前言

在农产品智能化检测领域，水果表面缺陷识别是提升品质分级效率、降低人工成本的关键环节。针对目前公开苹果缺陷数据集较少、场景单一、标注不规范等问题，本文构建一套适用于工业级检测的苹果表面缺陷数据集，并基于 YOLO 系列目标检测算法完成多版本模型训练与对比实验，为后续农产品缺陷检测研究提供可靠的数据支撑与实验参考。

一、数据集信息

本数据集聚焦苹果表面缺陷检测任务，采用真实工业与自然场景采集，标注规范、格式统一，可直接用于 YOLO 系列模型训练。

数据集详细划分如下：

• 训练集：282 张
• 验证集：78 张
• 测试集：40 张
• 总图片数量：400 张
• 标注格式：支持 YOLO 标准 txt 标注
• 缺陷类型：包含苹果表面碰伤、斑点、果锈、开裂等常见外观缺陷
• 适用场景：目标检测、缺陷识别、深度学习教学实验、轻量化模型部署等

二、训练模型信息

基于上述苹果缺陷数据集，本文完成了五个版本 YOLO 模型的训练与测试，均使用相同训练参数与数据划分，保证对比公平性。

参与训练的模型版本：

• YOLOv5
• YOLOv8
• YOLOv11
• YOLOv12
• YOLOv26

训练输出结果包含：

• 训练损失曲线、验证损失曲线
• 精确率 P、召回率 R、mAP 等关键指标
• 混淆矩阵、PR 曲线
• 测试集可视化检测结果图

通过多版本对比，可直观观察不同 YOLO 模型在小样本缺陷检测任务上的精度、收敛速度与检测效果差异。

三、总结

本文构建了一套标注完整、划分合理的苹果表面缺陷检测数据集，并基于该数据集完成 YOLOv5、v8、v11、v12、v26 五个版本模型训练，形成了一套可直接复用的目标检测实验方案。

数据集与训练结果可广泛应用于深度学习教学、科研实验、农产品质检算法开发等场景，有效减少数据采集、标注与模型调试成本，为苹果及同类水果的自动化缺陷检测提供了实用基础。