简介：这份水果新鲜程度检测数据集面向计算机视觉学习者、目标检测练手者及需要构建水果分拣原型的开发者，解决新鲜与腐坏水果样本不足、标注格式不统一的问题。数据集覆盖apple、bad banana、banana和bad apple共4个类别，兼顾正常与变质状态，适合训练YOLO、Faster R-CNN等检测模型，也可用于课堂实验与算法对比。压缩包共1192个文件，包含397张jpg图像、397个xml标注和398个txt标注，两种标签格式分别存放，便于直接接入不同检测框架，整体约15.19MB，体积轻量、下载与解压成本低。目前已有1437人学习下载，说明其在入门与进阶检测任务中具备一定参考价值。读者可借此快速搭建四类水果检测流程，理解VOC与YOLO标注差异，并对照公开检测结果验证模型表现，为后续数据增强、类别平衡和部署优化提供可复用的数据基础。
1. 水果新鲜程度检测数据集：从烂果分拣到模型落地的第一块砖
做过水果分拣线改造的工程师都清楚，视觉算法能不能跑通，八成不取决于网络结构，而取决于你手里那批图到底标得对不对、覆盖得全不全。水果新鲜程度检测数据集，本质就是一批按新鲜度分级的果蔬图像集合，通常划分为新鲜、次鲜、腐烂三档，配套边界框或分类标签，用来训练分类、检测甚至分割模型。它解决的是“让机器判断这颗果子还能不能卖”的问题，适合做农产品质检、冷链仓储、智能零售称重台，以及想入门工业视觉的算法同学。我见过太多团队在开源数据上刷到 98% 准确率，换到自己产线一跑就崩，根因往往不是模型，而是数据集里的光照、品种、遮挡分布和现场差太远。这一章先把这件事的边界讲清楚，后面再动手。
2. 水果新鲜程度检测数据集到底长什么样：标签体系与选型逻辑
2.1 三档分级还是五档分级：先定业务口径再定标签
新鲜度分级没有国标统一口径，这是新手最容易翻车的地方。常见做法是按可售周期切：新鲜（刚下树到货架期前段）、次鲜（外观轻微失水但可食用）、腐烂（霉变、软腐、明显病斑）。有些团队会加“机械损伤”和“过熟”两档凑成五类，但类别一多，标注一致性断崖式下跌——同一个苹果，三个人标可能给出三种结果。
我一般建议第一版只做三档，原因很实际：标注成本低、类间差异大、模型容易收敛。等产线跑顺了，再在次鲜里细分“可打折”和“可加工”两个子类。标签体系一旦定下，就要写进标注规范文档，配典型图例，否则外包标出来的东西没法用。
从任务形态看，分类数据集给整图一个标签，检测数据集给每个果子一个框加类别，分割数据集给像素级掩码。分拣线上果子会堆叠，纯分类不够用，检测是主流选择。如果只是做传送带单果检测，分类加目标检测级联也能凑合。
2.2 数据来源与采集：手机拍的和产线拍的差距在哪
公开渠道能拿到的水果新鲜度数据，多数是实验室环境、单一背景、均匀打光。这类数据训练出的模型，换到有反光、有阴影、有传送带纹理的现场，mAP 掉 20 个点是常态。所以选型第一原则：能用自己场景采的就别偷懒。
采集时我一般按下面这个清单走：
- 品种覆盖：至少涵盖目标产线 Top 5 品种，苹果、柑橘、香蕉、番茄、芒果这类常见货
- 光照条件：上午侧光、正午顶光、傍晚弱光、冷库荧光灯各采一批
- 姿态与遮挡：单果、双果紧贴、三果堆叠、被叶片或包装遮挡
- 背景：传送带、塑料筐、纸箱、货架各来一些
- 设备：产线相机和手机都拍，模拟不同部署端
每类至少 500 张起步，三档合计 1500 张能跑通 baseline，想稳到产线可用，3000 到 5000 张更现实。采集时同步记录品种、光照、设备三个元信息，后面做分层评估全靠它。
2.3 标注规范：框怎么画、边界怎么定
检测标注的坑集中在边界定义。腐烂区域是只框病斑，还是框整个果子？我的做法是框整个果子，类别标腐烂，因为分拣执行机构抓的是整果。如果做病斑分割，才需要像素级标注。
标注工具用 LabelImg、CVAT、Labelme 都行，导出格式统一到 YOLO 的 txt 或 COCO 的 json。关键是一致性：同一个标注员连续标 200 张后容易疲劳走样，建议每 100 张插入 10 张已标好的复核图，抽检一致性低于 90% 就返工。
提示：标注规范里一定要写“模糊样本处理规则”，比如“介于次鲜和腐烂之间、无法判断的，一律标次鲜”，否则边界样本会成为模型震荡的根源。
3. 从零跑通一个新鲜度检测 baseline：环境、转换与训练
3.1 环境准备与目录结构
先假设你拿到的是分类标注的原始图，按文件夹分好类，要转成检测格式。环境用 Python 3.9 以上，PyTorch 加 Ultralytics 的 YOLOv8 是最省事的组合。目录我习惯这样摆：
fruit_freshness/ ├── raw/ │ ├── fresh/ │ ├── semi_fresh/ │ └── rotten/ ├── datasets/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ └── labels/ │ ├── train/ │ └── val/ └── data.yamlraw 里是按类别分的原图，datasets 是转换后的检测格式。这个结构不强制，但保持稳定能省掉后面很多路径调试的时间。
3.2 分类标注转检测格式：一个脚本搞定
如果原图是单果居中拍摄，可以用整图框近似，即框等于图像边界。下面脚本把分类文件夹转成 YOLO 检测标签，类别映射写在字典里。
import os import shutil from pathlib import Path from sklearn.model_selection import train_test_split # 类别映射，顺序决定 label 里的 class_id CLASS_MAP = {"fresh": 0, "semi_fresh": 1, "rotten": 2} RAW_DIR = Path("raw") OUT_IMG = Path("datasets/images") OUT_LBL = Path("datasets/labels") def convert_one(img_path, cls_id): """整图框：中心点 0.5,0.5，宽高 1.0,1.0""" return f"{cls_id} 0.5 0.5 1.0 1.0" all_items = [] for cls_name, cls_id in CLASS_MAP.items(): for img in (RAW_DIR / cls_name).glob("*.jpg"): all_items.append((img, cls_id)) # 8:2 分层切分，保证每类都有验证样本 train_items, val_items = train_test_split( all_items, test_size=0.2, stratify=[x[1] for x in all_items], random_state=42 ) for split, items in [("train", train_items), ("val", val_items)]: (OUT_IMG / split).mkdir(parents=True, exist_ok=True) (OUT_LBL / split).mkdir(parents=True, exist_ok=True) for img_path, cls_id in items: shutil.copy(img_path, OUT_IMG / split / img_path.name) label_path = OUT_LBL / split / (img_path.stem + ".txt") label_path.write_text(convert_one(img_path, cls_id) + "\n")逻辑说明：CLASS_MAP的顺序就是模型输出的类别索引，改顺序必须同步改data.yaml。stratify参数保证训练集和验证集里三档比例一致，否则验证集可能全是新鲜果，指标虚高。整图框只适合单果居中场景，如果原图是多果堆叠，必须用真实标注框替换convert_one的返回值。
参数说明：test_size=0.2是验证集比例，数据量小于 1000 张时建议调到 0.3，让验证更稳。random_state固定后切分可复现，团队协作时别乱改。
3.3 data.yaml 与训练命令
YOLO 训练靠一个 yaml 描述数据位置和类别名：
path: ./datasets train: images/train val: images/val nc: 3 names: ["fresh", "semi_fresh", "rotten"]nc是类别数，必须和CLASS_MAP长度一致，这是最常见的报错来源。训练命令：
yolo detect train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 batch=16model选 nano 版先跑通，确认流程没问题再换 s 或 m。imgsz=640是输入分辨率，产线小目标多可以提到 960，但显存和速度要重新权衡。batch=16在 8G 显存上比较稳，爆显存就降到 8。
训练完看runs/detect/train/下的混淆矩阵，重点看次鲜和腐烂之间的误判，这两类最容易混。
3.4 推理验证：单图与批量
yolo detect predict model=runs/detect/train/weights/best.pt source=test_imgs/ save=Truesource可以是单图、文件夹或视频流。产线部署前，务必用现场采的、没参与训练的图做一次盲测，别只看验证集指标。我一般会额外留 100 张现场图做“黑匣子测试”，这批图不参与任何调参，只在最后验收时跑一次。
4. 新鲜度检测的避坑与排查：那些让模型翻车的细节
4.1 验证集准确率 99%，现场一跑全是误检
现象：训练日志里 mAP 很高，部署到传送带上，新鲜果被大量判成腐烂。 原因：验证集和训练集同分布，都是实验室图，现场的光照、背景、品种全变了，模型没学过。 解决：按 2.2 的采集清单补现场数据，至少每类 200 张，重新微调。评估时按光照和品种分层看指标，别只看总体。
4.2 次鲜和腐烂总是分不开
现象：混淆矩阵里这两类的误判占了大头。 原因：标注边界模糊，或者次鲜样本里混了实际已经腐烂的图。 解决：回到标注规范，抽 50 张误判图人工复核，统一口径后重标。如果确实类间差异小，考虑加一个“过熟”中间类，或者引入纹理特征做辅助分支。
4.3 小目标漏检严重
现象：堆叠场景里被压在下层的果子检测不到。 原因：输入分辨率不够，或者训练集里堆叠样本太少。 解决：imgsz提到 960 或 1280，补采堆叠场景数据。如果还不行，换带 P2 小目标层的模型结构，或者用切片推理。
4.4 训练 loss 震荡不收敛
现象：loss 曲线上下跳，mAP 不涨。 原因：学习率太大、batch 太小、或者标签里有脏数据（类别越界、坐标超出 0-1）。 解决：先跑一遍标签校验脚本，检查有没有 class_id 大于 nc-1 或坐标越界。确认干净后，学习率降到 0.001，batch 调到能承受的最大值。
4.5 换品种就崩
现象：苹果上训的模型，换到柑橘直接失效。 原因：品种外观差异大，模型学到了品种特征而非新鲜度特征。 解决：多品种混合训练，或者在数据增强里加颜色抖动、灰度化，逼模型关注纹理和形状。极端情况下做品种分支，每个品种单独一个头。
5. 把数据集用出复利：分层评估与持续迭代的一个习惯
数据集不是训完一次就扔的消耗品。我踩过最大的坑，是第一个版本上线后没做数据回流，三个月后产线换了新包装，模型精度悄悄掉了 15 个点才被发现。后来固定了一个习惯：每次现场误判的图，按“品种-光照-误判类型”三个维度归档，每月做一次分层评估。
具体做法是写一个评估脚本，把验证集按元信息分组，分别算每组的召回和精确率：
import pandas as pd from sklearn.metrics import classification_report # meta.csv 记录每张图的品种、光照、真实类别、预测类别 df = pd.read_csv("meta.csv") for group_name, group_df in df.groupby(["variety", "lighting"]): print(f"--- {group_name} ---") print(classification_report(group_df["true"], group_df["pred"]))这样一眼就能看出模型在“柑橘+冷库荧光灯”这组是不是特别差。差的那组，下个月优先补数据。补数据也有讲究：不是随机补，而是按短板补，每组至少补到 300 张，再重新微调。微调时用低学习率，只训 20 到 30 轮，避免把之前学好的组带偏。
另一个习惯是保留一个“黄金测试集”，200 张图，覆盖所有品种和光照，永远不参与训练，只在每次模型更新后跑一次。这个集合的指标波动超过 3 个点，就说明这次更新有问题，回滚重来。听起来笨，但比上线后翻车再救火便宜得多。
数据集这件事，投入产出比最高的从来不是买更贵的标注服务，而是把采集、标注、评估、回流串成一个闭环。第一版粗糙没关系，关键是每轮迭代都有据可依。希望帮到你。
本文还有配套的精品资源，点击获取
