手把手教你部署YOLO26水果检测器：从训练到验证（含苹果/香蕉/菠萝等六类）（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）
摘要
本系统基于YOLO26目标检测算法，构建了一个面向六类常见水果（苹果、香蕉、芒果、橙子、菠萝、西瓜）的智能识别检测系统。系统采用深度学习技术，通过对水果图像数据进行训练和验证，实现了对多种水果的高精度实时检测。实验结果表明，模型在验证集上的整体平均精度(mAP50)达到65.8%，其中芒果和橙子的检测效果最佳，mAP50分别达到78.5%和81.4%。系统在保持较高检测精度的同时，具备良好的实时性能，单张图像推理时间仅需1.7ms，能够满足实际应用场景中对水果识别检测的需求。本系统可为智能零售、农产品分拣、果园监测等领域提供技术支持。
详细功能展示视频
https://www.bilibili.com/video/BV1F5oKB4EBK/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764
https://www.bilibili.com/video/BV1F5oKB4EBK/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1F5oKB4EBK/
目录
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅参数实时调节（置信度和IoU阈值）
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
引言
随着计算机视觉技术的快速发展，目标检测技术在农业智能化领域的应用日益广泛。水果识别检测作为智能农业的重要组成部分，在自动分拣、产量估计、成熟度判断、智能零售等场景中具有重要的应用价值。传统的水果识别方法主要依赖于人工特征提取和传统机器学习算法，存在特征设计复杂、泛化能力弱、难以应对复杂背景等局限性。近年来，基于深度学习的目标检测算法，特别是YOLO系列算法，凭借其端到端的检测框架和优异的实时性能，为目标检测任务提供了新的解决方案。
本研究基于YOLO26算法构建水果识别检测系统，该算法在YOLO系列基础上进一步优化了网络结构和训练策略，在保持高检测精度的同时提升了推理速度。系统通过对六类常见水果的检测识别，验证了深度学习技术在农产品检测领域的应用潜力，为后续的实际应用落地提供了技术基础。
背景
水果识别检测技术在现代农业和食品工业中具有广泛的应用前景。在农产品加工领域，水果的分拣分级是保证产品质量的重要环节。传统的人工分拣方式存在效率低下、主观性强、劳动强度大等问题，难以满足大规模工业化生产的需求。随着人工智能技术的成熟，基于机器视觉的自动分拣系统逐渐成为行业发展的趋势，其中水果的准确识别和定位是实现自动分拣的关键技术。
在智能零售领域，无人售货机和自助结算系统的普及对商品的自动识别提出了更高要求。水果作为生鲜商品的重要组成部分，其形状不规则、颜色多样、摆放随意等特点给识别检测带来了较大挑战。传统基于条码或重量传感器的方式难以实现对散装水果的准确计价，而基于视觉的识别系统能够有效解决这一问题。
在精准农业领域，果园中的水果产量估计、成熟度监测、病虫害识别等任务都需要依赖高效准确的目标检测技术。通过无人机或固定摄像头采集果园图像，结合目标检测算法实现对单个水果的识别和计数，可以为果园管理者提供精准的决策支持，优化施肥、灌溉、采摘等农事活动。
从技术发展角度来看，目标检测算法经历了从传统方法到深度学习的演进过程。早期的水果识别研究多采用颜色空间转换、纹理特征提取、形态学处理等方法，结合支持向量机(SVM)、AdaBoost等分类器进行识别。这些方法在简单背景和标准光照条件下能够取得一定效果，但在复杂自然环境中鲁棒性较差。随着深度学习技术的发展，基于卷积神经网络的目标检测算法逐渐成为主流。R-CNN系列算法开创了基于候选区域的两阶段检测范式，虽然精度较高但速度较慢。YOLO系列算法则开创了端到端的一阶段检测范式，在保持较高精度的同时大幅提升了检测速度，更适合实时应用场景。
YOLO(You Only Look Once)算法自2016年提出以来，经历了多个版本的迭代优化。YOLOv1开创性地将目标检测视为回归问题，直接预测边界框和类别概率。YOLOv2引入了批量归一化和锚框机制，提升了检测精度。YOLOv3采用多尺度预测和更深的网络结构，在速度和精度之间取得了更好的平衡。YOLOv4和YOLOv5在数据增强、网络结构、训练策略等方面进行了全面优化。最新的YOLO26在保持YOLO系列优势的基础上，引入了更高效的特征融合机制和更先进的训练技巧，进一步提升了检测性能和实时性。
尽管目标检测技术取得了显著进展，但在水果识别这一特定领域仍面临诸多挑战。水果的品种多样性导致同类水果之间存在较大差异；光照条件变化、枝叶遮挡、果实重叠等因素增加了检测难度；不同成熟度的水果在外观上差异显著；部分水果如香蕉、芒果等在形状上存在较大变化。此外，训练数据的标注质量、类别不平衡、背景干扰等问题也直接影响模型的检测性能。因此，针对水果识别这一特定任务开展系统研究，探索适合实际应用场景的检测方案，具有重要的理论价值和实践意义。
数据集介绍
本研究所使用的数据集包含六类常见水果，分别是：苹果(Apple)、香蕉(Banana)、芒果(Mango)、橙子(Orange)、菠萝(Pineapple)、西瓜(Watermelon)，类别总数nc=6。
数据集规模：
-
训练集：768张图像
-
验证集：129张图像
-
测试集：110张图像
-
总计：1007张标注图像
训练结果
模型性能概览
| 类别 | 图像数 | 实例数 | 精度 (P) | 召回率 (R) | mAP50 | mAP50-95 |
|---|---|---|---|---|---|---|
| Apple | 129 | 426 | 0.673 | 0.624 | 0.658 | 0.397 |
| Banana | 16 | 33 | 0.432 | 0.455 | 0.425 | 0.307 |
| Mango | 51 | 67 | 0.800 | 0.717 | 0.785 | 0.582 |
| Orange | 20 | 121 | 0.898 | 0.669 | 0.814 | 0.483 |
| Pineapple | 15 | 62 | 0.763 | 0.694 | 0.536 | 0.301 |
| Watermelon | 16 | 89 | 0.613 | 0.618 | 0.629 | 0.338 |
| 整体 | 247 | 798 | 0.697 | 0.630 | 0.658 | 0.401 |
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
详细功能展示视频
https://www.bilibili.com/video/BV1F5oKB4EBK/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1F5oKB4EBK/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1F5oKB4EBK/
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
14
0- 0
已为社区贡献236条内容
所有评论(0)