摘要：本研究针对苹果产业园果实数量统计和产量预测中人工清点效率低、主观性强、难以满足规模化管理需求等问题，设计并实现了一套基于深度学习的苹果产量预测系统。系统以苹果图像为研究对象，融合目标检测、特征工程与回归分析方法，实现了图像检测、视频检测、实时检测及产量预测等功能。
数据集简介
本数据集为苹果目标检测数据集，共包含 1822 张图像，涵盖训练集、验证集和测试集，可用于苹果果实检测模型的训练与评估。数据集按照 70:20:10 的比例划分为训练集（1275张）、验证集（364张）和测试集（183张）
数据集概述
本数据集为苹果目标检测数据集，专门用于训练和评估基于深度学习的苹果果实检测模型。数据集共包含 1822 张高质量图像，涵盖不同光照条件、拍摄角度和果实密度的场景，确保模型具有良好的泛化能力。
数据集按照 70:20:10 的标准比例划分为三个子集：训练集（Train）包含 1275 张图像（70.0%），用于模型训练和参数学习；验证集（Validation）包含 364 张图像（20.0%），用于模型调优和超参数选择；测试集（Test）包含 183 张图像（10.0%），用于模型性能评估和泛化能力验证。
数据集中的图像均经过人工标注，每个苹果果实都标注了精确的边界框，标注格式符合 YOLO 系列模型的训练要求。数据集涵盖了果园实际场景中的多种情况，包括果实遮挡、重叠、不同成熟度等复杂情况，为构建鲁棒的苹果检 测模型提供了坚实的数据基础，可广泛应用于苹果产量预测、果园智能管理、农业自动化等领域的研究与开发。
数据集来源
本研究所使用的数据集为苹果目标检测数据集，图像数据来源于果园场景下苹果果实图像的采集、整理与筛选，并在预处理后形成适用 于目标检测任务的数据集。所有图像均采用 YOLO 格式进行边界框标注，目标类别定义为苹果（apple），共计标注了大量实例。整个 标注过程遵循统一规范，以保证数据标注的一致性和准确性，为后续 YOLOv8 模型训练、性能评估以及系统应用提供了可靠的数据支撑。
类别定义
标注规范
标注采用 YOLO 格式：每个目标一行，字段为 class x_center y_center width height， 坐标均为相对归一化（0~1）。
图1 标注规范图
数据规模与划分
- 总图像数：2,788张；总标注框数：33,296个
图2 数据集在训练、验证和测试集上的分布
数据集按照约 70:20:10 的比例划分为训练集、验证集和测试集：
图3 数据集划分及用途说明
质量控制
标注采用双阶段质量控制流程：首先进行规范化标注与自检， 确保目标框贴合实例外接矩形且类别一致；随后进行抽样复核， 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认， 以提高跨标注者一致性与总体标注可靠性。
数据格式与使用
数据集采用标准 YOLO 格式组织，通过 data.yaml 配置文件即可快速集成到训练流程中。
目录结构
数据集采用标准 YOLO 格式组织，图像和标注文件分别存放在 images/ 和 labels/ 目录下，并按训练集、验证集、测试集划分。
性能评测
基于 YOLOv8 模型在本数据集上进行训练和评测，使用mAP@0.5与mAP@0.5:0.95等标准指标对模型检测效果进行评估。评测结果如下：
训练过程综合指标曲线图
图3 训练与验证指标随Epoch变化趋势图
精确率-召回率（PR）曲线图
图4 目标检测PR曲线（Precision-Recall）
F1分数-置信度阈值曲线图
图5 不同置信度阈值下的F1曲线
归一化混淆矩阵图（分类误判分析）
图6 归一化混淆矩阵（person / leaflet）
应用案例
图7 应用案例：基于深度学习的苹果产量预测系统
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。 如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-18
数据大小：159M
原创声明：本项目为原创作品
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)