水果蔬菜分类图像分类 智慧化农业蔬菜水果分类数据集 果蔬分类数据集的应用 智慧农业数据集 生鲜识别 超市自动结算 AI营养分析 移动端果蔬识别APP

水果蔬菜分类图像分类 智慧化农业蔬菜水果分类数据集 果蔬分类数据集的应用 智慧农业数据集 生鲜识别 超市自动结算 AI营养分析 移动端果蔬识别APP

智慧化-果蔬数据集（chuntu）
此数据集包含以下果蔬的图像：
水果：香蕉，苹果，梨，葡萄，橙子，猕猴桃，西瓜，石榴，菠萝，芒果。

蔬菜：黄瓜、胡萝卜、辣椒、洋葱、土豆、柠檬、西红柿、raddish、甜菜根、卷心菜、生菜、菠菜、大豆、花椰菜、甜椒、辣椒、萝卜、玉米、甜玉米、红薯、辣椒、辣椒酱、生姜、大蒜、豌豆、茄子。

数据集包含三个文件夹：

训练集（每个类别文件夹包含100张图片）

测试集（每个类别文件夹包含10张图像）

验证集（每个类别文件夹包含10张图像）

以上每个文件夹都包含不同水果和蔬菜的子文件夹，其中显示了相应类别的图像

1

1

以下是果蔬数据集（Chuntu）的详细表格化描述：

📊 一、数据集总体信息

🍎🥦 二、类别列表与分类统计

✅ 水果类（10 类）

✅ 蔬菜类（26 类）

⚠️ 注意：原始描述中“辣椒”重复出现多次，“辣椒酱”可能为异常项（非生鲜食材），此处按字面保留，但建议使用时核查。

🔍类别去重建议：
实际有效类别可能为32–34 类，因存在重复（如“辣椒”出现3次、“萝卜”2次）及异常项（“辣椒酱”）。建议检查原始文件夹数量以确认真实类别数。

📁 三、数据划分详情（按当前描述）

✅ 文件结构示例：

chuntu_dataset/ ├── train/ │ ├── banana/ │ ├── apple/ │ └── ... (36 folders) ├── val/ │ ├── banana/ │ └── ... └── test/ ├── banana/ └── ...

⚙️ 四、适用模型与框架

⚠️ 五、使用注意事项

1. 类别重复问题：
   • “辣椒”“萝卜”多次出现，需确认是否为不同品种（如青椒/红椒、白萝卜/胡萝卜），否则应合并。
2. 异常类别：
   • “辣椒酱”为加工品，与其他生鲜类别不一致，建议单独处理或移除。
3. 柠檬归类：
   • 柠檬通常视为水果，若用于烹饪场景可保留于蔬菜，但需注意标签一致性。
4. 数据平衡性：
   • 每类样本量均衡（100/10/10），有利于公平训练，但总量偏少，建议结合数据增强。

以下是基于果蔬数据集（Chuntu）使用PyTorch进行图像分类的完整训练代码示例。该代码包括数据加载、模型定义、训练、验证和测试过程。

📁 一、项目结构建议

chuntu_pytorch/ ├── dataset.py# 数据集加载与预处理├── model.py# 模型定义├── train.py# 主训练脚本├── predict_demo.py# 推理演示└── data/ ├── train/# 训练集├── val/# 验证集└── test/# 测试集

📄 二、数据集加载与预处理dataset.py

# dataset.pyimportosfromtorch.utils.dataimportDataset,DataLoaderfromtorchvisionimporttransformsfromPILimportImageclassFruitVegetableDataset(Dataset):def__init__(self,root_dir,transform=None):self.root_dir=root_dir self.transform=transform self.classes=sorted(os.listdir(root_dir))self.class_to_idx={cls_name:idxforidx,cls_nameinenumerate(self.classes)}self.image_paths=[]self.labels=[]forcls_nameinself.classes:cls_dir=os.path.join(root_dir,cls_name)ifnotos.path.isdir(cls_dir):continueforimg_nameinos.listdir(cls_dir):ifimg_name.lower().endswith(('png','jpg','jpeg')):self.image_paths.append(os.path.join(cls_dir,img_name))self.labels.append(self.class_to_idx[cls_name])def__len__(self):returnlen(self.image_paths)def__getitem__(self,idx):img_path=self.image_paths[idx]label=self.labels[idx]image=Image.open(img_path).convert('RGB')ifself.transform:image=self.transform(image)returnimage,labeldefget_loader(root_dir,batch_size=32,num_workers=4):transform=transforms.Compose([transforms.Resize((224,224)),# 统一尺寸transforms.RandomHorizontalFlip(),# 数据增强transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])# ImageNet均值方差])dataset=FruitVegetableDataset(root_dir=root_dir,transform=transform)loader=DataLoader(dataset,batch_size=batch_size,shuffle=True,num_workers=num_workers)returnloader,dataset.classes

📄 三、模型定义model.py

# model.pyimporttorchimporttorch.nnasnnimporttorchvision.modelsasmodelsdefget_model(num_classes):model=models.resnet50(pretrained=True)# 使用ImageNet预训练权重num_ftrs=model.fc.in_features model.fc=nn.Linear(num_ftrs,num_classes)returnmodeldeftrain_model(model,dataloaders,criterion,optimizer,num_epochs=25,device='cuda'):best_model_wts=model.state_dict()best_acc=0.0forepochinrange(num_epochs):print(f'Epoch{epoch}/{num_epochs-1}')print('-'*10)forphasein['train','val']:ifphase=='train':model.train()else:model.eval()running_loss=0.0running_corrects=0forinputs,labelsindataloaders[phase]:inputs=inputs.to(device)labels=labels.to(device)optimizer.zero_grad()withtorch.set_grad_enabled(phase=='train'):outputs=model(inputs)_,preds=torch.max(outputs,1)loss=criterion(outputs,labels)ifphase=='train':loss.backward()optimizer.step()running_loss+=loss.item()*inputs.size(0)running_corrects+=torch.sum(preds==labels.data)epoch_loss=running_loss/len(dataloaders[phase].dataset)epoch_acc=running_corrects.double()/len(dataloaders[phase].dataset)print(f'{phase}Loss:{epoch_loss:.4f}Acc:{epoch_acc:.4f}')ifphase=='val'andepoch_acc>best_acc:best_acc=epoch_acc best_model_wts=model.state_dict()print(f'Best val Acc:{best_acc:4f}')model.load_state_dict(best_model_wts)returnmodel

🚀 四、主训练脚本train.py

# train.pyimporttorchimporttorch.optimasoptimfromtorch.utils.tensorboardimportSummaryWriterfrommodelimportget_model,train_modelfromdatasetimportget_loaderdefmain():# 设备配置device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")print(f"🚀 使用设备:{device}")# 加载数据train_loader,classes=get_loader('data/train')val_loader,_=get_loader('data/val')dataloaders={'train':train_loader,'val':val_loader}# 定义模型model=get_model(num_classes=len(classes)).to(device)# 定义损失函数和优化器criterion=nn.CrossEntropyLoss()optimizer=optim.Adam(model.parameters(),lr=0.001)# 开始训练trained_model=train_model(model,dataloaders,criterion,optimizer,num_epochs=25,device=device)# 保存最佳模型torch.save(trained_model.state_dict(),'best_model.pth')if__name__=='__main__':main()

🔍 五、推理演示predict_demo.py

# predict_demo.pyfrommodelimportget_modelfromdatasetimportFruitVegetableDataset,transformsfromPILimportImageimporttorchdefmain():# 加载模型model=get_model(num_classes=36)# 根据实际类别数调整model.load_state_dict(torch.load('best_model.pth'))model.eval()# 类别映射class_names=['香蕉','苹果','梨','葡萄','橙子','猕猴桃','西瓜','石榴','菠萝','芒果','黄瓜','胡萝卜','辣椒','洋葱','土豆','柠檬','西红柿','萝卜','甜菜根','卷心菜','生菜','菠菜','大豆','花椰菜','甜椒','玉米','甜玉米','红薯','生姜','大蒜','豌豆','茄子']# 图像预处理transform=transforms.Compose([transforms.Resize((224,224)),transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])])# 推理单张图像image_path='sample_image.jpg'image=Image.open(image_path).convert('RGB')tensor_image=transform(image).unsqueeze(0)withtorch.no_grad():output=model(tensor_image)_,predicted=torch.max(output,1)predicted_class=class_names[predicted.item()]print(f"预测结果:{predicted_class}")if__name__=='__main__':main()

⚙️ 六、训练优化建议