基于 YOLOv8 的多种水果种类识别项目|完整源码数据集 +PyQt5 界面 + 完整训练流程 + 开箱即用!
基于 YOLOv8 的多种水果种类识别项目|完整源码数据集+PyQt5 界面+完整训练流程+开箱即用!
源码包含:完整 YOLOv8 训练代码+数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程
该项目已实现以下核心功能演示:
支持通过摄像头实时检测多种水果种类;
可通过图像、视频、文件夹方式批量识别水果种类;
PyQt5 图形界面集成识别结果显示与图像预览功能;
显示水果类别标签+置信度分数;
模型轻量,识别速度快,适合嵌入式/边缘设备部署。
项目摘要
本项目集成了 YOLOv8 多类别水果检测模型 与 PyQt5 图形界面工具,实现了包括图片、文件夹、视频与摄像头等多种输入方式的多类水果识别功能。配套完整源码与训练流程说明,让你开箱即用、快速部署自己的水果识别系统。
前言
随着智能农业与 AI 零售的迅猛发展,水果识别作为食品分拣、超市收银、农业监控等场景中的关键环节,逐渐成为研究热点。YOLOv8 作为最新一代的目标检测算法,兼具高精度与高速度,非常适合部署在实时水果识别系统中。
本项目结合 YOLOv8 与 PyQt5,构建了一套实用的“多种水果识别系统”,不仅适用于学习与教学,也具备产业落地的潜力。
一、软件核心功能介绍及效果演示
1.1 支持多种输入方式
单张图片识别:可导入本地图片进行水果检测;
文件夹批量识别:可导入包含多张图片的文件夹;
视频文件识别:支持.mp4 等格式的视频检测;
摄像头实时识别:可接入 USB/笔记本摄像头进行实时检测。
1.2 PyQt5 图形界面交互
图像预览窗口;
类别识别结果 + 置信度展示;
可选输入源;
检测按钮 + 停止按钮,逻辑清晰;
支持界面内切换摄像头输入、图像输入等。
1.3 YOLOv8 识别模型功能
检测速度快,适合实时应用;
支持检测如:苹果、香蕉、橙子、葡萄、草莓、西瓜等常见水果;
模型轻量,可扩展至更多水果种类;
支持导出 ONNX、TensorRT 等格式,便于跨平台部署。
二、软件效果演示
为了直观展示本系统基于 YOLOv8 模型的检测能力,我们设计了多种操作场景,涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。
(1)单图片检测演示
用户点击“选择图片”,即可加载本地图像并执行检测:

(2)多文件夹图片检测演示
用户可选择包含多张图像的文件夹,系统会批量检测并生成结果图。



(3)视频检测演示
支持上传视频文件,系统会逐帧处理并生成目标检测结果,可选保存输出视频:

(4)摄像头检测演示
实时检测是系统中的核心应用之一,系统可直接调用摄像头进行检测。由于原理和视频检测相同,就不重复演示了。

(5)保存图片与视频检测结果
用户可通过按钮勾选是否保存检测结果,所有检测图像自动加框标注并保存至指定文件夹,支持后续数据分析与复审。

三、模型的训练、评估与推理
YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型,采用更轻量的架构、更先进的损失函数(如 CIoU、TaskAlignedAssigner)与 Anchor-Free 策略,在 COCO 等数据集上表现优异。其核心优势如下:
高速推理,适合实时检测任务
支持 Anchor-Free 检测
支持可扩展的 Backbone 和 Neck 结构
原生支持 ONNX 导出与部署
3.1 YOLOv8 的基本原理
YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型,具备如下优势:
速度快:推理速度提升明显;
准确率高:支持 Anchor-Free 架构;
支持分类/检测/分割/姿态多任务;
本项目使用 YOLOv8 的 Detection 分支,训练时每类表情均标注为独立目标。
YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布,在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上,YOLOv8 引入了新的功能和优化,使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下:

3.2 数据集准备与训练
采用 YOLO 格式的数据集结构如下:
每张图像有对应的 .txt
文件,内容格式为:
分类包括(可自定义):

3.3. 训练结果评估
训练完成后,将在 runs/detect/train
目录生成结果文件,包括:
results.png
:损失曲线和 mAP 曲线;weights/best.pt
:最佳模型权重;confusion_matrix.png
:混淆矩阵分析图。
若 mAP@0.5 达到 90% 以上,即可用于部署。
在深度学习领域,我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中,主要包含三种损失:定位损失(box_loss)、分类损失(cls_loss)和动态特征损失(dfl_loss)。训练完成后,相关的训练记录和结果文件会保存在 runs/目录下,具体内容如下:

3.4 检测结果识别
使用 PyTorch 推理接口加载模型:
预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI 完整源码打包
本文涉及到的完整全部程序文件:包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等(见下图),获取方式见【4.2 完整源码下载】:
4.1 项目开箱即用
作者已将整个工程打包。包含已训练完成的权重,读者可不用自行训练直接运行检测。
运行项目只需输入下面命令。
读者也可自行配置训练集,或使用打包好的数据集直接训练。
自行训练项目只需输入下面命令。
4.2 完整源码下载
可至项目实录视频下方获取:https://www.bilibili.com/video/BV16j8tzgEdN

包含:
📦完整项目源码
📦 预训练模型权重
🗂️ 数据集地址(含标注脚本)
总结
本项目基于 YOLOv8 和 PyQt5,完整构建了一个多种水果种类识别系统,具备训练、推理、部署三位一体的完整流程。无论是单张图片检测、视频文件识别,还是实时摄像头流处理,系统均可高效运行,兼具实用性与教学示范价值。其主要优势如下:
✅ 全功能实现:支持图像、视频、摄像头等多种输入方式;
✅ 界面友好:PyQt5 图形界面直观操作,支持实时预览与结果展示;
✅ 模型高效:YOLOv8 检测精度高、推理速度快,适合部署于边缘设备;
✅ 开箱即用:源码、数据集、训练权重全配齐,无需额外配置;
✅ 可扩展性强:可轻松替换数据集或模型,迁移至其他识别任务。
不论你是人工智能初学者、计算机视觉开发者,还是农业智能化从业者,本项目都提供了一个极具参考价值的实战范例。欢迎获取源码,深入体验与二次开发。🎉
版权声明: 本文为 InfoQ 作者【申公豹】的原创文章。
原文链接:【http://xie.infoq.cn/article/50997ce72cb105f49500bebb3】。
本文遵守【CC-BY 4.0】协议,转载请保留原文出处及本版权声明。
评论