YOLOv5果蔬识别实战：光照鲁棒性、小目标检测与边缘部署

简介本资源是一套完整的YOLOv5果蔬识别实战项目面向计算机及相关专业本科生、毕业设计与期末大作业学生以及希望夯实目标检测工程能力的学习者。项目聚焦真实场景下的果蔬类别识别任务涵盖数据采集、标注、模型训练、可视化推理及GUI界面部署全流程难度适中且经导师指导评审获98分高分代码全部本地编译验证可运行。压缩包共56个文件94.07MB含14个核心Python脚本如data_split.py、train_cnn.py、window_realtime.py等、27张图像素材jpg/jpeg/png、6个XML标注文件、2个H5预训练模型、6个文本说明与训练日志结构清晰模块分工明确便于理解数据处理、模型选型与应用集成逻辑。目前已有136人学习下载配套readme.md、requirements.txt及多份训练过程记录与热力图结果显著降低复现门槛特别适合缺乏完整项目经验的学习者快速上手并拓展至其他轻量级目标检测任务。1. 为什么用 YOLOv5 做果蔬识别不是“跑个 demo 就完事”它真能扛住菜市场、冷链车、分拣线这三类真实场景的光照突变、遮挡堆叠和小目标密集YOLOv5 果蔬识别不是教科书里的“猫狗分类”玩具项目——它直面的是农业供应链里最棘手的三类落地现场早市摊位上强光阴影交界处的青椒与西葫芦混堆、冷链运输车厢内冷凝水雾导致的低对比度番茄识别、以及自动化分拣线上高速运动中相互遮挡的葡萄串与草莓。这类任务对模型提出刚性要求必须在 30ms 内完成单帧推理否则跟不上 2m/s 的传送带对小于 20×20 像素的腐斑或虫眼敏感且在未标定白平衡的手机拍摄图上不崩。标题中强调的“高分项目”核心不在准确率数字而在于整套系统把数据集构建、标注规范、训练策略、部署轻量化、推理加速全部闭环打通——比如你拿到的不是一张张 JPG 图片而是带光照标签晴/阴/背光、遮挡等级0~3 级、果实朝向正面/侧面/俯视的结构化数据集源代码里预置了针对果蔬纹理模糊特性的 MosaicCopy-Paste 数据增强开关教程则直接告诉你如何用 OpenCV 快速校正冷链车厢图像的蓝绿色偏色。适合正在做智慧农业硬件集成、高校课程设计需完整交付物、或初创团队快速验证果蔬分拣算法可行性的工程师与学生——别再从 VOC 格式开始折腾这里给你的是开箱即用的生产级起点。2. 从零构建果蔬识别数据集不是“拍几百张图就叫数据集”而是按农业场景定义采集规则、标注边界与质量阈值2.1 采集阶段必须卡死的 4 条硬约束否则训练必翻车真实果蔬识别失败70% 源于数据源头失控。我们放弃“手机随便拍”的野路子按农业产线实际约束制定采集协议光照条件分级采集每类果蔬苹果、香蕉、番茄等必须在三种光照下各采集不少于 200 张① 正午户外直射色温 5500K±300K照度 ≥8000 lux② 冷链车厢内 LED 冷白光色温 6500K照度 1500~2000 lux含 5%~15% 冷凝水雾模拟③ 室内超市货架背光主光源来自后方物体正面照度 ≤300 lux需保留阴影细节。遮挡组合强制覆盖每类果蔬必须包含 3 种遮挡形态① 单层半透明塑料袋覆盖模拟电商发货② 同类果实堆叠如 3 个苹果压叠顶部果实可见面积 ≥40%③ 异类混堆如番茄西兰花要求标注框不跨类别。尺寸与距离绑定使用已知尺寸参照物如 5cm 标准刻度尺同框拍摄确保所有图像可反推真实像素尺寸。传送带场景下固定相机距传送带高度为 80cm焦距 24mm此参数写入dataset_meta.yaml。设备统一性仅允许使用 iPhone 12主摄或 Raspberry Pi HQ Camera搭配 IMX477 传感器采集禁用任何第三方滤镜或 HDR 合成——因真实产线摄像头多为工业灰度/RGB 模块HDR 会破坏纹理连续性。提示我们提供的数据集已按此协议采集完成共 12 类常见果蔬苹果、香蕉、橙子、番茄、黄瓜、辣椒、茄子、土豆、洋葱、生菜、西兰花、草莓总计 8,642 张高质量图像每张均附带light_condition: outdoor_direct、occlusion_level: 2、distance_cm: 82.5等元数据字段存于annotations/meta/目录下。2.2 标注规范为什么不用 LabelImg 直接画框果蔬的“可食用部分”才是关键果蔬识别的核心诉求是定位“可销售主体”而非植物学全貌。例如香蕉标注必须排除果柄即使果柄在图中只框选黄色果肉部分西兰花标注需覆盖花球主体但茎部断裂处若露出木质纤维则标注框边缘须紧贴纤维起始点腐烂检测要求双标注主框为果实整体子框sub_label: rot为腐斑区域且子框面积必须 ≥ 主框面积的 3% 才有效。我们采用自研标注工具FruitAnnotator源码位于tools/annotator/它强制校验所有标注框宽高比必须在 0.3~3.0 之间过滤掉误标为“叶子”或“背景电线”的长条形噪声相邻同类果实框间距 15 像素时自动触发“是否合并为一簇”弹窗解决葡萄串识别难题导出前执行光照一致性检查同一光照条件下标注框内平均亮度值标准差 45 的图像被标记为“需复核”。# 运行标注质检脚本需先安装 opencv-python python tools/annotator/check_light_consistency.py \ --image_dir datasets/fruit/images/train \ --label_dir datasets/fruit/labels/train \ --light_meta datasets/fruit/annotations/meta/train_meta.json \ --threshold_std 45该脚本遍历所有训练图像计算每个标注框 ROI 内的 HSV 色调H与明度V均值对比同光照组内统计分布。若某张图的 V 均值偏离组均值 ±2σ则输出警告并生成report/light_inconsistency_20240512.csv。这是防止模型学到“背光番茄”的虚假关联的关键防线。2.3 数据集结构化组织为什么datasets/fruit/下必须有images/、labels/、meta/、splits/四个平行目录YOLOv5 训练脚本默认读取images/和labels/但果蔬识别需要元数据驱动训练策略。我们的目录结构设计为datasets/fruit/ ├── images/ # 原图按 train/val/test 分割 ├── labels/ # YOLO 格式 txtclass_id x_center y_center width height (归一化) ├── meta/ # 光照/遮挡/距离等元数据 JSON 文件与 images 同名 ├── splits/ # train.txt/val.txt/test.txt存相对路径如 train/apple_001.jpg └── dataset_config.yaml # 定义 class_names、nc、train/val/test 路径、元数据字段映射关键设计点dataset_config.yaml中声明# datasets/fruit/dataset_config.yaml classes: [apple, banana, tomato, cucumber, ...] nc: 12 train: ../datasets/fruit/splits/train.txt val: ../datasets/fruit/splits/val.txt test: ../datasets/fruit/splits/test.txt # 元数据字段映射供训练时动态加载 meta_fields: light_condition: [outdoor_direct, cold_storage, supermarket_backlight] occlusion_level: [0, 1, 2, 3] distance_cm: [60.0, 70.0, 80.0, 90.0]这样在train.py中可通过dataset.get_meta(image_id)获取当前样本的光照类型并在DataLoader中动态启用对应的数据增强如cold_storage图像自动开启CLAHE对比度增强。3. YOLOv5 源代码深度改造不是直接 clone 官方仓库而是为果蔬特性重写数据增强、损失函数与推理后处理3.1 针对果蔬纹理模糊的三大增强模块MosaicCopy-PasteLightShift官方 YOLOv5 的 Mosaic 增强在果蔬场景易导致边缘失真如香蕉弯曲轮廓被拉直。我们重构utils/augmentations.py新增FruitMosaic类限制四图拼接时的缩放因子范围为 0.5~1.2原版为 0.3~1.5避免小果实被过度压缩在拼接缝处添加 3 像素宽的高斯渐变过渡带cv2.GaussianBlur消除人工拼接感强制要求四图中至少两张为同光照条件防止“晴天苹果背光番茄”强行拼接。# utils/augmentations.py class FruitMosaic: def __init__(self, img_size640, p0.5): self.img_size img_size self.p p self.light_groups { outdoor_direct: [], cold_storage: [], supermarket_backlight: [] } def __call__(self, img, labels, img_path): if random.random() self.p: return img, labels # 按光照分组优先从同组选图 light_type get_light_from_path(img_path) # 从 meta/ 中读取 candidates self.light_groups[light_type] \ random.sample(self.light_groups[outdoor_direct], 1) # 执行带渐变缝的拼接代码略核心是 cv2.seamlessClone mosaic_img, mosaic_labels self._mosaic_with_blend(candidates) return mosaic_img, mosaic_labelsCopy-Paste增强专治小目标如草莓籽、辣椒斑点从高分辨率图中裁剪 32×32 区域以 0.3 透明度叠加到当前图随机位置并更新labels。此操作在dataset.__getitem__()中触发仅对occlusion_level 2的样本启用。LightShift是独创模块模拟不同光照下的颜色漂移。它不改变 RGB 值而是查表映射 HSV 空间输入cold_storage图像 → H 减 5°S 降 15%V 升 10%模拟冷光偏蓝输入supermarket_backlight图像 → H 不变S 降 25%V 降 30%模拟背光导致的低饱和、低明度。映射表light_shift_lut.npy预存在data/luts/由 1000 张实测图像统计生成。3.2 损失函数改造为什么CIoU不够引入FruitShapeIoU约束果实长宽比果蔬形状高度规律苹果接近圆形长宽比 0.8~1.2香蕉细长3.0~5.0黄瓜居中2.0~3.0。标准CIoU仅优化框位置忽略形状先验。我们在models/yolo.py的ComputeLoss类中新增FruitShapeIoU# models/yolo.py def compute_fruit_shape_iou(self, pred_boxes, target_boxes, class_ids): pred_boxes: [N, 4] (x1,y1,x2,y2) target_boxes: [N, 4] class_ids: [N] # 0apple, 1banana... # 获取各类别期望长宽比来自 dataset_config.yaml expected_ratio torch.tensor([1.0, 4.0, 1.1, 2.5, ...], devicepred_boxes.device) pred_ratio (pred_boxes[:, 2] - pred_boxes[:, 0]) / (pred_boxes[:, 3] - pred_boxes[:, 1] 1e-6) target_ratio (target_boxes[:, 2] - target_boxes[:, 0]) / (target_boxes[:, 3] - target_boxes[:, 1] 1e-6) # 归一化误差|log(pred_ratio / expected)| shape_loss torch.abs(torch.log(pred_ratio / expected_ratio[class_ids] 1e-6)) return shape_loss.mean()训练时总损失 CIoU_loss 0.3 * FruitShapeIoU_loss。系数 0.3 经网格搜索确定过大则框变僵硬过小则无效果。3.3 推理后处理NMS改为Soft-NMSSize-Aware Confidence拒绝“大框吞小框”果蔬密集场景如葡萄串中标准 NMS 会因 IoU 阈值设为 0.45 而误删相邻小果实。我们替换non_max_suppression为使用Soft-NMSiou_threshold0.3对高 IoU 框降低置信度而非直接删除新增Size-Aware Confidence对预测框面积 1000 像素的样本置信度乘以0.8 0.2 * (area/1000)防止小目标被全局阈值conf_thres0.25过滤。# utils/general.py def non_max_suppression_soft_sizeaware(prediction, conf_thres0.25, iou_thres0.3): output [torch.zeros((0, 6), deviceprediction.device)] * prediction.shape[0] for xi, x in enumerate(prediction): # image index, image inference x x[x[:, 4] conf_thres] # confidence if not x.shape[0]: continue # Size-aware confidence scaling box_area (x[:, 2] - x[:, 0]) * (x[:, 3] - x[:, 1]) size_factor torch.clamp(0.8 0.2 * (box_area / 1000), 0.8, 1.0) x[:, 4] * size_factor # Soft-NMS boxes x[:, :4] scores x[:, 4] classes x[:, 5] keep soft_nms(boxes, scores, iou_thres) output[xi] x[keep] return outputsoft_nms实现参考 Bodla 等人论文核心是若某框与最高分框 IoU iou_thres则将其分数乘以衰减因子(1 - IoU)而非直接丢弃。4. 高分项目避坑指南训练、验证、部署三阶段 5 个血泪经验省下你 3 天调试时间4.1 现象训练 loss 曲线震荡剧烈val mAP0.5 在 0.35 波动始终不上 0.5原因未关闭AutoAnchor且果蔬尺寸跨度大草莓直径 2cm西瓜 20cm导致聚类生成的 anchor 尺寸无法覆盖全尺度。官方kmeans默认在 640×640 缩放图上聚类但小果实如草莓在缩放后仅剩 5~8 像素特征丢失。解决在data/hyp.scratch-low.yaml中设anchor_t: 4.0增大 anchor 匹配容忍度手动指定 anchor运行python utils/autoanchor.py -f datasets/fruit/dataset_config.yaml -n 12 -g 4强制生成 4 组 anchor每组 3 个并覆盖 16×16 到 512×512 全尺度关键一步在models/yolov5s.yaml中将anchors字段替换为生成结果例如anchors: - [12,16, 19,36, 40,28] # P3/8 - [36,75, 76,55, 72,146] # P4/16 - [142,110, 192,243, 459,401] # P5/324.2 现象验证时大量漏检“背光番茄”但训练集里背光样本不少原因CLAHE限制对比度自适应直方图均衡化增强被错误应用于所有图像而背光图像经 CLAHE 后番茄红色通道噪声剧增模型学到“红色噪声番茄”的虚假模式。解决修改train.py中的Albumentations初始化逻辑仅对light_condition supermarket_backlight的样本启用 CLAHEif meta[light_condition] supermarket_backlight: transform A.Compose([ A.CLAHE(p0.8, clip_limit2.0), A.RandomBrightnessContrast(p0.3) ]) else: transform A.Compose([A.RandomBrightnessContrast(p0.3)])同时在dataset_config.yaml中增加backlight_enhance: true开关便于快速关闭。4.3 现象导出 ONNX 模型后TensorRT 推理速度反而比 PyTorch 慢 20%原因YOLOv5 默认导出的 ONNX 包含Hardswish激活函数而 TensorRT 7.2 对其优化不佳且未启用FP16精度。解决替换models/common.py中的Hardswish为SiLUnn.SiLU()因其在 TensorRT 中有原生高效实现导出时强制--half并指定--dynamicpython export.py --weights runs/train/fruit_yolov5s/weights/best.pt \ --include onnx \ --half \ --dynamic \ --img 640TensorRT 引擎构建时显式设置builder.fp16_mode True和config.set_flag(trt.BuilderFlag.FP16)。4.4 现象树莓派 4B 上 CPU 推理 1.2 秒/帧远超 30ms 要求原因未启用OpenCV-DNN后端的 Intel IPP 加速且模型未进行prune剪枝。解决编译 OpenCV 时启用WITH_IPPON和WITH_OPENMPON运行python tools/prune/prune_yolov5.py --weights best.pt --ratio 0.3剪掉 30% 通道数实测 mAP0.5 仅降 0.015推理代码中指定 DNN 后端net cv2.dnn.readNet(best_pruned.onnx) net.setPreferableBackend(cv2.dnn.DNN_BACKEND_INFERENCE_ENGINE) # 启用 IE net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)4.5 现象测试集上“腐烂检测”召回率仅 42%但精确率 89%原因腐烂标注框面积太小常 50 像素而 YOLOv5 的 P3 层stride8感受野不足以捕捉细节且Focal Loss的 γ 参数设为 2.0 过度抑制小目标。解决在models/yolov5s.yaml中将head部分的Conv层替换为RepConv重参数化卷积提升小目标特征提取能力修改train.py中的FocalLoss初始化FocalLoss(gamma1.0)降低对难样本的惩罚关键补充在dataset.__getitem__()中对sub_label rot的样本强制将其所在区域 crop 出来放大 2 倍后送入网络作为辅助分支输入。5. 教程落地从环境配置到树莓派部署一条命令跑通全流程的 7 个关键步骤5.1 环境配置为什么推荐 Conda CUDA 11.3避开 PyTorch 1.10 的 cuDNN 兼容雷区我们放弃 pip install采用 Conda 精确控制版本链# 创建独立环境Python 3.8 兼容性最佳 conda create -n fruitdet python3.8 conda activate fruitdet # 安装 PyTorch 1.10.0 CUDA 11.3经实测此组合在 RTX 3090 上训练最稳 conda install pytorch1.10.0 torchvision0.11.1 torchaudio0.10.0 cudatoolkit11.3 -c pytorch # 安装依赖注意 opencv-python-headless 避免 GUI 冲突 pip install -r requirements.txt # 已修改为opencv-python-headless4.5.5.64requirements.txt中锁定关键版本numpy1.21.6 opencv-python-headless4.5.5.64 pycocotools2.0.6 tensorboard2.8.0 tqdm4.64.0注意若用 Ubuntu 22.04请先sudo apt install libgl1 libglib2.0-0否则 OpenCV 会报libGL.so.1: cannot open shared object file。5.2 训练自己的数据集3 行命令启动但必须改对data/fruit.yaml的 4 个字段data/fruit.yaml是训练入口必须校验# data/fruit.yaml train: ../datasets/fruit/splits/train.txt # 必须是相对路径且文件存在 val: ../datasets/fruit/splits/val.txt test: ../datasets/fruit/splits/test.txt nc: 12 # 必须与 classes 数量一致 names: [apple, banana, tomato, cucumber, pepper, eggplant, potato, onion, lettuce, broccoli, strawberry, orange]启动训练# 使用预设超参已针对果蔬优化 python train.py \ --img 640 \ --batch 16 \ --epochs 300 \ --data data/fruit.yaml \ --cfg models/yolov5s_fruit.yaml \ # 启用 FruitShapeIoU 的定制模型 --weights \ # 从头训练 --name fruit_yolov5s \ --cache # 启用缓存加速--cache是关键首次运行会将所有图像预处理为.npy缓存后续 epoch 速度提升 3 倍。5.3 验证与可视化val.py输出不只是 mAP还有 3 个诊断图帮你定位问题运行验证脚本python val.py \ --data data/fruit.yaml \ --weights runs/train/fruit_yolov5s/weights/best.pt \ --task test \ --save-hybrid \ # 保存 hybrid labelsGTpred --plots # 生成诊断图生成的runs/val/fruit_yolov5s/下有PR_curve.png看各类别召回率-精确率平衡点若草莓 PR 曲线左下说明小目标漏检F1_curve.pngF1 最高点对应的conf_thres若峰值在 0.15说明置信度过滤太狠confusion_matrix.png看混淆矩阵若“番茄”大量误判为“辣椒”需检查两者在冷光下的色差是否不足。5.4 导出为 ONNX 并验证用onnxsim简化模型避免 TensorRT 解析失败# 导出注意 --half 和 --dynamic python export.py \ --weights runs/train/fruit_yolov5s/weights/best.pt \ --include onnx \ --half \ --dynamic \ --img 640 # 简化 ONNX去除冗余节点TensorRT 更友好 pip install onnxsim python -m onnxsim runs/train/fruit_yolov5s/weights/best.onnx runs/train/fruit_yolov5s/weights/best_sim.onnx验证 ONNX 输出import onnxruntime as ort import numpy as np ort_session ort.InferenceSession(best_sim.onnx) dummy_input np.random.randn(1, 3, 640, 640).astype(np.float16) # half 精度 outputs ort_session.run(None, {images: dummy_input}) print(fONNX output shape: {outputs[0].shape}) # 应为 [1, 25200, 16]12 classes 4 coords 1 obj5.5 树莓派 4B 部署交叉编译 OpenCV 启用 NEONCPU 推理压到 28ms在 Ubuntu 20.04 主机上交叉编译# 安装工具链 sudo apt install g-aarch64-linux-gnu # 下载 OpenCV 4.5.5 源码配置 CMake cmake -DCMAKE_TOOLCHAIN_FILE/usr/aarch64-linux-gnu/share/cmake-3.16/Modules/Platform/Linux-AARCH64.cmake \ -DCMAKE_BUILD_TYPERELEASE \ -DBUILD_SHARED_LIBSOFF \ -DWITH_IPPON \ -DWITH_OPENMPON \ -DENABLE_NEONON \ -DBUILD_TESTSOFF \ -DBUILD_PERF_TESTSOFF \ -DBUILD_opencv_python3OFF \ -DCMAKE_INSTALL_PREFIX/opt/opencv-rpi .. make -j4 sudo make install树莓派端部署# 复制编译好的库 scp -r /opt/opencv-rpi piraspberrypi:/opt/ # 设置环境变量 echo export LD_LIBRARY_PATH/opt/opencv-rpi/lib:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrc # 运行推理使用 OpenCV-DNN python detect_rpi.py --weights best_sim.onnx --source 0 --view-img --halfdetect_rpi.py中关键设置net cv2.dnn.readNet(best_sim.onnx) net.setPreferableBackend(cv2.dnn.DNN_BACKEND_INFERENCE_ENGINE) net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU) # 启用 NEON 加速 cv2.setUseOptimized(True)5.6 实时视频流检测用GStreamer替代cv2.VideoCapture树莓派 USB 摄像头延迟压至 120mscv2.VideoCapture(0)在树莓派上延迟高达 400ms。改用 GStreamer 管道# detect_rpi.py 中替换 VideoCapture def gstreamer_pipeline( capture_width640, capture_height480, display_width640, display_height480, framerate30, flip_method0, ): return ( v4l2src device/dev/video0 ! videoconvert ! videoscale ! video/x-raw,formatRGB,width%d,height%d ! appsink % ( display_width, display_height, ) ) cap cv2.VideoCapture(gstreamer_pipeline(), cv2.CAP_GSTREAMER)此管道绕过 V4L2 默认缓冲直接拉取 RGB 流实测端到端延迟 118±5ms含推理 28ms 显示 90ms。5.7 模型量化与 INT8 推理TensorRT 加速后树莓派 4B 达到 32 FPS在 Jetson Nano 或 x86 服务器上生成 INT8 引擎树莓派不支持 INT8但可生成后拷贝# 使用 trtexec 工具TensorRT 自带 trtexec --onnxbest_sim.onnx \ --int8 \ --calibdata/calibration_images/ \ --workspace2048 \ --saveEnginebest_int8.engine树莓派端加载引擎import tensorrt as trt import pycuda.autoinit import pycuda.driver as cuda # 加载预生成的 engine with open(best_int8.engine, rb) as f: runtime trt.Runtime(trt.Logger(trt.Logger.WARNING)) engine runtime.deserialize_cuda_engine(f.read()) context engine.create_execution_context() # 分配 GPU 内存树莓派无 GPU此步在 Nano 上运行 inputs, outputs, bindings, stream common.allocate_buffers(engine)最终在 Jetson Nano 上实测INT8 引擎推理速度 32.4 FPS28.7ms/帧功耗 5.2W满足边缘设备长期运行需求。6. 高分项目的最后一道门槛不是“跑通就行”而是用 3 个硬指标验证是否真能落地6.1 指标一光照鲁棒性测试 —— 在未见过的“阴天大棚”图像上mAP0.5 必须 ≥ 0.62我们预留了 500 张“阴天大棚”图像非训练/验证集全部来自合作农场实地采集。测试脚本test_light_robustness.py会遍历所有图像记录每张的light_condition元数据计算该光照组下的 mAP0.5、mAP0.5:0.95若mAP0.5 0.62则触发adjust_light_augmentation()函数自动增强LightShift的 S 通道衰减幅度。# test_light_robustness.py def evaluate_by_light(dataset_path, weights_path): results {} for light_type in [outdoor_direct, cold_storage, supermarket_backlight, greenhouse_overcast]: # 加载该光照组图像 subset load_light_subset(dataset_path, light_type) # 运行推理 metrics run_inference(subset, weights_path) results[light_type] metrics[map_05] # 输出报告 df pd.DataFrame(results, index[mAP0.5]) print(df) return df[greenhouse_overcast][mAP0.5] 0.62 if not evaluate_by_light(datasets/fruit/, best.pt): print(Warning: greenhouse_overcast mAP too low! Adjusting LightShift...) adjust_light_augmentation(factor1.3) # 增强 S 通道衰减这个指标逼你直面现实模型不能只在训练数据上漂亮必须泛化到新环境。6.2 指标二小目标密度压力测试 —— 在 640×640 图中塞入 120 个草莓召回率 ≥ 85%生成压力测试图# tools/generate_stress_test.py def generate_strawberry_stress_image(): base_img np.ones((640, 640, 3), dtypenp.uint8) * 240 # 浅灰底 # 随机放置 120 个草莓合成图像 for _ in range(120): x, y random.randint(20, 620), random.randint(20, 620) size random.randint(12, 22) # 12~22 像素直径 cv2.circle(base_img, (x, y), size//2, (255, 100, 150), -1) # 粉红草莓 cv2.imwrite(stress_test_strawberry.jpg, base_img)用detect.py运行python detect.py --weights best.pt --source stress_test_strawberry.jpg --conf 0.1 --iou 0.15关键参数--conf 0.1降低置信度阈值、--iou 0.15Soft-NMS 的 IoU 阈值确保密集小目标不被过滤。人工计数检测框计算召回率。6.3 指标三端到端时延测量 —— 从摄像头捕获第一帧到屏幕显示带框图像全程 ≤ 35ms本文还有配套的精品资源点击获取