🍎 苹果小目标检测数据集概览
| 项目 | 内容 |
|---|---|
| 任务类型 | 目标检测（Object Detection） |
| 类别数量 | 1 类 |
| 类别名称 | apple |
| 总图像数 | 4,460 张 |
| 图像划分 | 训练集 : 验证集 : 测试集 = 8 : 1 : 1 |
| 标注格式 | YOLO 格式（.txt文件，每行：class x_center y_center width height，归一化） |
| 图像格式 | JPG / PNG（常见 RGB 图像） |
| 适用模型 | YOLOv5 / YOLOv6 / YOLOv7 /YOLOv8（推荐） |
| 特点 | 包含大量小目标苹果（<32×32 像素占比高），适用于农业采摘、果园监控等场景 |
—
📊 数据集划分详情（表格）
| 分割集 | 图像数量 | 标注文件数量 | 占比 | 文件夹结构示例 |
|---|---|---|---|---|
| 训练集 (train) | 3,568 | 3,568 | 80% | dataset/images/train/``dataset/labels/train/ |
| 验证集 (val) | 446 | 446 | 10% | dataset/images/val/``dataset/labels/val/ |
| 测试集 (test) | 446 | 446 | 10% | dataset/images/test/``dataset/labels/test/ |
✅ 所有
.txt标签文件与图像文件同名，一一对应
✅ 已提供train.txt,val.txt,test.txt路径列表文件（可选）
🗂️ 推荐目录结构
apple-detection-dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── data.yaml ← YOLO 配置文件 └── README.md📄data.yaml配置文件（YOLOv8 兼容）
# apple-detection-dataset/data.yamltrain:./images/trainval:./images/valtest:./images/testnc:1names:['apple']⚠️ 注意：路径需根据你本地实际位置修改（建议使用相对路径）
🧪 完整训练代码（YOLOv8）
1. 安装依赖（首次运行）
pipinstallultralytics opencv-python2. 训练脚本（train_apple.py）
fromultralyticsimportYOLO# 加载预训练模型（YOLOv8n/s/m/l/x 可选）model=YOLO('yolov8n.pt')# 推荐从 small 或 nano 开始（小目标友好）# 开始训练results=model.train(data='apple-detection-dataset/data.yaml',# 数据配置文件路径epochs=100,# 训练轮数（建议 100~300）imgsz=640,# 输入图像尺寸（可尝试 1280 提升小目标召回）batch=16,# 批大小（根据 GPU 显存调整）name='apple_yolov8n',# 实验名称device=0,# GPU 设备 ID（0,1,... 或 'cpu'）hsv_h=0.015,# 数据增强：色调扰动hsv_s=0.7,hsv_v=0.4,degrees=10.0,# 旋转增强translate=0.1,scale=0.5,mosaic=1.0,# 启用 Mosaic 增强（对小目标有效！）flipud=0.0,fliplr=0.5,patience=20# 早停机制（20 轮无提升则停止）)3. 推理测试（单张图像）
fromultralyticsimportYOLO model=YOLO('runs/detect/apple_yolov8n/weights/best.pt')results=model.predict(source='test_image.jpg',conf=0.3,save=True)4. 评估测试集性能
yolo detect valmodel=runs/detect/apple_yolov8n/weights/best.ptdata=apple-detection-dataset/data.yaml💡 小目标优化建议
由于“苹果”在果园图像中常为小目标，建议：
| 技术 | 说明 |
|---|---|
| 增大输入尺寸 | imgsz=1280（提升小目标分辨率） |
| 启用 Mosaic 增强 | 默认开启，有效提升小目标泛化能力 |
| 使用 P2 检测头 | 修改 YOLOv8 模型结构，增加浅层特征图检测（需自定义 YAML） |
| TTA（测试时增强） | 推理时加augment=True |
| 调整 anchor | 若使用 YOLOv5，可重新聚类生成适合小苹果的 anchor |
📈 预期性能指标（参考）
| 指标 | 预期值（YOLOv8s, imgsz=640） |
|---|---|
| mAP@0.5 | 0.78 ~ 0.85 |
| Recall（小目标） | > 0.70 |
| 推理速度（RTX 3060） | ~45 FPS |
📦 交付内容清单
- 图像数据（4,460 张）
- YOLO 格式标签（.txt）
data.yaml配置文件- 训练/验证/测试集划分
- 完整 Python 训练与推理代码
- 使用说明文档（README）
（支持资料、图片参考_相关定制）_文章底部可以扫码)
)