基于YOLO11的柑橘树上树下检测系统（Python源码+数据集+Pyside6界面）

原创

AI小怪兽

发布于 2025-09-02 10:51:55

6480

文章被收录于专栏：毕业设计毕业设计 YOLO大作战

💡💡💡本文摘要：基于YOLO11的柑橘树上树下检测，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.柑橘树上树下检测系统

2.1 柑橘树上树下检测数据集介绍

CiDet 数据集是一个高分辨率的基准数据集，专为果园环境中柑橘果实的检测和产量估算而设计，特别关注受黄龙病（Huanglongbing, HLB）影响的树木。该数据集包含标注了边界框的图像，用于标记树上和地面上的果实，从而实现准确的产量分析和疾病影响评估。

数据集大小：训练集391张，验证集69张，测试集119张

类别2类：

nc: 2                      # Number of classes

names:                     # Class names
  0: fruit_on_tree
  1: fruit_on_ground

细节图：

标签可视化分析

2.2 配置CidDet-YOLO.yaml

ps:建议填写绝对路径

# CiDet Dataset Configuration
path: D:/YOLOv11/data/CidDet-YOLO
train: ./train/images      # Path to training images
val: ./val/images          # Path to validation images
test: ./test/images        # Path to test images

nc: 2                      # Number of classes

names:                     # Class names
  0: fruit_on_tree
  1: fruit_on_ground

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/CidDet-YOLO.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, 2,582,542 parameters, 0 gradients, 6.3 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 3/3 [00:16<00:00,  5.64s/it]
                   all         69       4781      0.794      0.709      0.792      0.447
         fruit_on_tree         69       2753      0.837      0.696      0.809      0.468
       fruit_on_ground         69       2028      0.751      0.722      0.774      0.427

预测结果：

3. 柑橘树上树下系统设计

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 柑橘树上树下检测系统设计

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

腾讯技术创作特训营S15#自选日志