去年十一那會(huì)無(wú)意間刷到一個(gè)視頻展示的就是德國(guó)機(jī)械收割機(jī)非常高效自動(dòng)化地24小時(shí)不間斷地在超廣闊的土地上采摘各種作物，專(zhuān)家設(shè)計(jì)出來(lái)了很多用于采摘不同農(nóng)作物的大型機(jī)械，看著非常震撼，但是我們國(guó)內(nèi)農(nóng)業(yè)的發(fā)展還是相對(duì)比較滯后的，小的時(shí)候拔草是一個(gè)人一列蹲在地里就在那埋頭拔草，不知道什么時(shí)候才能走到地的盡頭，小塊的分散的土地太多基本上都是只能人工手工來(lái)取收割，大點(diǎn)的連片的土地可以用收割機(jī)來(lái)收割，不過(guò)收割機(jī)基本都是用來(lái)收割小麥的，最近幾年好像老家也能看到用于收割玉米的機(jī)器了不過(guò)相對(duì)還是比較少的，玉米的收割我們基本上還是人工來(lái)收割的，不僅累效率還低遇上對(duì)玉米葉片過(guò)敏的就更要命了。。。。閑話就扯到這里了。

有時(shí)候經(jīng)常在想我們的農(nóng)業(yè)機(jī)械化自動(dòng)化什么時(shí)候能再向前邁進(jìn)一大步，回顧德國(guó)的工業(yè)機(jī)械，在視頻展示的效果中，其實(shí)很關(guān)鍵的主要是兩部分，一部分是機(jī)器視覺(jué)定位檢測(cè)識(shí)別，另一部分是機(jī)械臂傳動(dòng)軸，兩部分相互配合才能完成采摘工作，在前文中我們開(kāi)發(fā)實(shí)踐了番茄作物檢測(cè)計(jì)數(shù)識(shí)別項(xiàng)目，如下：

《AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv7【tiny/l/x】不同系列參數(shù)模型開(kāi)發(fā)構(gòu)建作物生產(chǎn)場(chǎng)景下番茄采摘檢測(cè)計(jì)數(shù)分析系統(tǒng)》

本文是在前文的基礎(chǔ)上更進(jìn)一步，本文的主要想法是想要基于最新的YOLOv8開(kāi)發(fā)構(gòu)建用于番茄采摘場(chǎng)景下的番茄作物成熟度檢測(cè)識(shí)別系統(tǒng)，首先看下實(shí)例效果：

因?yàn)閱渭兊貦z測(cè)到番茄不能直接進(jìn)行采摘，因?yàn)榭赡茉谝粋€(gè)大棚里面或者是一株番茄植株上面不同的果實(shí)成熟度都是不一樣的，需要分門(mén)別類(lèi)判斷清楚才能知道哪些是可以采摘的。

簡(jiǎn)單看下實(shí)例數(shù)據(jù)情況：

如果對(duì)YOLOv8開(kāi)發(fā)構(gòu)建自己的目標(biāo)檢測(cè)項(xiàng)目有疑問(wèn)的可以看下面的文章，如下所示：

《基于YOLOv8開(kāi)發(fā)構(gòu)建目標(biāo)檢測(cè)模型超詳細(xì)教程【以焊縫質(zhì)量檢測(cè)數(shù)據(jù)場(chǎng)景為例】》

非常詳細(xì)的開(kāi)發(fā)實(shí)踐教程。本文這里就不再展開(kāi)了，因?yàn)閺腨OLOv8開(kāi)始變成了一個(gè)安裝包的形式，整體跟v5和v7的使用差異還是比較大的。

非常詳細(xì)的開(kāi)發(fā)實(shí)踐教程。本文這里就不再展開(kāi)了，因?yàn)閺腨OLOv8開(kāi)始變成了一個(gè)安裝包的形式，整體跟v5和v7的使用差異還是比較大的。

YOLOv8核心特性和改動(dòng)如下：
1、提供了一個(gè)全新的SOTA模型（state-of-the-art model），包括 P5 640 和 P6 1280 分辨率的目標(biāo)檢測(cè)網(wǎng)絡(luò)和基于YOLACT的實(shí)例分割模型。和 YOLOv5 一樣，基于縮放系數(shù)也提供了 N/S/M/L/X 尺度的不同大小模型，用于滿足不同場(chǎng)景需求
2、骨干網(wǎng)絡(luò)和 Neck 部分可能參考了 YOLOv7 ELAN 設(shè)計(jì)思想，將 YOLOv5 的 C3 結(jié)構(gòu)換成了梯度流更豐富的 C2f 結(jié)構(gòu)，并對(duì)不同尺度模型調(diào)整了不同的通道數(shù)，屬于對(duì)模型結(jié)構(gòu)精心微調(diào)，不再是一套參數(shù)應(yīng)用所有模型，大幅提升了模型性能。
3、Head 部分相比 YOLOv5 改動(dòng)較大，換成了目前主流的解耦頭結(jié)構(gòu)，將分類(lèi)和檢測(cè)頭分離，同時(shí)也從Anchor-Based 換成了 Anchor-Free
4、Loss 計(jì)算方面采用了TaskAlignedAssigner正樣本分配策略，并引入了Distribution Focal Loss
5、訓(xùn)練的數(shù)據(jù)增強(qiáng)部分引入了 YOLOX 中的最后 10 epoch 關(guān)閉 Mosiac 增強(qiáng)的操作，可以有效地提升精度

YOLOv8官方項(xiàng)目地址在這里，如下所示：

目前已經(jīng)收獲超過(guò)1.7w的star量了。官方提供的預(yù)訓(xùn)練模型如下所示：

另外一套預(yù)訓(xùn)練模型權(quán)重地址如下：

是基于Open Image V7數(shù)據(jù)集構(gòu)建的，可以根據(jù)自己的需求進(jìn)行選擇使用即可。

YOLOv8的定位不僅僅是目標(biāo)檢測(cè)，而是性能強(qiáng)大全面的工具庫(kù)，故而在任務(wù)類(lèi)型上同時(shí)支持：姿態(tài)估計(jì)、檢測(cè)、分類(lèi)、分割、跟蹤多種類(lèi)型，可以根據(jù)自己的需要進(jìn)行選擇使用，這里就不再詳細(xì)展開(kāi)了。

簡(jiǎn)單的實(shí)例實(shí)現(xiàn)如下所示：

from ultralytics import YOLO
 
# yolov8n
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
 
 
# yolov8s
model = YOLO('yolov8s.yaml').load('yolov8s.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
 
 
# yolov8m
model = YOLO('yolov8m.yaml').load('yolov8m.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
 
 
# yolov8l
model = YOLO('yolov8l.yaml').load('yolov8l.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)
 
 
# yolov8x
model = YOLO('yolov8x.yaml').load('yolov8x.pt')  # build from YAML and transfer weights
model.train(data='data/self.yaml', epochs=100, imgsz=640)

這里給出yolov8的模型文件如下：

# Ultralytics YOLO ??, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
 
# Parameters
nc: 3   # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
 
# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 9
 
# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 12
 
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 15 (P3/8-small)
 
  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 18 (P4/16-medium)
 
  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 21 (P5/32-large)
 
  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

實(shí)驗(yàn)階段，5款不同參數(shù)量級(jí)的模型保持著完全相同的參數(shù)配置，等待訓(xùn)練完成后我們來(lái)看下模型結(jié)果詳情。為了直觀對(duì)比展示，這里我們對(duì)其各個(gè)評(píng)估指標(biāo)進(jìn)行對(duì)比可視化

【Precision曲線】
精確率曲線（Precision-Recall Curve）是一種用于評(píng)估二分類(lèi)模型在不同閾值下的精確率性能的可視化工具。它通過(guò)繪制不同閾值下的精確率和召回率之間的關(guān)系圖來(lái)幫助我們了解模型在不同閾值下的表現(xiàn)。
精確率（Precision）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有預(yù)測(cè)為正例的樣本數(shù)的比例。召回率（Recall）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有實(shí)際為正例的樣本數(shù)的比例。
繪制精確率曲線的步驟如下：
使用不同的閾值將預(yù)測(cè)概率轉(zhuǎn)換為二進(jìn)制類(lèi)別標(biāo)簽。通常，當(dāng)預(yù)測(cè)概率大于閾值時(shí)，樣本被分類(lèi)為正例，否則分類(lèi)為負(fù)例。
對(duì)于每個(gè)閾值，計(jì)算相應(yīng)的精確率和召回率。
將每個(gè)閾值下的精確率和召回率繪制在同一個(gè)圖表上，形成精確率曲線。
根據(jù)精確率曲線的形狀和變化趨勢(shì)，可以選擇適當(dāng)?shù)拈撝狄赃_(dá)到所需的性能要求。
通過(guò)觀察精確率曲線，我們可以根據(jù)需求確定最佳的閾值，以平衡精確率和召回率。較高的精確率意味著較少的誤報(bào)，而較高的召回率則表示較少的漏報(bào)。根據(jù)具體的業(yè)務(wù)需求和成本權(quán)衡，可以在曲線上選擇合適的操作點(diǎn)或閾值。
精確率曲線通常與召回率曲線（Recall Curve）一起使用，以提供更全面的分類(lèi)器性能分析，并幫助評(píng)估和比較不同模型的性能。

【Recall曲線】
召回率曲線（Recall Curve）是一種用于評(píng)估二分類(lèi)模型在不同閾值下的召回率性能的可視化工具。它通過(guò)繪制不同閾值下的召回率和對(duì)應(yīng)的精確率之間的關(guān)系圖來(lái)幫助我們了解模型在不同閾值下的表現(xiàn)。
召回率（Recall）是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有實(shí)際為正例的樣本數(shù)的比例。召回率也被稱(chēng)為靈敏度（Sensitivity）或真正例率（True Positive Rate）。
繪制召回率曲線的步驟如下：
使用不同的閾值將預(yù)測(cè)概率轉(zhuǎn)換為二進(jìn)制類(lèi)別標(biāo)簽。通常，當(dāng)預(yù)測(cè)概率大于閾值時(shí)，樣本被分類(lèi)為正例，否則分類(lèi)為負(fù)例。
對(duì)于每個(gè)閾值，計(jì)算相應(yīng)的召回率和對(duì)應(yīng)的精確率。
將每個(gè)閾值下的召回率和精確率繪制在同一個(gè)圖表上，形成召回率曲線。
根據(jù)召回率曲線的形狀和變化趨勢(shì)，可以選擇適當(dāng)?shù)拈撝狄赃_(dá)到所需的性能要求。
通過(guò)觀察召回率曲線，我們可以根據(jù)需求確定最佳的閾值，以平衡召回率和精確率。較高的召回率表示較少的漏報(bào)，而較高的精確率意味著較少的誤報(bào)。根據(jù)具體的業(yè)務(wù)需求和成本權(quán)衡，可以在曲線上選擇合適的操作點(diǎn)或閾值。

【F1值曲線】
F1值曲線是一種用于評(píng)估二分類(lèi)模型在不同閾值下的性能的可視化工具。它通過(guò)繪制不同閾值下的精確率（Precision）、召回率（Recall）和F1分?jǐn)?shù)的關(guān)系圖來(lái)幫助我們理解模型的整體性能。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均值，它綜合考慮了兩者的性能指標(biāo)。F1值曲線可以幫助我們確定在不同精確率和召回率之間找到一個(gè)平衡點(diǎn)，以選擇最佳的閾值。

整體實(shí)驗(yàn)對(duì)比結(jié)果來(lái)看：幾款不同參數(shù)量級(jí)的模型并沒(méi)有呈現(xiàn)出來(lái)非常明顯的差距，考慮到計(jì)算量的問(wèn)題我們選擇s系列的模型為最終推理模型。接下來(lái)以s系列的模型為基準(zhǔn)進(jìn)一步看下結(jié)果詳情：

【PR曲線】
精確率-召回率曲線（Precision-Recall Curve）是一種用于評(píng)估二分類(lèi)模型性能的可視化工具。它通過(guò)繪制不同閾值下的精確率（Precision）和召回率（Recall）之間的關(guān)系圖來(lái)幫助我們了解模型在不同閾值下的表現(xiàn)。
精確率是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有預(yù)測(cè)為正例的樣本數(shù)的比例。召回率是指被正確預(yù)測(cè)為正例的樣本數(shù)占所有實(shí)際為正例的樣本數(shù)的比例。
繪制精確率-召回率曲線的步驟如下：
使用不同的閾值將預(yù)測(cè)概率轉(zhuǎn)換為二進(jìn)制類(lèi)別標(biāo)簽。通常，當(dāng)預(yù)測(cè)概率大于閾值時(shí)，樣本被分類(lèi)為正例，否則分類(lèi)為負(fù)例。
對(duì)于每個(gè)閾值，計(jì)算相應(yīng)的精確率和召回率。
將每個(gè)閾值下的精確率和召回率繪制在同一個(gè)圖表上，形成精確率-召回率曲線。
根據(jù)曲線的形狀和變化趨勢(shì)，可以選擇適當(dāng)?shù)拈撝狄赃_(dá)到所需的性能要求。
精確率-召回率曲線提供了更全面的模型性能分析，特別適用于處理不平衡數(shù)據(jù)集和關(guān)注正例預(yù)測(cè)的場(chǎng)景。曲線下面積（Area Under the Curve, AUC）可以作為評(píng)估模型性能的指標(biāo)，AUC值越高表示模型的性能越好。
通過(guò)觀察精確率-召回率曲線，我們可以根據(jù)需求選擇合適的閾值來(lái)權(quán)衡精確率和召回率之間的平衡點(diǎn)。根據(jù)具體的業(yè)務(wù)需求和成本權(quán)衡，可以在曲線上選擇合適的操作點(diǎn)或閾值。

【訓(xùn)練可視化】

【Batch實(shí)例】

【離線推理實(shí)例】

感興趣的話也都可以試試看！

如果自己不具備開(kāi)發(fā)訓(xùn)練的資源條件或者是沒(méi)有時(shí)間自己去訓(xùn)練的話這里我提供出來(lái)對(duì)應(yīng)的訓(xùn)練結(jié)果可供自行按需索取。

單個(gè)模型的訓(xùn)練結(jié)果默認(rèn)YOLOv8s

全系列五個(gè)模型的訓(xùn)練結(jié)果總集文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-827288.html

到了這里，關(guān)于AI助力農(nóng)作物自動(dòng)采摘，基于YOLOv8全系列【n/s/m/l/x】參數(shù)模型開(kāi)發(fā)構(gòu)建作物番茄采摘場(chǎng)景下番茄成熟度檢測(cè)識(shí)別分析系統(tǒng)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！