智慧农业草莓成熟度识别 基于cnn的YOLOv11深度学习 智慧农业草莓成熟度目标检测系统 草莓识别系统(数据集使用 YOLOv11 进行草莓成熟度计数与检测 注意：此模块是在以下资源的+模型+界面)

使用 YOLOv11 进行草莓成熟度计数与检测注意此模块是在以下资源的帮助下完成的Detection_image.png1. 代码库中每个 Notebook 的说明Dataset split NB:此 Notebook 用于将原始的 3000 张图片按 0.8、0.1 和 0.1 的比例分为训练集、验证集和测试集。Notebook 内提供了执行相同操作的详细说明。Training_the_YOLO_model (Google Colab):该 Notebook 用于在 Google Colab 中利用 GPU 对我们的图片数据集进行训练。在该文件末尾提供了使用 YOLOv8 对自定义数据集进行训练的详细步骤。Tfevent to plots.ipynb:该 Notebook 使用 TensorBoard 的 tfevents 文件生成美观的图表。Inference Notebook on original test set.ipynb:该 Notebook 用于在测试图片上进行推理并使用 mAP 模块生成最终的 mAP平均精度均值分数。Inference Notebook for Group 8 test images.ipynb:该 Notebook 用于对任意未见过的独立测试图片或图片集进行推理。2. 代码库中文件夹的说明cfg: 包含 YOLOv8 模型训练所需的配置文件。data: 存放分割后的数据集。mAP: 包含计算 mAP 的代码。具体使用方法请参考文件夹内的 README.md。models: 包含 YOLOv8 的架构文件。plots: 存放 YOLO 训练期间生成的图表以及使用3. Tfevent to plots.ipynb创建的图表。results: 存放所有输出结果包括带检测边界框的图片以及包含相同信息的 CSV 文件。utils: YOLO 模型在训练和推理过程中使用的工具文件。3. 重要文件说明detect.py:用于利用 GPU 进行检测的 Python 脚本。events.out.tfevents.1671505893.1883a359b2f3.20572.0:来自 TensorBoard 的事件文件。requirements.txt:用于安装必要库的依赖文件。requirements_gpu.txt:用于安装必要 GPU 库的依赖文件。train.py:用于执行模型训练的脚本。yolov11.pt:在 COCO 数据集上预训练的 YOLOv8 权重文件。2. 安装依赖找到requirements.txt文件。打开该文件删除第 11 和第 12 行即 torch 和 torchvision。创建一个名为requirements_gpu.txt的新文件并将以下内容粘贴到该文件中-i https://download.pytorch.org/whl/cu113 torch1.11.0cu113 torchvision0.12.0cu1133. 准备数据按照Dataset split NB中的步骤准备数据。4. 编辑配置文件打开data文件夹中的coco.yaml文件删除前 4 行直到 download 部分。设置以下内容train:data/trainval:data/valnc:3# 类别数names:[unripe,partially_ripe,fully_ripe]*6. 在自定义数据集上训练 YOLOv8将文件夹上传至 Google Drive。打开 Google Colab并运行2. Training_the_YOLO_model (Google Colab)Notebook。设置运行时为 GPU路径Runtime Change runtime type GPU。运行所有单元格并给予必要权限。可根据需求更改训练的 epoch 数量。如果出现内存错误请尝试减小 batch size最终将其设置为 4。推理 (Inference)下载训练后的最佳模型best.pt文件并保存在 Colab 中相同的文件夹下。执行以下任一方式进行推理按照 Notebook 中提供的命令执行推理。将best.pt文件复制到本地文件夹使用4. Inference Notebook on original test set.ipynb文件对测试集进行推理。使用5. Inference Notebook for Group 8 test images.ipynb文件对任意图片进行推理。注意要基于 GPU 执行推理可使用代码库中的detect.py文件。