思绪无限yolov5水果识别系统

### 基于YOLOv5的水果识别系统实现 #### 准备工作 为了构建基于YOLOv5的水果识别系统，首先需要准备环境和数据集。确保安装了必要的依赖库，并下载预训练好的YOLOv5模型。 ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt ``` #### 数据集处理 根据已有描述[^2]，所使用的数据集中包含了多种不同类别的水果图像，如苹果、香蕉、橙子、西瓜等共八个类别。这些数据对于训练模型至关重要。需按照特定格式整理好标签文件（通常是`.txt`），并将其划分为训练集与验证集两个部分。 #### 修改配置文件 编辑`yolov5/data/custom_fruits.yaml`来定义自己的数据集路径以及类别名称： ```yaml train: ./data/images/train/ val: ./data/images/validation/ nc: 8 names: ['apple', 'banana', 'orange', 'watermelon', ... ] ``` #### 训练模型 利用上述提到的数据集对YOLOv5进行微调，在命令行执行以下指令即可启动训练流程。这里设定了最大迭代次数为300次epoch，这有助于获得更优的结果。 ```bash python train.py --img 640 --batch 16 --epochs 300 --data custom_fruits.yaml --weights yolov5s.pt ``` #### 测试与评估 完成训练之后可以加载最优权重来进行测试样本预测效果查看。通过调整置信度阈值和其他参数优化最终表现。 ```python from pathlib import Path import cv2 import torch from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords from utils.datasets import letterbox def detect(image_path='test.jpg'): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = attempt_load('./runs/train/exp/weights/best.pt').to(device) img_size = 640 conf_thres = 0.4 iou_thres = 0.45 # Load image and preprocess it. source_image = cv2.imread(str(Path.cwd()/image_path)) original_shape = source_image.shape[:2] processed_img = letterbox(source_image)[0] processed_img = processed_img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB & HWC to CHW processed_img = torch.from_numpy(processed_img).float().div_(255.).unsqueeze(0).to(device) pred = model(processed_img, augment=False)[0] det = non_max_suppression(pred, conf_thres=conf_thres, iou_thres=iou_thres)[0] if det is not None and len(det): det[:, :4] = scale_coords(processed_img.shape[2:], det[:, :4], original_shape).round() for *xyxy, conf, cls in reversed(det): label = f'{model.names[int(cls)]} {conf:.2f}' plot_one_box(xyxy, source_image, label=label, color=(0, 255, 0), line_thickness=3) if __name__ == '__main__': from matplotlib import pyplot as plt test_image = "path_to_your_test_image" detect(test_image) plt.imshow(cv2.cvtColor(cv2.imread(test_image), cv2.COLOR_BGR2RGB)) plt.show() ``` 此代码片段展示了如何读取一张图片并通过已训练好的YOLOv5模型对其进行推理分析，最后绘制边界框标注出检测到的目标物体及其对应的概率分数。