基于YOLO11的番茄检测系统（Python源码+数据集+Pyside6界面）

💡💡💡本文摘要：基于YOLO11的番茄检测，阐述了整个数据制作和训练可视化过程

博主简介

AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；

1.YOLO11介绍

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

结构图如下：

1.1 C3k2

C3k2，结构图如下

C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck

实现代码ultralytics/nn/modules/block.py

1.2 C2PSA介绍

借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）

实现代码ultralytics/nn/modules/block.py

1.3 11 Detect介绍

分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：

实现代码ultralytics/nn/modules/head.py

2.番茄检测系统

番茄检测具有多方面的重要意义，主要体现在以下几点：

农业生产方面

• 提高收获效率：通过精准识别番茄的成熟度，能够合理安排采摘时间，避免过早或过晚采摘，确保番茄品质，同时提高采摘工作的效率。
• 优化种植管理：实时监测番茄的生长状况，及时发现病虫害、营养缺乏等问题，为种植者提供科学依据，以便采取相应的管理措施，提高番茄的产量和品质。
• 资源合理分配：了解番茄的分布和生长情况，有助于合理分配水资源、肥料等农业资源，实现精准农业，减少资源浪费，降低生产成本。

食品安全方面

• 质量控制：在番茄加工和销售过程中，通过检测剔除腐烂、变质或受损的番茄，保证上市番茄的质量安全，提升消费者对产品的信任度。
• 溯源管理：结合检测数据和种植信息，实现番茄的全程追溯，一旦出现食品安全问题，能够快速定位问题源头，采取有效的召回和整改措施。

工业应用方面

• 自动化分拣：在番茄加工生产线中，利用检测技术实现自动化分拣，根据番茄的大小、成熟度等特征进行分类，提高生产效率和产品一致性。
• 包装与运输：准确检测番茄的数量和状态，优化包装设计和运输方案，减少在运输过程中的损伤，降低物流成本。

研究与创新方面

• 模型改进：为深度学习模型的训练提供丰富的数据支持，推动计算机视觉和图像识别技术在农业领域的应用和发展，提高模型的准确性鲁棒性。
• 跨学科合作：促进农业、计算机科学、生物学等多学科的交叉融合，激发新的研究思路和创新方法，为解决复杂的农业问题提供新的途径和解决方案。

2.和1 番茄数据集介绍

数据集大小：训练集716张，验证集89张，测试集90张

类别6类：

# class names names: ["tomato"]

细节图：

标签可视化分析

2.2 配置tomato.yaml

ps:建议填写绝对路径

train: D:/YOLOv11/data/Tomato/images/train
val: D:/YOLOv11/data/Tomato/images/val
test: D:/YOLOv11/data/Tomato/images/test

# number of classes
nc: 1

# class names
names: ["tomato"]

2.3 如何训练

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
    model.train(data='data/tomato.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=8,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

2.4 训练结果可视化结果

YOLO11 summary (fused): 238 layers, 2,582,347 parameters, 0 gradients, 6.3 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 3/3 [00:03<00:00,  1.05s/it]
                   all         89        519      0.904       0.85       0.92      0.591

预测结果：

3. 番茄检测系统设计

3.1 PySide6介绍

受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。

PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。

PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。

3.2 安装PySide6

pip install --upgrade pip pip install pyside6 -i https://mirror.baidu.com/pypi/simple

基于PySide6开发GUI程序包含下面三个基本步骤：

• 设计GUI，图形化拖拽或手撸；
• 响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
• 打包发布；

3.3 番茄检测系统设计

​原文链接：

https://blog.csdn.net/m0_63774211/article/details/146412117