基于YOLOv8的百香果数据集优化与检测方法

本发明涉及农业果蔬检测，尤其涉及一种基于yolov8的百香果数据集优化与检测方法。

背景技术：

1、将深度学习技术中的yolov8模型用于百香果检测面临着许多问题和挑战，仍有一些关键问题亟待解决。比如现有的百香果图像数据集规模较小，无法充分反映百香果的各种形态和状态，导致模型泛化能力差。现有的百香果图像数据集存在图像模糊、噪声大、标注不准确等问题，降低了模型的训练精度。为了优化模型对百香果数据集的检测，使用yolov8模型对百香果数据集进行优化与检测，yolov8是一种性能优异的物体检测模型，受到了广泛的应用。yolov8模型具有速度快、精度高、鲁棒性强等特点，非常适合用于百香果图像识别任务。本发明提出了一种基于yolov8的百香果数据集优化与检测方法，为深度学习yolov8模型应用于百香果数据集的优化与检测提供了理论指导和解决方案。本发明的目的是为了解决百香果数据集在自然环境下对百香果检测的精度下降、标注不明确等问题。

技术实现思路

1、本发明针对现有技术的不足，提出了一种基于yolov8的百香果数据集优化与检测方法，提高了yolov8的精度。

2、本发明采用下述技术方案实现：

3、基于yolov8的百香果数据集优化与检测方法，该方法采用下述步骤实现：

4、步骤一，收集和整理百香果图像，采集百香果园下百香果的图像，上传并储存至硬盘作为百香果图像数据收集，对图像进行预处理，进行尺寸调整、归一化；

5、步骤二，建立百香果图像数据集，将收集好的百香果图像进行标签标注，按照yolov8的图像数据集格式进行存储；

6、步骤三，使用yolov8中的v8n模型对百香果数据集进行训练，并将训练好的模型进行数据收集；

7、步骤四，将训练好的模型数据配置到yaml文件中，并通过调用库中的augment模块对百香果数据集进行优化，并进行再次训练；

8、步骤五，使用百香果图片测试集，并将训练好的模型对百香果图片进行检测，获得图片中百香果的标注结果。

9、相比与现有技术，本发明具有如下优点：

10、(1)本发明通过数据扩增、数据清洗和数据平衡等措施，提高了百香果图像数据集的质量，为模型训练提供了高质量的数据基础。

11、(2)本发明通过数据扩增技术，增加了数据集的多样性，提高了模型的泛化能力，减少了漏检和误检的情况。

12、(3)本发明通过数据清洗和数据平衡技术，提高了数据集的质量，提高了模型对正负样本的识别能力，提高了模型的识别精度。

13、(4)本发明采用yolov8模型，使用了augment技术优化了数据集，同时对训练得到的百香果检测模型进行评估，优化模型的性能。

技术特征：

1.一种基于yolov8的百香果数据集优化与检测方法，其特征在于，包括步骤：

2.根据权利要求1所述基于yolov8的百香果数据集优化与检测方法，其特征在于：所述步骤一中，具体步骤包括：

3.根据权利要求1所述基于yolov8的百香果数据集优化与检测方法，其特征在于：所述步骤二中，具体步骤包括：

4.根据权利要求1所述基于yolov8的百香果数据集优化与检测方法，其特征在于：所述步骤三中，具体步骤包括：

5.根据权利要求1所述基于yolov8的百香果数据集优化与检测方法，其特征在于：所述步骤四中，具体步骤包括：

6.根据权利要求1所述基于yolov8的百香果数据集优化与检测方法，其特征在于：所述步骤五中，具体步骤包括：

技术总结本发明公开了基于YOLOv8的百香果数据集优化与检测方法，具体涉及农业果蔬检测技术领域。目的是优化百香果的检测方式，提高百香果图像识别的准确性和鲁棒性。该方法是由如下步骤实现的：步骤一：收集和整理百香果图像数据集，对图像进行预处理，进行尺寸调整、归一化；步骤二：建立百香果图像数据集，将收集好的百香果图像进行标签标注；步骤三：使用YOLOv8深度学习模型，在标注好的百香果图像数据集上进行训练，训练得到百香果检测模型；步骤四：添加Augment模块，对训练数据进行数据增强，对图像进行随机裁剪、翻转、颜色抖动；步骤五：使用改进后的百香果检测模型，对待检测的百香果图像进行识别，输出识别结果。本发明适用于智慧农业果蔬系统。技术研发人员：伍锡如,杨泽新,张雨秋,刘昊鹏受保护的技术使用者：桂林电子科技大学技术研发日：技术公布日：2024/9/26