简介面向目标检测学习者和算法工程师的YOLOv5水果检测数据集涵盖菠萝、李子、红番茄、西瓜四类常见水果。图片标注完整训练集、验证集、测试集已按目录划分完毕并附有可直接读取的data.yaml配置说明适用于YOLOv5、YOLOv7、YOLOv8等主流检测算法的模型训练与效果验证。压缩包共1107个文件其中553张jpg图片与553个txt标签文件一一对应每张图片均包含对应类别与边界框信息另含1个yaml配置文件整体大小31.72MB目录结构遵循YOLO系列常见工程布局设置好数据路径后即可直接运行训练脚本。目前已有841人学习下载省去自行整理标注数据和划分数据集的繁琐过程拿到后即可开始训练调试。该数据集可直接作为目标检测入门的练习数据也便于对比不同YOLO版本的检测效果尤其适合快速验证模型改进思路或完成课程设计中的目标检测模块。1. 一份命名规整的水果检测数据集到底能省你多少事做视觉检测的同行应该都有过这种经历模型结构调通了、训练脚本跑顺了却卡在数据上——自己拍照标注几百张图片一个周末就搭进去从网上爬图拼数据集标签混乱得让人想摔键盘。yolov5水果检测数据集 fruit-detect-yolov5-5.zip这个标题指向的就是一份已经整理成 YOLOv5 训练格式的现成水果检测数据包。这类资源在开发者手里是刚需解压之后改一下数据配置文件就能直接丢进 YOLOv5 开始训练省掉从零标注和格式转换的两大块脏活。这份数据集的定位很明确面向目标检测里的常见水果类别苹果、香蕉、橙子这类图片尺寸和标签格式都按 YOLOv5 的默认约定组织。适合的人群分两类——第一是刚入门 YOLOv5、想用现成数据跑通整个训练流程的新手第二是做农产品分拣、无人零售货柜这类场景验证的工程师需要先用公开数据把流程跑通、把超参数摸出个大概再换自己的业务数据。正文里我会按数据集解压后的目录结构、标签格式验证、训练参数设置、常见坑点排查、以及训练后如何导出做批量推理这条线把这个数据包的完整用法拆给你看。2. 解压后先别急着训练fruit-detect 数据集的目录结构与标签格式拿到fruit-detect-yolov5-5.zip这份压缩包常见做法是先解压到 YOLOv5 项目同级目录下。但很多人第一步就跑偏——解压完直接打开 train.py 开训结果报错找不到图片路径。根源在于YOLOv5 训练时读取的不是图片路径本身而是通过数据配置文件data/*.yaml里的相对路径定位图片目录同时通过标签文件里的类别编号映射到类别名字。所以先花五分钟把目录结构和标签内容看明白比你闷头调参数重要得多。2.1 压缩包解压目录结构长什么样用常见的解压命令把压缩包解开得到的主目录通常是fruit-detect-yolov5-5里面按训练集、验证集、测试集划分。规范的 YOLO 检测数据集目录结构一般是fruit-detect-yolov5-5/ ├── train/ │ ├── images/ │ │ ├── apple_001.jpg │ │ ├── banana_002.jpg │ │ └── ... │ └── labels/ │ ├── apple_001.txt │ ├── banana_002.txt │ └── ... ├── valid/ │ ├── images/ │ └── labels/ ├── test/ │ ├── images/ │ └── labels/ ├── fruit.yaml (或 dataset.yaml / fruit_detect.yaml) └── README.txt (可选)images目录放原始图片labels目录放对应同名 txt 标签文件。图片和标签的文件主名一一对应后缀不同。解压后第一件事不是看图而是用文件计数确认三个子集的数量关系——训练集样本数通常占总量的 80% 左右验证集 20%测试集可多可少。在 Windows 上直接右键解压就能看到结构Linux 或服务器上我用的是unzip fruit-detect-yolov5-5.zip cd fruit-detect-yolov5-5 find . -type f | head -20 # 快速看前 20 个文件参数说明unzip不加-d参数时会把压缩包内根目录释放到当前路径如果压缩包作者没有在打包时包一层外层目录建议先mkdir fruit-detect unzip fruit-detect-yolov5-5.zip -d fruit-detect/避免文件散落一地。使用find列出文件列表时重点看 images 和 labels 的配对情况。2.2 标签格式核验YOLO 格式的五个数字分别代表什么水果检测这种单阶段目标检测任务YOLOv5 默认使用归一化的 YOLO 标签格式。每个 txt 标签文件包含若干行每行五个数字class_id x_center y_center width height以apple_001.txt为例文件内容可能是0 0.5123 0.4561 0.2345 0.3128 1 0.6789 0.3210 0.1567 0.1984第一列class_id是类别编号从 0 开始递增后面四列分别是目标包围框中心点的 x、y 坐标和包围框的宽、高全部做了归一化处理——即除以图片本身的宽高值域在 0 到 1 之间。注意 YOLOv5 要求的中心点坐标和宽高都是相对于整张图片的比例不是像素绝对值。拿到数据集后建议写一行命令核对标签格式是否符合预期。我自己惯用一个极简的方式检查——先看类别总数是否跟数据配置文件里的nc一致wc -l train/labels/apple_001.txt head -n 3 train/labels/apple_001.txtwc -l查看一个标签文件里有多少个目标框head看内容是否规范。从这里能直接分辨出这份数据集标的是单类还是多类。如果标签里有第三列大于 1 的情况说明这个 txt 可能用了像素坐标或未归一化坐标训练时 YOLOv5 会警告甚至直接跳过该样本——这个坑后面排查章节还会细讲。2.3 数据配置文件改写把 nc 和 names 与你的任务对齐找到压缩包里的 YAML 文件——一般叫fruit.yaml或fruit_detect.yaml这是 YOLOv5 训练时的数据入口内容很短但决定整个训练流程的路径查找。常见写法如下train: fruit-detect-yolov5-5/train/images val: fruit-detect-yolov5-5/valid/images test: fruit-detect-yolov5-5/test/images nc: 3 names: [apple, banana, orange]说明train/val/test下填的是 images 目录的路径YOLOv5 会自动把同级目录下的labels文件夹当成标签源。我建议你在启动训练前把这个 YAML 文件里的路径改成从 YOLOv5 项目根目录出发的相对路径避免换一台机器、换一个终端工作目录就找不到文件。nc是类别总数names是类别名字列表顺序、数量和标签里的class_id一一对应——如果这份数据集包含的是其他水果比如苹果、梨、柿子记得把 names 改成标签里真实的类别名。熟练之后还可以直接用sed做路径替换把绝对路径改成相对路径sed -i s|/home/user/old/path|fruit-detect-yolov5-5/train/images|g fruit.yaml这里用了sed -i原地替换注意分隔符用的是|而不是常用/是为了避免路径里自带斜杠造成转义混乱——这是路径替换时最容易翻车的地方。改完后cat fruit.yaml确认内容无误再启动训练。3. 从零跑通 YOLOv5 训练环境准备、数据加载与最小可复现命令目录结构和标签格式确认无误之后下一步就是把这份水果数据集喂进 YOLOv5 让它真正跑起来。这一步的难点不在训练本身而在于把环境和路径问题一次清干净。很多人训练报错追到底都是同一个原因数据配置文件里的路径写错或者标签里有非法字符导致加载中断。3.1 环境准备Python 版本、PyTorch 与依赖安装YOLOv5 对环境要求并不苛刻但版本组合容易踩坑。个人长期使用的组合是Python 3.9 或 3.10 PyTorch 1.12 以上 CUDA 11.3 以上。如果只是验证这份水果数据集能不能用、跑通训练流程纯 CPU 也够但训练速度会慢到让人怀疑人生——一张 RTX 3060 大约 20 分钟能收敛的迭代CPU 可能要跑三个小时。有条件还是用 GPU。安装依赖之前先新建虚拟环境防止把系统 Python 环境搞乱conda create -n yolov5 python3.9 -y conda activate yolov5 pip install -r requirements.txtrequirements.txt在 YOLOv5 项目的根目录下里面列了torch、opencv-python、numpy、pandas、seaborn等依赖项。如果你不希望 pip 自动安装 CPU 版 PyTorch建议先手动装 GPU 版本再装其他依赖。一个常见做法是pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt参数说明第一行指定了 PyTorch 的 CUDA 11.8 版本 wheel 源如果你本机 CUDA 版本不是 11.8需要改成对应的 cu117/cu121。这一点不确认后面torch.cuda.is_available()返回 False训练白白在 CPU 上打转。3.2 用一份最小数据配置把训练命令跑通环境就绪后把数据 YAML 文件放在 YOLOv5 项目的yolov5/data/目录下比较省事——因为 YOLOv5 源码里的train.py默认从data/目录解析 YAML 路径。当然你也可以把fruit.yaml放在任意位置在命令里写完整路径即可。我最常采用的是一次性把路径和关键超参数都写在命令行里跑的最小命令python train.py \ --data fruit.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0这份命令的参数逐项解释--data指向数据配置文件内容就是我们刚才改好的fruit.yaml路径相对于当前命令行执行位置。建议写成data/fruit.yaml避免终端工作目录不一致导致找不到文件。--weights预训练权重。yolov5s.pt是 YOLOv5 官方发布的 small 版本模型体积小、训练速度快适合验证数据质量。YOLOv5 在首次运行时自动从官方仓库下载对应权重网络环境差时可能失败可以手动下载后放到项目根目录。--img输入图片缩放尺寸。水果检测任务里目标通常较大640是比较稳妥的默认值。如果图片里有很小颗的樱桃、枣子建议改成960并配合--rect参数做矩形推理。--batch批次大小。16 是 8GB 显存下比较安全的值显存紧张调到 8显存富余24GB 以上可以上 32。--epochs迭代轮数。水果这类少类别、目标显著的检测任务100 轮足够收敛。数据集样本量小几百张时100 轮以内的早停概率很高。--device指定训练设备0 表示第一张 GPU用cpu表示强制 CPU 训练。训练开始后日志里会依次打印每轮的box_loss、obj_loss、cls_loss以及mAP0.5、mAP0.5:0.95等指标。第一批次跑完、看到类似Epoch gpu_mem的表格滚出来就说明数据加载没问题训练正常进入了。3.3 数据增强策略的初始设定水果检测该关掉哪些增强YOLOv5 默认开了 Mosaic、MixUp、HSV 扰动等一大堆数据增强策略。但对水果检测这个场景建议先做减法再谈调优。切片操作对机器人抓取场景有实际意义——水果可能密集堆放、互相遮挡Mosaic 打乱拼接后能增强模型的抗遮挡能力。但有一类增强对水果检测是减分项旋转和透视变换。水果形状相对规整苹果、橙子的圆形轮廓被过度拉伸或旋转后标注框的形状与真实目标严重不匹配反而拉低收敛速度。YOLOv5 的超参数文件data/hyps/hyp.scratch-low.yaml里可以手动关掉不需要的增强项fliplr: 0.5 # 水平翻转概率水果检测建议保留 mosaic: 1.0 # Mosaic 增强样本量少时强烈建议保留 mixup: 0.0 # MixUp 混类增强水果检测建议关闭 degrees: 0.0 # 旋转角度设为 0 关闭旋转 translate: 0.1 # 平移保留小范围平移 scale: 0.5 # 缩放保证大小泛化这些参数含义fliplr是水平翻转概率对左右对称的水果安全mixup会把两张图按比例混合成一张图类别语义会被模糊水果检测任务里实测容易让模型对边界不敏感degrees控制随机旋转的角度范围大多数真实水果检测的部署场景——传送带、货架——目标都是正放旋转增强性价比不高。这些开关在第一次训练时直接改低后面如果验证集 mAP 不够再逐步打开做对照实验。在 YOLOv5 里如果不想改默认超参数文件也可以在训练命令里直接通过--hyp指定自定义超参数文件cp data/hyps/hyp.scratch-low.yaml data/hyps/hyp.fruit.yaml python train.py \ --data data/fruit.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --device 0 \ --hyp data/hyps/hyp.fruit.yaml这里先复制了一份默认超参文件再改避免污染官方默认配置方便后面做消融对照。训练到 50 轮左右顺手看一眼runs/train/exp/目录下的train_batch0.jpg如果发现画面里的水果被拉成奇怪的形状多半是 degrees 或 perspective 没关干净。4. 训练过程中的关键观察点loss 曲线、mAP 与过拟合判断训练脚本能跑起来只是第一步模型质量高不高要看训练过程中的曲线变化。很多新手的通病是盯着终端日志一行行刷屏也不知道哪条指标该看、哪条可以忽略。其实 YOLOv5 训练时最该关注的只有两个验证集 mAP 和训练集 loss 的收敛趋势。水果检测数据集通常样本量不算大train 和 val 的 loss 曲线拉开的时机很关键。正常过程是前 20 轮 train loss 和 val loss 一起快速下降20 轮之后 train loss 继续缓慢下降如果 val loss 开始掉头上升说明模型开始过拟合了——这时候再怎么训都是白费正确做法是减少 epochs 或者加强数据增强。YOLOv5 训练日志里每个 epoch 结束都会打印一行val mAP0.5指标mAP 值不再增长反而连续五个 epoch 原地波动就可以考虑提前终止。在训练跑完之前还有一个你可能已经踩进去的坑——类别不平衡。假如这份水果数据集的标签分布是苹果 1000 张、香蕉 300 张、葡萄 50 张那么模型收敛后期葡萄类别的 AP 会明显低于苹果和香蕉。YOLOv5 的utils/loss.py里默认的类别权重是均等的数据分布不均时建议手动调整损失权重或者在训练命令里加上--cls参数提高分类损失的惩罚系数。水果检测这种少类别任务样本量少的类别往往会成为整体 mAP 的短板这是我自己多次训练后验证过的规律。训练结束后的产物全部在runs/train/exp/目录下里面值得注意的文件有weights/best.pt验证集 mAP 最高的权重部署和推理直接用它weights/last.pt最后一个 epoch 的权重如果训练因为中断没跑完可以从这个权重续训results.png训练曲线汇总图包括 loss、mAP、PR 曲线的可视化confusion_matrix.png各类别之间的混淆矩阵看哪些水果类别互相误判checkpoint 的命名规则其实就够日常用了。best.pt是最终选型的依据但如果训练过程出现 val loss 异常波动建议看一眼results.png里 PR 曲线的形态——曲线下面积小、整体贴近坐标轴说明模型对目标位置的定位能力弱该回头检查标签里的框坐标是否准确。下一章集中讲训练和推理阶段最常遇到的五类问题每条都是能直接影响训练成败的实操踩坑经验。5. 训练与推理的五大踩坑记录标签错位、路径飘忽、样本失效与性能假象5.1 现象训练日志里某个 epoch 的all指标全部变成 0原因标签文件里的类别编号class_id超出了数据配置文件里nc定义的范围。比如fruit.yaml声明nc: 3但某个标签文件里出现了class_id为 4 的行。YOLOv5 在数据加载阶段不会直接中止训练而是把这条标签视为无效数据对应图片也会被跳过具体表现为该 batch 的检测目标数量为零。解决写一段快速脚本扫描目录下所有标签文件找出最大类别编号。通常问题出在数据集的类别顺序跟你自定义的names列表不一致。例如原数据集类别顺序是[apple, orange, banana]而你为了业务需要把顺序改成了[apple, banana, orange]——标签里原来的 1 号类别orange现在被当成 banana 训练数值层面不报错模型实际学到的语义却乱了。我的习惯是先把标签里的class_id扫描一遍再对齐names列表顺序。5.2 现象训练能启动但每个 epoch 的img_count远小于数据集实际图片数原因数据集里有损坏的图片或空标签文件。fruit-detect-yolov5-5.zip解压后偶尔会出现个别图片文件只有几 KB视觉上看不出异常但 OpenCV 读取时直接返回空数组。YOLOv5 的LoadImagesAndLabels遇到这类图片会静默跳过不中断训练所以表现为样本量神秘减少。解决训练前先做一轮全量清洗python - EOF import cv2, glob imgs glob.glob(fruit-detect-yolov5-5/train/images/*.jpg) print(ftotal images: {len(imgs)}) broken [p for p in imgs if cv2.imread(p) is None] print(fbroken images: {len(broken)}) for p in broken: print(p) EOF这段脚本用cv2.imread读取全部图片凡是返回None的就是坏图。找到坏图后把对应的图片和标签一起删掉——注意只删图片不删标签训练会报标签无匹配。这是最容易被忽略的细节。5.3 现象训练时提示AssertionError: train: No labels in ...或label shape错误原因标签文件和图片文件名不匹配。常见情况有三种一是标签文件名带了多余空格或中文字符二是图片扩展名被改过.jpg改成.png导致标签后缀匹配不到图片三是压缩包在 Windows 上解压时文件名编码出了乱码。YOLOv5 查找标签的逻辑是取图片的完整主名再尝试拼接.txt任何一端不一致都会造成标签缺失。解决用一段简短的校验脚本检查文件名的严格对应关系ls train/images/ | wc -l ls train/labels/ | wc -l comm -3 (ls train/images | sed s/\.[^.]*$//) (ls train/labels | sed s/\.[^.]*$//)comm -3能快速找出两个目录下主名不一致的文件——左边独有、右边独有都会列出来。扫描一遍把不配对的文件修正或删掉比训练中途再去排查高效得多。5.4 现象训练 loss 一直在降但验证集 mAP 卡在 0.2 上下不动原因标签框与图片内容错位。这类数据集往往在采集时使用了自动化标注工具但因为目标分割不准确或人工校验不严谨部分标注框偏移严重——框只框住了半个苹果或者把果柄、叶子也圈了进去。YOLOv5 训练不报错但模型从这类标注里学到的是错误的目标边界信息表现为 loss 看似正常下降、mAP 始终上不去。解决这是数据质量问题的典型症状。打开几张训练图片调用 YOLOv5 自带的标注可视化工具直接把标签框叠加到图片上目检python detect.py --weights runs/train/exp/weights/best.pt --source fruit-detect-yolov5-5/valid/images/ --conf 0.25检测结果输出在runs/detect/exp/把预测框叠加图和原图对比就能看出标签和实际物体位置的偏移程度。如果确认是标签错位比较稳妥的办法是找出对应图片手动用 LabelImg 或 X-AnyLabeling 重新标注修正后替换原标签文件。5.5 现象训练指标 mAP 很高但部署到实际场景里检测效果一塌糊涂原因数据集分布与实际业务场景不一致。常见情况是数据集里的水果图片背景干净、光线均匀、目标大而居中但实际部署场景——超市货柜、厨房桌面、果园环境——背景杂乱、光照变化大、目标尺度不一。这属于数据集的域偏移问题模型在验证集上指标再好看到了真实场景也会翻车。解决训练之前先做数据分布比对。把数据集的图片尺寸、目标框大小分布、场景背景类型列出来与真实部署环境对照。如果两者差别大优先从实际场景里补充采集数据加入训练集一起训练而不是依赖一份公开数据集打天下。这是所有公开数据集落地时必须面对的一关水果检测尤为典型。我一般把公开数据集当预训练基础真实场景数据至少要占总量的 30% 以上。6. 把训练好的权重用起来批量推理、结果可视化与精度验证模型训练到收敛、best.pt 保存下来接下来的问题就变成怎么快速看到它在真实图片上的表现以及怎么判断它到底能不能用。YOLOv5 自带的detect.py覆盖了常规的批量推理需求几行命令就能把验证集或测试集全部跑一遍输出标记好检测框的图片和一份检测结果汇总。我最常用的推理命令python detect.py \ --weights runs/train/exp/weights/best.pt \ --source fruit-detect-yolov5-5/test/images/ \ --conf 0.25 \ --iou 0.45 \ --save-txt \ --save-conf参数含义--conf设成 0.25 表示置信度高于 0.25 的检测框才保留水果检测这类目标特征明显的任务0.25 会给出较多候选但实际部署取 0.3 至 0.4 之间噪音更小。--iou是非极大值抑制的 IoU 阈值0.45 是 YOLOv5 默认值目标是密集摆放的水果时建议微调到 0.5——提高 IoU 阈值能让相互重叠的框保留更多有效目标。--save-txt会把每个检测框的类别、置信度、坐标写入 txt 文件--save-conf在输出框上额外标注置信度数值。检测输出在runs/detect/exp/目录下每张图片对应一个同名 txt内容格式是class_id confidence x1 y1 x2 y2从这些 txt 文件里可以直接统计模型的有效检测率。我一般会用一段极短脚本统计被检出目标的数量验证模型在测试集上是否存在大面积漏检python - EOF import glob labels glob.glob(runs/detect/exp/*.txt) detected sum(1 for l in labels if len(open(l).read().strip()) 0) print(f{detected}/{len(labels)} images have detections) EOF这个统计能快速暴露大规模漏检问题。如果测试集里半数图片没有检测框输出优先检查推理时的图片分辨率是否与训练一致、目标尺度是否远小于训练集里的常见尺寸。精度验证方面除了训练日志里的 mAP更贴近实际的是在测试集上重新跑一遍验证脚本python val.py \ --data data/fruit.yaml \ --weights runs/train/exp/weights/best.pt \ --img 640 \ --conf 0.001 \ --iou 0.6--conf设成最低值 0.001 是为了让所有候选框都参与评估、画出完整的 PR 曲线反映模型在低置信度区间的召回能力--iou 0.6是指检测框与真实标注框 IoU 达到 0.6 以上才算正确命中。打印结果里看mAP0.5和mAP0.5:0.95两列前者是 PASCAL VOC 的经典指标后者是 COCO 的严格指标后者比前者通常低 10 到 20 个百分点属于正常现象。序列部署前最后一件事是取几段真实场景视频做连续帧推理。静态图片上的表现经常高估模型能力——水果在传送带上移动时会产生运动模糊监控场景下分辨率不足也容易漏检。把--source指向一段 mp4 文件或摄像头序号0跑一轮看到的才是部署后的真实水平。我自己每次做完一批数据集的训练和验证都会保留runs/train/exp目录里所有曲线图和权重文件同一个数据集跑过的不同超参数组合也全部归档——上次跑完确认有效的参数组合下次换数据重新训练时能省下大量试错时间。训练结果和参数记录整理在一起比重新读一遍训练日志要高效得多这也是我踩过几次重复调整参数的坑之后养成的习惯。希望这个数据集的实操拆解能帮你在水果检测这条路上少走一段弯路。本文还有配套的精品资源点击获取