企业官网建设流程全解析

果园智能化分选突破口 | YOLO苹果成熟度目标检测数据集分享 | YOLO格式 | 苹果识别

#YOLO目标检测 #苹果成熟度识别 #智慧农业数据集 #YOLO11 #计算机视觉农业应用

---

开篇

2026年北方苹果主产区，大量果园依旧依靠人工肉眼判定果实成熟等级。
人工分拣存在三大难以规避的痛点：采摘期用工缺口大、成熟度评判标准因人而异、长时间人眼识别容易疲劳错检。

传统分选设备大多只能检测果径、表面缺陷，很难区分幼果、前期生长果、生长后期果实、成熟苹果四类生长阶段。
基于机器视觉的成熟度自动识别方案，成为智慧果园落地的关键一环。想要训练一套可用的检测模型，高质量实景标注数据集，正是项目最大的门槛。

今天分享一套适配YOLO系列、现成txt标注格式的苹果成熟度检测数据集，可直接用于YOLO11训练，快速搭建果园苹果成熟度智能识别系统。

一、数据集基础详情

整套数据集采用YOLO标准txt标注格式，无需额外转换标注文件，开箱即可投入模型训练。数据集严格按照8:2比例划分训练集、验证集，适合目标检测模型训练、调参、效果验证。

项目	详情参数
数据集主题	苹果成熟度多类别目标检测
图像总数量	2039张实景果园图像
训练集划分	1631张（80%）
验证集划分	408张（20%）
识别类别总数	4类
标注格式	YOLO txt格式（类别id+归一化坐标）
目标类别名称	Young apple（幼果） Pre-growth apple（生长前期苹果） Late-growth apple（生长后期苹果） Ripe apple（成熟苹果）
适配模型	YOLO11、YOLOv8、YOLOv5等主流YOLO架构
基准模型效果	YOLO11训练 mAP@0.5 ≥ 0.9

备注：资料仅包含图像与标注文件，不含预训练代码、部署程序；为电子数据资源。

二、数据集使用思路与工程方案

拿到数据集后，首要工作是构建规范数据集目录，YOLO模型对文件夹结构有固定要求。
下方代码采用决策注释（说明这段代码要解决什么业务问题，而非解释语法），代码块做折叠展示。

点击展开｜数据集目录自动构建脚本 ```python import os import shutil

决策：自动生成YOLO标准目录结构，避免手动建文件夹产生路径错误

def build_yolo_dir(root_path):
dir_list = [“images/train”, “images/val”, “labels/train”, “labels/val”]
for d in dir_list:
os.makedirs(os.path.join(root_path, d), exist_ok=True)

ifname== “main”:
dataset_root = “./apple_ripeness”
build_yolo_dir(dataset_root)

</details> ### 数据集yaml配置文件（核心） 新建`apple.yaml`，作为YOLO11训练读取配置文件 ```yaml # 决策：定义数据集路径与类别，匹配4类苹果成熟度标签 path: ./apple_ripeness train: images/train val: images/val names: 0: Young apple 1: Pre-growth apple 2: Late-growth apple 3: Ripe apple

点击展开｜YOLO11简易训练启动代码 ```python from ultralytics import YOLO

决策：加载预训练权重迁移学习，相比从零训练大幅降低收敛难度

ifname== “main”:
model = YOLO(“yolo11s.pt”)
model.train(
data=“apple.yaml”,
epochs=100,
imgsz=640
)

</details> 训练完成后，在验证集测试，这套数据集训练出的模型mAP50可以稳定达到0.9以上，在光照正常的果园实拍场景具备不错的识别稳定性。 ## 三、落地思考：数据集如何适配真实果园场景 1. 图像采集场景为自然果园环境，存在枝叶遮挡、逆光、重叠果实，贴近真实采摘环境，相比实验室干净图像泛化能力更强； 2. 四类标签覆盖苹果完整生长周期，不仅可以成熟果分选，还可辅助果园疏果、分期采摘规划； 3. 若后续想要进一步提升鲁棒性，可以搭配图像增强：随机亮度、翻转、模糊，应对户外多变光照。 ## 写在最后 智慧农业从来不是单一算法的比拼，数据才是视觉项目的地基。 很多农业计算机视觉项目止步于“没有合适标注数据”，大量开发者重复花费数周时间采集、标注果蔬图像。 一套规范、划分完整、标注统一的成熟度数据集，能够缩短从算法实验到田间试点的周期。大家可以基于这份苹果成熟度数据集持续迭代，结合边缘设备部署，真正把视觉检测落地到果园分选、智能采摘场景中。 农业AI的价值，藏在每一张实景图片、每一个精准标注框里。期待更多视觉方案走进田间地头。