智慧农业-茶叶嫩芽检测数据集5740张yolo和voc两种标注方式4类标注数量T1最好: 1533T2次好: 1733T3较差: 1252T4最差: 1223image num: 5740模型代码采用 YOLOv11n 网络训练训练轮次30 个 epoch提供全部训练 测试源代码训练精度 mAP 效果如图所示PyQt5 界面功能界面使用 PyQt5 开发提供全部源码.ui、.qrc、.py 及图标文件支持图片检测、视频检测、摄像头实时检测界面实时显示目标位置、目标总数、置信度等信息支持检测结果保存导出操作简单直观无需命令行4、零基础需远程配置运行环境Python3.8、opencv-python、PyQt5、torch支持 Windows、Linux 系统附、配套文件全套完整完整数据集含原始图像、YOLO 格式 txt 标注、VOC 格式 xml 标注、yaml 配置文件模型程序文件训练代码 .py、训练好的模型权重 .ptQt 界面源码.ui、.qrc、.py 源码及配套图标资源程序运行说明文档程序运行步骤说明指导文档智慧农业‑茶叶嫩芽等级检测数据集数据集信息表项目参数详情数据集名称智慧农业‑茶叶嫩芽等级检测数据集图像总数量5740张标注格式YOLO、VOC两种标注格式类别数量4类类别统计T1(最好)1533个标注T2(次好)1733个标注T3(较差)1252个标注T4(最差)1223个标注训练网络YOLOv11‑n训练轮次30 epochPyQt5界面源码完整源码(.ui/.qrc/.py、图标资源)界面功能图片检测、视频检测、摄像头实时检测展示目标位置、目标数量、置信度检测结果保存导出免命令行操作运行环境Python3.8、opencv‑python、PyQt5、torch支持Windows / Linux可提供CPU版本远程环境部署全套配套文件原始图像、YOLO txt标注、VOC xml标注、yaml配置、训练测试源码、训练完成pt权重、Qt界面全套资源、运行说明文档应用场景智慧农业、茶叶嫩芽分级、采茶机器视觉、茶园智能化检测、农产品品质分选labels.txtT1 T2 T3 T4数据集yaml配置tea_sprout.yamlpath:./tea_sprout_datasettrain:images/trainval:images/valnames:0:T11:T22:T33:T4YOLOv11n训练代码fromultralyticsimportYOLOif__name____main__:modelYOLO(yolo11n.pt)resultmodel.train(datatea_sprout.yaml,epochs30,imgsz640,batch8,devicecpu,#GPU环境改为device0workers2,projecttea_exp,nameyolov11n_tea)推理代码fromultralyticsimportYOLO modelYOLO(./tea_exp/yolov11n_tea/weights/best.pt)predmodel.predict(tea_test.jpg,conf0.25,saveTrue)依赖安装命令pipinstallultralytics opencv-python pyqt5 torch说明我无法直接输出去水印图片文件下面是保留红色检测框去除图片水印的批量处理脚本importcv2importosimportnumpyasnpdefremove_watermark_keep_box(input_path,output_path):imgcv2.imread(input_path)ifimgisNone:returnhsvcv2.cvtColor(img,cv2.COLOR_BGR2HSV)#适配半透明浅灰色水印避开红/蓝检测框颜色lowernp.array([0,0,160])uppernp.array([180,22,255])maskcv2.inRange(hsv,lower,upper)dstcv2.inpaint(img,mask,3,cv2.INPAINT_TELEA)cv2.imwrite(output_path,dst)if__name____main__:src_folder./tea_sourceout_folder./tea_outputos.makedirs(out_folder,exist_okTrue)forfinos.listdir(src_folder):iff.lower().endswith((jpg,png,jpeg)):remove_watermark_keep_box(os.path.join(src_folder,f),os.path.join(out_folder,f))智慧农业‑茶叶嫩芽等级检测数据集数据集信息表项目参数详情数据集名称智慧农业‑茶叶嫩芽等级检测数据集图像总数量5740张标注格式YOLO、VOC两种标注格式类别数量4类类别统计T1(最好)1533个标注T2(次好)1733个标注T3(较差)1252个标注T4(最差)1223个标注训练网络YOLOv11‑n训练轮次30 epochPyQt5界面源码完整源码(.ui/.qrc/.py、图标资源)界面功能图片检测、视频检测、摄像头实时检测展示目标位置、目标数量、置信度检测结果保存导出免命令行操作运行环境Python3.8、opencv‑python、PyQt5、torch支持Windows / Linux可提供CPU版本远程环境部署全套配套文件原始图像、YOLO txt标注、VOC xml标注、yaml配置、训练测试源码、训练完成pt权重、Qt界面全套资源、运行说明文档应用场景智慧农业、茶叶嫩芽分级、采茶机器视觉、茶园智能化检测、农产品品质分选labels.txt标签文件直接复制T1 T2 T3 T4数据集关键词智慧农业、茶叶嫩芽检测、茶叶等级分类、茶园机器视觉、茶叶品质分选、YOLO数据集、农作物目标检测、茶叶嫩芽分级、农业AI、茶叶识别数据集yaml配置tea_sprout.yamlpath:./tea_sprout_datasettrain:images/trainval:images/valnames:0:T11:T22:T33:T4YOLOv11n训练代码fromultralyticsimportYOLOif__name____main__:modelYOLO(yolo11n.pt)resultmodel.train(datatea_sprout.yaml,epochs30,imgsz640,batch8,devicecpu,#GPU环境改为device0workers2,projecttea_exp,nameyolov11n_tea)推理代码fromultralyticsimportYOLO modelYOLO(./tea_exp/yolov11n_tea/weights/best.pt)predmodel.predict(tea_test.jpg,conf0.25,saveTrue)依赖安装命令pipinstallultralytics opencv-python pyqt5 torch