深度学习框架YOLOV8模型如何训练苹果小目标检测数据集建立基于YOLOV8深度学习框架苹果小目标检测系统

🍎 苹果小目标检测数据集概览

项目	内容
任务类型	目标检测（Object Detection）
类别数量	1 类
类别名称	`apple`
总图像数	4,460 张
图像划分	训练集 : 验证集 : 测试集 = 8 : 1 : 1
标注格式	YOLO 格式（`.txt`文件，每行：`class x_center y_center width height`，归一化）
图像格式	JPG / PNG（常见 RGB 图像）
适用模型	YOLOv5 / YOLOv6 / YOLOv7 /YOLOv8（推荐）
特点	包含大量小目标苹果（<32×32 像素占比高），适用于农业采摘、果园监控等场景

—

📊 数据集划分详情（表格）

分割集	图像数量	标注文件数量	占比	文件夹结构示例
训练集 (train)	3,568	3,568	80%	dataset/images/train/``dataset/labels/train/
验证集 (val)	446	446	10%	dataset/images/val/``dataset/labels/val/
测试集 (test)	446	446	10%	dataset/images/test/``dataset/labels/test/

✅ 所有.txt标签文件与图像文件同名，一一对应
✅ 已提供train.txt,val.txt,test.txt路径列表文件（可选）

🗂️ 推荐目录结构

apple-detection-dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── data.yaml ← YOLO 配置文件 └── README.md

📄`data.yaml`配置文件（YOLOv8 兼容）

# apple-detection-dataset/data.yamltrain:./images/trainval:./images/valtest:./images/testnc:1names:['apple']

⚠️ 注意：路径需根据你本地实际位置修改（建议使用相对路径）

🧪 完整训练代码（YOLOv8）

1. 安装依赖（首次运行）

pipinstallultralytics opencv-python

2. 训练脚本（`train_apple.py`）

fromultralyticsimportYOLO# 加载预训练模型（YOLOv8n/s/m/l/x 可选）model=YOLO('yolov8n.pt')# 推荐从 small 或 nano 开始（小目标友好）# 开始训练results=model.train(data='apple-detection-dataset/data.yaml',# 数据配置文件路径epochs=100,# 训练轮数（建议 100~300）imgsz=640,# 输入图像尺寸（可尝试 1280 提升小目标召回）batch=16,# 批大小（根据 GPU 显存调整）name='apple_yolov8n',# 实验名称device=0,# GPU 设备 ID（0,1,... 或 'cpu'）hsv_h=0.015,# 数据增强：色调扰动hsv_s=0.7,hsv_v=0.4,degrees=10.0,# 旋转增强translate=0.1,scale=0.5,mosaic=1.0,# 启用 Mosaic 增强（对小目标有效！）flipud=0.0,fliplr=0.5,patience=20# 早停机制（20 轮无提升则停止）)

3. 推理测试（单张图像）

fromultralyticsimportYOLO model=YOLO('runs/detect/apple_yolov8n/weights/best.pt')results=model.predict(source='test_image.jpg',conf=0.3,save=True)

4. 评估测试集性能

yolo detect valmodel=runs/detect/apple_yolov8n/weights/best.ptdata=apple-detection-dataset/data.yaml

💡 小目标优化建议

由于“苹果”在果园图像中常为小目标，建议：

技术	说明
增大输入尺寸	`imgsz=1280`（提升小目标分辨率）
启用 Mosaic 增强	默认开启，有效提升小目标泛化能力
使用 P2 检测头	修改 YOLOv8 模型结构，增加浅层特征图检测（需自定义 YAML）
TTA（测试时增强）	推理时加`augment=True`
调整 anchor	若使用 YOLOv5，可重新聚类生成适合小苹果的 anchor