基于YOLO26深度学习的水果识别检测系统（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要

本文介绍了一种基于YOLO26架构的高效水果识别检测系统，旨在实现对多种常见水果的实时、精准检测与分类。系统针对六类水果——金冠苹果、青苹果、梨、红元帅苹果、红油桃和黄桃，构建了专用的数据集并完成了模型训练。实验结果表明，该模型在验证集上表现优异，平均精度均值mAP50达到0.993，mAP50-95高达0.992，展现出卓越的检测精度与定位能力。系统不仅具备高准确率与高召回率，且推理速度快，适用于农业自动化、智能分拣、零售结算等实际场景，具有良好的应用前景与推广价值。

详细功能展示视频

https://www.bilibili.com/video/BV125oWBJEn4/

目录

摘要

详细功能展示视频

https://www.bilibili.com/video/BV125oWBJEn4/

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

背景

数据集介绍

训练结果

核心性能指标 ​编辑

各类别表现

混淆矩阵 (Confusion Matrix)​编辑​编辑

曲线分析

训练过程曲线 (Loss & Metrics)​编辑

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

随着计算机视觉与深度学习技术的飞速发展，目标检测在农业智能化、食品工业与智慧零售等领域发挥着越来越重要的作用。水果作为日常生活中不可或缺的食品，其自动化识别与分拣需求日益增长。传统的人工分拣方式效率低、成本高且易出错，难以满足现代规模化生产的需求。因此，开发一种高效、准确、实时的水果自动识别系统具有重要的现实意义。

近年来，基于深度学习目标检测算法，尤其是YOLO系列，因其“单次前向传播”即可完成检测的特性，在速度与精度之间取得了良好平衡，广泛应用于各类视觉任务。本文基于YOLO26架构，构建了一个面向六类常见水果的检测系统，通过大规模数据训练与优化，实现了近乎完美的检测性能。本文将详细介绍系统的背景、数据集构建、模型训练过程及实验结果，验证其在实际应用中的可行性与优越性

背景

水果识别与检测是计算机视觉在农业与食品工业中的重要应用方向。传统的水果分拣依赖于人工视觉判断，不仅劳动强度大，而且受主观因素影响，一致性差。随着农业自动化与智慧物流的发展，市场对高效、精准、低成本的水果识别技术需求迫切。

早期的水果识别方法多基于传统图像处理技术，如颜色阈值分割、边缘检测、形状分析等。这些方法在光照稳定、背景简单的环境下尚可应用，但在复杂背景、遮挡、光照变化等现实场景中鲁棒性差，难以满足实际需求。随着机器学习的发展，支持向量机、随机森林等分类器被引入，结合手工特征（如HOG、SIFT）进行水果识别，虽有一定提升，但仍受限于特征表达能力。

深度学习的兴起彻底改变了这一局面。卷积神经网络能够自动学习图像中的多层次特征，显著提升了识别准确率。在目标检测领域，R-CNN系列、SSD、YOLO等算法相继提出。其中，YOLO因其端到端的检测方式和极高的推理速度，成为工业部署的首选。

在水果检测方面，已有研究尝试将YOLO应用于苹果、香蕉、橙子等单一或少数几类水果的检测，取得了良好效果。然而，针对多类别、外观相似水果（如不同品种的苹果）的精细识别仍存在挑战。此外，现有公开数据集多集中于单一作物或特定场景，缺乏覆盖多种水果、多品种、多姿态的综合性数据集。因此，构建一个高质量、多样化的水果检测数据集，并在此基础上训练高性能模型，是推动该领域发展的关键。

本研究正是在这一背景下展开。我们构建了一个包含六类常见水果的专用数据集，涵盖不同品种、颜色、大小和生长状态，利用YOLO26模型进行端到端训练，旨在实现高精度、高鲁棒性的水果识别系统，为农业智能化提供技术支撑。

数据集介绍

本研究所用数据集专为水果目标检测任务构建，包含六类常见水果，具体类别如下：

• golden delicious（金冠苹果）
• granny smith（青苹果）
• pear（梨）
• red delicious（红元帅苹果）
• red nectarine（红油桃）
• yellow peach（黄桃）

数据集共包含5744张标注图像，其中训练集5481张，验证集263张

训练结果

核心性能指标

• mAP50 (0.993): 这是一个非常惊人的数字。mAP50 表示在 IoU 阈值为 0.5 时的平均精度。0.993 意味着在宽松的判定标准下，模型几乎能 100% 正确地检测出水果并分类正确。
• mAP50-95 (0.992): 这个指标更严格（IoU 从 0.5 到 0.95）。通常这个数值会比 mAP50 低很多，但你的结果两者几乎持平，这说明模型的定位能力（框选位置）极其精准，不仅仅是分类对了，框的位置也几乎完美贴合。
• 精确率 P (0.981): 意味着模型检测出的目标中，98.1% 是正确的，误检（False Positives）极少。
• 召回率 R (0.996): 意味着所有真实存在的水果中，模型找出了 99.6%，漏检（False Negatives）极少。

各类别表现

所有类别（golden delicious, granny smith, pear, red delicious, red nectarine, yellow peach）的 mAP50 都在0.983 到 0.995之间。

• 表现稍弱的是red delicious(0.983)，但依然属于极高水平。
• 这表明模型对不同颜色、形状的水果都有很强的泛化能力。

混淆矩阵 (Confusion Matrix)

• 对角线深色: 表示正确分类的数量非常多，且几乎占据了所有列。
• 背景误检: 最后一列（background）显示，有极少量的背景被误检为水果（数值为 1 或 3），但这相对于总数（几十到几百）来说可以忽略不计。
• 类别混淆: 几乎没有看到类别之间的混淆（例如把苹果识别成梨），非对角线区域几乎是白色的。

曲线分析

• P-R 曲线:曲线几乎呈直角顶在右上角 (1.0, 1.0)，这再次印证了 mAP 接近 1.0 的事实。
• F1-Confidence 曲线:F1 分数在很宽的置信度范围内（约 0.1 到 0.8）都维持在 0.98 以上，说明模型对预测结果非常有信心且稳健。
• Recall-Confidence 曲线:在置信度阈值较低时，召回率一直维持在 1.0，直到阈值非常高时才下降。

训练过程曲线 (Loss & Metrics)

• Loss 下降:train/box_loss,train/cls_loss,train/dfl_loss都平滑下降并趋于收敛，没有震荡，说明训练过程非常稳定。
• 验证集表现:metrics/mAP50(B)和metrics/mAP50-95(B)随着训练轮数（Epochs）增加稳步上升，并在后期稳定在高位。没有明显的过拟合迹象（即验证集指标没有下降）。

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频