一、数据集简介

这是一套面向 YOLO 目标检测训练的水果识别数据集，数据包含完整水果、切面、不同包装、近远景和多类桌面背景。

data.yaml 中的实际类别为：

Apple
Banana
Cube6
Orange
Pineapple

也就是苹果、香蕉、Cube6、橙子和菠萝。虽然数据集标题重点介绍橙子、菠萝、香蕉和苹果，但配置文件中确实包含第五类 Cube6，训练时不能忽略。

适用任务包括：

• 水果目标检测与分类
• 生鲜分拣和自动识别
• 颜色、形状与外观对比
• YOLO 系列模型训练、对比和部署
• 智能零售、农业视觉和机器人分拣
• 计算机视觉课程设计和毕业设计

二、数据规模与划分

项目	数量
图片总数	832
训练集	622
验证集	122
测试集	88
类别数量	5
有效目标框	850
空标签	0
图片与标签文件	1 : 1

训练集约占全部图像的 74.8%，验证集约 14.7%，测试集约 10.6%。图片与同名 TXT 标签完整对应。

三、类别分布

类别编号	类别名称	目标框数量	占比
0	Apple	223	26.24%
1	Banana	156	18.35%
2	Cube6	265	31.18%
3	Orange	102	12.00%
4	Pineapple	104	12.24%

Cube6 是数量最多的类别，苹果次之，橙子最少。五类都存在，没有空标签。由于标题和实际类别存在差异，建议在发布、训练和交付时统一以 data.yaml 为准。

四、目标数量与密度

每张图片目标框数	图片数量
0	0
1	818
2	12
3—5	2
合计	832

目标密度以单目标为主，平均每张约 1.02 个，单图最多包含 5 个目标。数据更适合训练分类边界清晰、目标占比较大的水果检测模型。

五、图像尺寸

统计项目	数值
最小宽度	136 px
最大宽度	4096 px
最小高度	150 px
最大高度	4096 px
宽度中位数	640 px
高度中位数	640 px
平均宽度	约 1165 px
平均高度	约 1026 px

常见规格包括 640×640、1920×1080、1080×1920、3456×3456 等。宽高比从 0.562 到 1.994，既包含横图，也包含竖图和方形图。

六、目标尺度

统计项目	数值
平均面积占比	37.800%
面积中位数	36.207%
P10 面积占比	5.790%
P90 面积占比	74.114%
平均归一化宽度	0.5442
平均归一化高度	0.6042

水果整体属于大型目标，很多图片以单个水果为主体。训练时更值得关注颜色差异、相似外观、遮挡、切面和背景干扰，而不是远距离小目标。

七、真实场景内容

视频连续展示了 240 张独立真实画面，覆盖：

• 苹果、香蕉、橙子和菠萝完整外观
• 水果切面和局部纹理
• Cube6 几何包装目标
• 不同桌面、包装和背景
• 近景大目标与远景目标
• 横图、竖图和方形构图

多样化的背景和构图有助于检查模型是否只记住单一颜色或固定摆放方式。

八、标注框对齐

所有彩色框均直接来自 TXT 标签。每张图像按原始宽高比完整显示，目标框使用相同的缩放比例和居中偏移。

视频中的颜色和类别固定对应，不会因画面切换改变类别语义。

九、目录结构

橙子、菠萝、香蕉、苹果/
├── data.yaml
├── images/
│   ├── train/    622
│   ├── val/      122
│   └── test/      88
└── labels/
    ├── train/    622
    ├── val/      122
    └── test/      88

data.yaml 内容：

path: ./橙子、菠萝、香蕉、苹果
train: images/train
val: images/val
test: images/test

nc: 5
names: ['Apple', 'Banana', 'Cube6', 'Orange', 'Pineapple']

十、YOLO 训练示例

使用 640 分辨率建立基线：

yolo detect train \
  model=yolo11n.pt \
  data=data.yaml \
  imgsz=640 \
  epochs=120 \
  batch=16

测试更高分辨率和多尺度增强：

yolo detect train \
  model=yolo11s.pt \
  data=data.yaml \
  imgsz=960 \
  epochs=150 \
  batch=8 \
  mosaic=1.0 \
  scale=0.5 \
  close_mosaic=20

建议分别查看五个类别的 Precision、Recall 和 AP，并补充不同桌面、包装和背景下的误检测试。

获取方式

数据集获取入口放在视频评论区。主页还整理多款不同 YOLO 版本程序，覆盖训练、推理和部署示例。

也承接项目订做、数据集订做、功能订做，以及后续实际开发服务。有具体需求，欢迎到主页联系我。

标签

YOLO 目标检测 计算机视觉 深度学习 水果检测 苹果 香蕉 橙子 菠萝 数据集