番茄成熟度分级检测数据集 | 番茄成熟度 农产品分级 智慧农业 目标检测 YOLO格式 深度学习数据集5015期

数据集概述

本数据集专注于番茄成熟度分级视觉检测，服务于智慧农业、精准采收及采后分级包装。数据涵盖从青果到红熟的全生命周期外观特征，适配农业机器人采摘、品质自动分选及产量预测等应用。

数据集核心信息

数据三要素解析

成熟度分类体系

• 数据集定义了 6 个从生长到成熟的标准分级，覆盖番茄果实转色的完整梯度：
  • 深绿期（dark）：果实完全未成熟，呈深绿色。
  • 破色期（breakers）：果顶开始显现粉/黄色，变色面积 < 10%。
  • 转色期（turning）：表面变色面积 10%-30%。
  • 淡黄期（yellow）：变色面积 30%-60%。
  • 橙红期（orange）：果实进入成熟后期，呈橙红色。
  • 红熟期（ripe）：果实完全成熟，呈全红色。
• 该分级体系与园艺学中的标准转色阶段相衔接，具有较强的专业性与可操作性。
  

数据规模与平衡性

• 总图片量约 4000 张，按 8:2 划分为训练集（3200张）和验证集（800张），数据量充足且划分规范。
• 各类别标注框数显示：红熟期（13795框）和橙红期（3612框）样本较丰富，深绿期（192框）相对较少，应用时需关注类别不平衡对模型性能的影响。
• 各阶段果实均包含单果与多果场景，训练集覆盖面广，有助于提升模型在密集挂果场景下的识别能力。
  

格式与附赠资源

• 支持 YOLO、VOC、COCO、LabelMe 四种标注格式转换，灵活适配不同算法框架。
• 附赠基于本数据集训练的 YOLOv8n 与 YOLOv11n 预训练权重及训练日志，便于用户快速继承训练成果或进行迁移学习。
• 数据集结构规范，严格遵循 images/ 与 labels/ 标准划分，支持YOLOv5至YOLOv13系列版本直接使用。

知识普及：番茄成熟度视觉分级的难点

• 颜色连续性与光照敏感性：番茄转色是一个连续过程，相邻阶段的颜色差异可能较小（如转色期与淡黄期），且颜色呈现受光照强度与角度影响显著。模型需学习稳定的颜色特征而非简单阈值。
• 果实遮挡与重叠：田间场景中果实常被叶片遮挡或彼此堆叠，需依赖边缘、纹理等辅助特征进行判断。
• 品种差异：不同品种番茄在最终颜色、果实大小、表面光滑度上存在差异，应结合特定品种数据进行适应微调。
  

快速开始（代码示例）

# data.yaml 示例
train: ./datasets/images/train
val: ./datasets/images/val
nc: 6
names: ['dark', 'breakers', 'turning', 'yellow', 'orange', 'ripe']

from ultralytics import YOLO
model = YOLO('yolov11n.pt')  # 使用附赠预训练权重或从头训练
model.train(data='data.yaml', epochs=100, imgsz=640, batch=16, project='tomato_ripeness')

标签

番茄成熟度 农产品分级 智慧农业 目标检测 YOLO格式 深度学习数据集 计算机视觉