摘要：该数据集采用 YOLO 标注格式，包含 1,420 张番茄图像，按 7:2:1 划分为训练集、验证集和测试集，用于未成熟、转熟期、半成熟和成熟四类番茄成熟度检测模型的训练与评估。
数据集简介
数据集概述
本文构建了用于番茄成熟度智能检测的自建数据集，数据集采用 YOLO 目标检测标注格式，主要面向番茄成熟度识别与定位任务。数据集中共包含 1,420 张番茄图像，图像来源涵盖不同光照、角度、背景和成熟状态下的番茄目标，能够较好地反映实际农业场景中的复杂检测环境。根据番茄颜色和生长状态，将成熟度划分为 未成熟、转熟期、半成熟、成熟 四类，并对图像中的番茄目标进行边界框标注。
数据集按照 7:2:1 的比例划分为训练集、验证集和测试集，其中训练集 993 张，占比 70%；验证集 284 张，占比 20%；测试集 143 张，占比 10%。每张图像均配套对应的 .txt 标注文件，标注内容包括类别编号、目标中心点坐标、宽度和高度，所有坐标均采用归一化形式，符合 YOLO 模型训练要求。该数据集可用于 YOLOv8 番茄成熟度检测模型的训练、验证和测试，为番茄智能采摘、自动分拣和农业视觉检测系统提供数据支撑。
数据集来源
本研究所使用的番茄成熟度检测数据集为自建数据集，图像主要来源于温室、大棚及自然种植环境下采集的番茄图像，并按照 YOLO 目标检测格式进行人工标注与整理，用于模型训练、验证和测试。
数据规模与划分
- 总图像数：1,420张；总标注框数：11,158个
图1 数据集直方图
质量控制
标注采用双阶段质量控制流程：首先进行规范化标注与自检， 确保目标框贴合实例外接矩形且类别一致；随后进行抽样复核， 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认， 以提高跨标注者一致性与总体标注可靠性。
数据格式与使用
数据集采用标准 YOLO 格式组织，通过 data.yaml 配置文件即可快速集成到训练流程中。
目录结构
数据集采用标准 YOLO 格式组织，图像和标注文件分别存放在 images/ 和 labels/ 目录下，并按训练集、验证集、测试集划分。
性能评测
训练过程综合指标曲线图
图2 训练与验证指标随Epoch变化趋势图
精确率-召回率（PR）曲线图
图3 目标检测PR曲线（Precision-Recall）
归一化混淆矩阵图（分类误判分析）
图4 归一化混淆矩阵（person / leaflet）
应用案例
图5 应用案例：基于YOLOv8深度学习的番茄成熟度智能检测系统
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。 如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：AI-1-Datasets
原创声明：本数据集为原创作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)