简介这份YOLO损坏的苹果检测数据集面向农业质检、食品分拣与图像分析方向的研究者和开发者用于训练模型识别并定位图像中受损的苹果适合具备一定目标检测基础、希望快速开展农产品质量检测实验的中高级学习者。资源包共724个文件以361张jpg图像、362个txt标注文件和1个yaml配置文件为主图像与标注一一对应yaml用于定义数据集路径与类别信息压缩包整体约3.56MB解压后可直接按YOLO格式组织训练、验证与测试流程。数据集划分清晰训练样本253张、验证样本103张、测试样本5张标注覆盖苹果位置与形状便于迁移学习或从头训练YOLOv8模型并借助mAP、召回率、F1分数等指标评估效果。目前已有609人学习下载可为农业自动化与智能质检场景提供一份轻量、可直接上手的实践素材。1. 损坏的苹果检测一个被低估的工业质检数据集方向分拣线上滚过来的苹果表面一道压痕、一块霉斑人眼扫过去零点几秒就能判断但要让摄像头和模型稳定复现这个判断难点根本不在模型结构而在数据。YOLO 损坏的苹果检测数据集这个方向本质是给目标检测任务准备一套「坏果样本 标注 训练管线」的完整闭环让 YOLO 系列模型能识别出碰伤、腐烂、虫蛀、裂口这几类缺陷。它解决的是农产品分拣、冷链质检、果园采收后处理里的自动化识别问题适合做视觉质检的工程师、带学生做课题的高校团队以及想拿一个真实缺陷检测场景练手 YOLO 训练的人。这个标题看着像只是「一个数据集」但真正落地时你会发现数据集怎么标、类别怎么定、增强怎么做比换模型版本重要得多。2. 损坏苹果数据集到底该长什么样类别设计与采集边界2.1 先定缺陷类别再谈标注格式很多人拿到「损坏苹果检测」这个需求第一反应是打开标注工具就开始框。我一般会先花半天把缺陷分类定死因为类别定义直接决定后面模型能不能收敛。工业质检里常见的苹果缺陷大致分四类碰伤表面凹陷、变色但未腐烂、腐烂霉斑、软腐、出水、虫蛀孔洞、虫道、裂口表皮开裂、果肉外露。这四类在图像上的视觉特征差异明显但碰伤和早期腐烂容易混如果产线只关心「合格/不合格」二分类那就别硬拆四类直接做单类缺陷检测反而更稳。类别数量还受标注成本约束。四类缺陷意味着每个苹果可能要标多个框一张图里三四个苹果、每个苹果两三种缺陷标注工作量翻倍。我的经验是如果团队只有两三个人标数据先做「完好 / 损坏」二分类检测跑通全流程后再细分类别。YOLO 的检测头对类别数不敏感从 2 类扩到 5 类改个nc参数重新训练就行但标注返工的成本远高于重新训练。2.2 采集场景决定模型上限数据集的质量上限在采集阶段就锁死了。损坏苹果检测最常见的翻车场景是训练集全是实验室均匀光照下的单果照片部署到分拣线上遇到传送带运动模糊、侧向补光、苹果堆叠遮挡模型直接崩。所以采集时要刻意覆盖几类变量变量维度建议覆盖范围不覆盖的后果光照正面光、侧光、背光、阴影模型对光照敏感产线换灯就失效姿态果梗朝上、朝下、侧躺缺陷在背面时漏检遮挡单果、双果接触、多果堆叠密集场景召回率骤降背景传送带、纸箱、塑料筐、人手背景误检成缺陷缺陷阶段早期轻微、中期明显、晚期严重早期缺陷全漏每个维度至少采 200 到 300 张有效图总量控制在 1500 到 3000 张之间比较合理。太少模型学不动太多标注成本扛不住。如果实在采不够可以用旋转、亮度扰动、随机裁剪做增强但增强不能替代真实场景覆盖尤其是遮挡和运动模糊这两类合成出来的和真实差距很大。2.3 标注格式与 YOLO 的对接YOLO 系列用的是归一化中心点坐标格式class_id x_center y_center width height全部除以图像宽高。常见标注工具导出的是 VOC XML 或 COCO JSON需要转一道。我一般用 LabelImg 标完导出 VOC再写脚本转 YOLO 格式。转换时最容易踩的坑是坐标越界和空标注文件下面这段脚本在转换时会顺手做校验import os import xml.etree.ElementTree as ET def voc_to_yolo(xml_dir, img_dir, out_dir, class_map): xml_dir: VOC标注文件夹 img_dir: 对应图片文件夹用于读取宽高 out_dir: 输出YOLO标签文件夹 class_map: {bruise:0, rot:1, ...} os.makedirs(out_dir, exist_okTrue) for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() # 图片宽高从XML里读比从图片读快 size root.find(size) w int(size.find(width).text) h int(size.find(height).text) lines [] for obj in root.iter(object): name obj.find(name).text if name not in class_map: continue # 未定义类别直接跳过避免训练时报错 bbox obj.find(bndbox) x1 float(bbox.find(xmin).text) y1 float(bbox.find(ymin).text) x2 float(bbox.find(xmax).text) y2 float(bbox.find(ymax).text) # 裁剪到图像边界内防止越界导致归一化后坐标1 x1, y1 max(0, x1), max(0, y1) x2, y2 min(w, x2), min(h, y2) if x2 x1 or y2 y1: continue # 无效框丢弃 xc (x1 x2) / 2.0 / w yc (y1 y2) / 2.0 / h bw (x2 - x1) / w bh (y2 - y1) / h lines.append(f{class_map[name]} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}) # 即使没有目标也写空文件YOLO训练时作为负样本 with open(os.path.join(out_dir, xml_file.replace(.xml, .txt)), w) as f: f.write(\n.join(lines))这段脚本的关键处理有三处坐标裁剪防止越界、无效框丢弃、空文件保留作为负样本。负样本对损坏苹果检测特别重要因为产线上大部分苹果是完好的如果训练集里没有「完好苹果」的负样本模型会把所有苹果都框成缺陷。参数上class_map要和后面训练配置里的names顺序完全一致错一位整个训练结果就废了。3. 用 YOLOv8 跑通损坏苹果检测的最小训练管线3.1 环境配置与数据目录组织YOLOv8 目前是落地最顺手的一版Ultralytics 的接口统一训练脚本短适合快速验证数据集质量。环境配置我一般用 conda 建独立环境避免和系统里的 torch 版本打架conda create -n apple_det python3.10 -y conda activate apple_det pip install ultralytics8.2.0 opencv-python pillow # 验证安装能打印版本就说明环境通了 yolo version数据目录按 YOLO 官方约定组织images和labels平行放train/val 分开apple_dataset/ ├── images/ │ ├── train/ # 约80%图片 │ └── val/ # 约20%图片 ├── labels/ │ ├── train/ │ └── val/ └── apple.yamlapple.yaml是数据集描述文件内容如下path: /home/user/apple_dataset train: images/train val: images/val nc: 4 names: [bruise, rot, wormhole, crack]nc是类别数names顺序必须和转换脚本里的class_map一致。这里有个血泪经验path用绝对路径别用相对路径否则从不同目录启动训练时 YOLO 找不到数据报的错还是「找不到图片」这种模糊提示排查半天。3.2 训练命令与关键参数怎么设最小训练命令就一行但参数设不对结果差很多yolo detect train \ dataapple_dataset/apple.yaml \ modelyolov8n.pt \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ projectruns/apple \ nameexp1逐个说参数。modelyolov8n.pt用 nano 版预训练权重损坏苹果检测这种单场景任务nano 版通常够用如果缺陷特别小比如虫蛀孔洞只有几十像素换yolov8s.pt或yolov8m.pt。imgsz640是输入分辨率缺陷小于 32 像素时建议提到 960 或 1280但显存占用会翻倍V100 上 640 能跑 batch 321280 只能跑 batch 8。lr00.01是初始学习率用预训练权重时这个值比较稳从零训练要降到 0.001。patience30是早停耐心值30 轮验证集指标不涨就停防止过拟合。训练过程中重点看三个指标box_loss持续下降说明框回归在学cls_loss下降说明分类在学mAP50是主指标。如果box_loss降但mAP50不涨大概率是标注框质量差或类别混淆如果cls_loss震荡检查是不是有标错的类别。3.3 推理验证与混淆矩阵解读训练完先别急着部署用验证集跑一遍推理看实际效果yolo detect predict \ modelruns/apple/exp1/weights/best.pt \ sourceapple_dataset/images/val \ conf0.25 \ saveTrue \ projectruns/apple_predictconf0.25是置信度阈值漏检多就降到 0.15误检多就提到 0.4。跑完在runs/apple_predict里看图重点看三类失败案例缺陷在苹果边缘被截断的、多个苹果堆叠只框出一个的、把果梗阴影误判成碰伤的。混淆矩阵在runs/apple/exp1/目录下看对角线外的数字。如果bruise大量被预测成rot说明这两类视觉特征重叠严重要么合并类别要么补充更多区分性样本。如果背景被大量预测成缺陷说明负样本不够往训练集里加完好苹果的图。4. 损坏苹果检测的避坑清单从标注到部署的五个翻车点4.1 坑一标注框贴太紧模型学不到边缘特征现象训练 loss 正常下降但推理时缺陷框总是比实际小一圈边缘缺陷漏检。原因标注时框贴得太紧模型学到的特征全是缺陷内部纹理没有包含缺陷与正常果皮的过渡区域。YOLO 的回归目标要求框覆盖完整目标贴太紧等于教模型「只看中心」。解决标注时框向外扩 3 到 5 个像素让框包含缺陷边缘的过渡带。如果是小缺陷扩完后框至少 16x16 像素太小的框在 640 分辨率下下采样后特征几乎消失。4.2 坑二类别不平衡导致小类全漏现象腐烂样本多、裂口样本少训练完裂口类 mAP 接近 0。原因YOLO 默认损失对各类别等权样本少的类别梯度贡献小模型倾向于全预测多数类。解决两个办法。一是数据层面对少类样本做过采样复制或增强后混入训练集二是损失层面YOLOv8 支持在apple.yaml里不直接配但可以在训练时用cls2.0加大分类损失权重或者用fraction参数控制采样比例。我一般先试数据过采样简单直接。4.3 坑三验证集和训练集同分布指标虚高现象验证集 mAP 0.9部署到产线 mAP 掉到 0.5。原因train/val 随机划分时同一批采集的图被分到两边光照、背景高度相似验证集没有起到「泛化评估」作用。解决按采集批次划分比如上午采的做训练、下午采的做验证或者按光照条件分层划分。验证集必须包含训练集没见过的场景变量否则指标没有参考价值。4.4 坑四图像增强过度缺陷被裁掉现象训练时 mAP 正常推理时模型对完整苹果检测正常对局部特写图完全失效。原因用了mosaic1.0和mixup这类强增强随机裁剪把缺陷裁出画面模型学到的是「缺陷在画面中心」的伪特征。解决损坏苹果检测建议mosaic0.5以下mixup0copy_paste0。增强以亮度扰动、小角度旋转、轻微缩放为主别用会改变目标完整性的增强。4.5 坑五部署时预处理和训练不一致现象训练指标很好部署到边缘设备上推理结果全乱。原因训练时 YOLO 内部做了 letterbox 缩放和归一化部署时自己写的预处理用了直接 resize长宽比变了坐标映射全错。解决部署时要么直接用 Ultralytics 的推理接口要么严格复现 letterbox按长边缩放、短边填充灰边、归一化到 0-1。坐标还原时记得减去填充偏移再除以缩放比例。5. 把数据集用出复利从单场景到多品类的迁移技巧数据集做完第一版别急着收工。损坏苹果检测这套管线稍微改改就能迁移到梨、桃、柑橘的缺陷检测关键是抓住可复用的部分。我的习惯是先把苹果这套标注规范、转换脚本、训练配置固化成模板换品类时只改三处类别定义、采集数据、apple.yaml里的names。模型结构、训练参数、增强策略基本不用动因为表面缺陷检测的视觉特征在不同水果间有共性。迁移时有个技巧用苹果数据集预训练再拿新品类数据微调。具体做法是先跑完苹果训练拿到best.pt然后在新品类数据上加载这个权重继续训练学习率降到 0.001epochs 设 50 左右。这样比从 COCO 预训练权重起步收敛快因为模型已经学过「表面缺陷」这类特征。我试过苹果到柑橘的迁移同样数据量下 mAP 比从零训练高 8 到 10 个点。另一个进阶用法是做缺陷分割。如果产线不仅要知道「有没有缺陷」还要知道「缺陷面积多大」可以在 YOLOv8 基础上换yolov8n-seg.pt做实例分割标注从框改成多边形。分割标注成本比框高大概 3 倍但能输出像素级缺陷面积对分级定价更有价值。转换脚本要改的地方是把 bbox 解析换成 polygon 点集解析输出格式变成class_id x1 y1 x2 y2 ...归一化坐标。验证数据集质量有个笨办法但很有效把训练集里的图随机抽 20 张让标注的人隔一周重新标一遍对比两次标注的框 IoU。如果平均 IoU 低于 0.7说明标注规范不清晰模型学到的边界本身就是模糊的再怎么调参也上不去。这个自检我每次做新数据集都会跑一遍比看 loss 曲线更能发现问题。最后说个我踩过的坑别在数据集还没稳定的时候就开始调模型结构。我早期做苹果缺陷检测数据标到一半就去试各种注意力模块、换 backbone折腾两周指标没涨回头把标注规范统一、补了 300 张遮挡样本mAP 直接涨了 15 个点。数据质量的天花板远低于模型结构的天花板先把数据做扎实再谈改进。希望帮到你。本文还有配套的精品资源点击获取