草莓成熟度检测数据集  YOLOv11 草莓成熟度检测系统
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/073938f8c6ec2498c124bb252be00800.png)
，1275张，yolo，voc，coco三种标注方式
图像尺寸:640*640
类别数量:3类
训练集图像数量:1011; 验证集图像数量:254； 测试集图像数量:10
类别名称: 每一类图像数 ，每一类标注数
Ripened 成熟的: 840,1958
Unripened 不成熟的: 925,3088
Semi-Ripened 半成熟的: 681,1402
image num: 1275![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/760207aa4765968fc90d9cf2a67e441b.png)


模型代码：模型训练使用yolov11n训练，50个epoch训练结果，map如描述图所示。![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/f0d56047cfbc16ae33afff31a85c8b5f.png)

qt界面：运行界面采用pyqt编写，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/011f2244601061a749609c80f30a102b.png)
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/f4610b0e3b6e1190482a1fc189f1cad0.png)
# YOLOv11 草莓成熟度检测完整代码
## 1. 数据集yaml配置 `strawberry.yaml`
```yaml
# 草莓成熟度数据集配置
path: ./strawberry_dataset
train: images/train
val: images/val
test: images/test

names:
  0: Unripened       # 未成熟
  1: Semi-Ripened    # 半成熟
  2: Ripened         # 成熟
```

## 2. 模型训练代码 `train.py`
```python
from ultralytics import YOLO

if __name__ == '__main__':
    # 加载YOLOv11预训练权重
    model = YOLO("yolo11n.pt")

    # 开始训练
    results = model.train(
        data="strawberry.yaml",
        epochs=100,
        imgsz=640,
        batch=8,
        device=0,
        patience=10,
        save=True,
        pretrained=True,
        verbose=True
    )
    print("训练完成！")
```

## 3. 图像推理检测代码 `predict.py`
```python
from ultralytics import YOLO
import cv2

# 加载训练好的模型权重
model = YOLO("./runs/detect/train/weights/best.pt")

def detect_strawberry(img_path):
    img = cv2.imread(img_path)
    results = model(img, conf=0.5)
    # 绘制检测框
    for res in results:
        boxes = res.boxes
        for box in boxes:
            x1,y1,x2,y2 = map(int, box.xyxy[0])
            cls_id = int(box.cls[0])
            conf = float(box.conf[0])
            cls_name = model.names[cls_id]
            cv2.rectangle(img, (x1,y1), (x2,y2), (0,255,0), 2)
            cv2.putText(img, f"{cls_name} {conf:.2f}",
                        (x1,y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 2)
    cv2.imwrite("result.jpg", img)
    return img

if __name__ == "__main__":
    detect_strawberry("test.jpg")
```

## 4. PyQt可视化GUI系统代码（对应截图界面）`strawberry_gui.py`
```python
import sys
import cv2
from PyQt5.QtWidgets import *
from PyQt5.QtGui import *
from PyQt5.QtCore import *
from ultralytics import YOLO

class StrawberryDetectWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLOv11的草莓成熟度检测系统")
        self.resize(1200,800)
        self.model = YOLO("./runs/detect/train/weights/best.pt")
        self.initUI()

    def initUI(self):
        # 布局
        widget = QWidget()
        self.setCentralWidget(widget)
        layout = QHBoxLayout(widget)

        # 左侧图像显示区域
        self.label_img = QLabel()
        self.label_img.setFixedSize(800,600)
        self.label_img.setStyleSheet("border:1px solid #999;")
        layout.addWidget(self.label_img)

        # 右侧控制面板
        right_panel = QVBoxLayout()
        layout.addLayout(right_panel)

        # 文件导入
        group_file = QGroupBox("文件导入")
        vf = QVBoxLayout(group_file)
        self.btn_img = QPushButton("选择图片")
        self.btn_img.clicked.connect(self.load_image)
        vf.addWidget(self.btn_img)
        right_panel.addWidget(group_file)

        # 检测结果信息
        group_info = QGroupBox("检测结果")
        vi = QFormLayout(group_info)
        self.label_time = QLabel("用时：0 s")
        self.label_num = QLabel("目标数目：0")
        vi.addRow("用时", self.label_time)
        vi.addRow("目标数目", self.label_num)
        right_panel.addWidget(group_info)

        # 结果表格
        self.table = QTableWidget()
        self.table.setColumnCount(5)
        self.table.setHorizontalHeaderLabels(["序号","类别","置信度","坐标xmin,ymin,xmax,ymax"])
        right_panel.addWidget(self.table)

    def load_image(self):
        path,_ = QFileDialog.getOpenFileName(self,"打开图片",".","图片(*.jpg *.png *.jpeg)")
        if not path:
            return
        img = cv2.imread(path)
        t0 = QDateTime.currentDateTime().toMSecsSinceEpoch()
        res = self.model(img, conf=0.5)
        t1 = QDateTime.currentDateTime().toMSecsSinceEpoch()
        cost_time = (t1 - t0)/1000

        boxes = res[0].boxes
        total = len(boxes)
        self.label_time.setText(f"用时：{cost_time:.3f} s")
        self.label_num.setText(f"目标数目：{total}")
        self.table.setRowCount(total)

        # 绘制框
        for idx,box in enumerate(boxes):
            x1,y1,x2,y2 = map(int, box.xyxy[0])
            conf = float(box.conf[0])
            cls_id = int(box.cls[0])
            cls_name = self.model.names[cls_id]
            cv2.rectangle(img,(x1,y1),(x2,y2),(0,255,0),2)
            cv2.putText(img,f"{cls_name} {conf:.2f}",(x1,y1-5),cv2.FONT_HERSHEY_SIMPLEX,0.4,(0,255,0),1)
            self.table.setItem(idx,0,QTableWidgetItem(str(idx+1)))
            self.table.setItem(idx,1,QTableWidgetItem(cls_name))
            self.table.setItem(idx,2,QTableWidgetItem(f"{conf:.2f}"))
            self.table.setItem(idx,3,QTableWidgetItem(f"{x1},{y1},{x2},{y2}"))

        # 图像转Qt显示
        img_rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
        h,w,ch = img_rgb.shape
        bytes_per_line = ch * w
        qimg = QImage(img_rgb.data, w, h, bytes_per_line, QImage.Format_RGB888)
        self.label_img.setPixmap(QPixmap.fromImage(qimg).scaled(self.label_img.size(),Qt.KeepAspectRatio))

if __name__ == "__main__":
    app = QApplication(sys.argv)
    win = StrawberryDetectWindow()
    win.show()
    sys.exit(app.exec_())
```

## 环境安装
```bash
pip install ultralytics opencv-python pyqt5
```




草莓成熟度检测数据集  YOLOv11 草莓成熟度检测系统，1275张，yolo，voc，coco三种标注方式图像尺寸:640*640类别数量:3类训练集图像数量:1011; 验证集图像数量:254； 测试集图像数量:10类别名称: 每一类图像数 ，每一类标注数Ripened 成熟的: 840,1958Unripened 不成熟的: 925,3088Semi-Ripened 半成熟的: 681,1402image num: 1275

YOLOv11 草莓成熟度检测系统 草莓成熟度检测数据集

草莓成熟度检测数据集  YOLOv11 草莓成熟度检测系统，1275张，yolo，voc，coco三种标注方式图像尺寸:640*640类别数量:3类训练集图像数量:1011; 验证集图像数量:254； 测试集图像数量:10类别名称: 每一类图像数 ，每一类标注数Ripened 成熟的: 840,1958Unripened 不成熟的: 925,3088Semi-Ripened 半成熟的: 681,1

人工智能

开发工具

客户端

基于YOLOv11的草莓成熟度检测系统，包含1275张640x640标注图像（YOLO/VOC/COCO格式），覆盖成熟、未成熟、半成熟3类目标。提供完整训练代码及PyQt5图形界面，支持图片实时检测与结果可视化，训练后模型可直接调用，mAP表现优异，适用于农业智能化分拣场景。

代码解释

YOLO

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

YOLOv11 草莓成熟度检测系统 草莓成熟度检测数据集-腾讯云开发者社区-腾讯云

YOLOv11 草莓成熟度检测系统草莓成熟度检测数据集

YOLOv11 草莓成熟度检测系统草莓成熟度检测数据集

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

YOLOv11 草莓成熟度检测系统 草莓成熟度检测数据集

YOLOv11 草莓成熟度检测系统 草莓成熟度检测数据集

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

YOLOv11 草莓成熟度检测系统草莓成熟度检测数据集

YOLOv11 草莓成熟度检测系统草莓成熟度检测数据集