results = self.model.predict(source=org_path, imgsz=self.output_size, conf=self.conf_threshold)[0] names = results.names t2 = time.time() self.label_6.setText('{:.3f} s'.format(t2 - t1)) now_img = results.plot() # 调整图像大小 self.resize_scale = self.output_size / now_img.shape[0] im0 = cv2.resize(now_img, (0, 0), fx=self.resize_scale, fy=self.resize_scale) cv2.imwrite("images/tmp/single_result.jpg", im0) # 自适应图像大小 self.label_3.setScaledContents(True) # 显示图像 self.label_3.setPixmap(QPixmap("images/tmp/single_result.jpg")) # 获取位置信息 location_list = results.boxes.xyxy.tolist() location_list = [list(map(int, e)) for e in location_list] # 获取类别信息 cls_list = results.boxes.cls.tolist() cls_list = [int(i) for i in cls_list] # 获取置信度信息 conf_list = results.boxes.conf.tolist() conf_list = ['%.2f %%' % (each * 100) for each in conf_list] # 目标总数 total_nums = len(location_list) self.label_11.setText(str(total_nums)) choose_list = ['全部'] target_names = [names[id] + '_' + str(index) for index, id in enumerate(cls_list)] choose_list = choose_list + target_names # 复合框信息 self.comboBox.clear() self.comboBox.addItems(choose_list) self.results = results self.names = names self.cls_list = cls_list self.conf_list = conf_list self.location_list = location_list # 显示目标框 if total_nums >= 1: # 渲染类别和置信度信息 self.label_16.setText(names[cls_list[0]]) self.label_15.setText(str(conf_list[0])) # 默认显示第一个目标框坐标 # 设置坐标位置值 self.label_13.setText(str(location_list[0][0])) self.label_19.setText(str(location_list[0][1])) self.label_21.setText(str(location_list[0][2])) self.label_23.setText(str(location_list[0][3])) else: # 清空显示框 self.label_16.setText(' ') self.label_15.setText(' ') self.label_13.setText(' ') self.label_19.setText(' ') self.label_21.setText(' ') self.label_23.setText(' ')（五）总结
以上即为整个项目的介绍，完整的项目包括代码，数据集，训练好的模型权重，模型训练记录，GUI界面和各种模型指标等
整个项目包含全部资料，一步到位，拿来就用，省心省力！
若项目使用过程中出现问题，请及时沟通！
