带标注的辣椒颜色识别数据集， 可识别红色，绿色，混合色三种成熟度的，3158张图，支持yolo，coco json，voc xml,文末有模型训练代码

​ 带标注的辣椒颜色识别数据集， 可识别红色，绿色，混合色三种成熟度的，3158张图，支持yolo，coco json，voc xml,文末有模型训练代码

本套数据集为人工精准标注的辣椒图像数据，主要应用于辣椒颜色检测与成熟度分类任务。 数据集将辣椒划分为红色、绿色、混合色三种成熟等级，标注规范、样本丰富，可广泛用于深度学习分类模型训练、机器视觉算法开发，同时适配智慧农业、果蔬智能分拣、自动化采摘等实际落地场景。 专为果蔬视觉识别打造的标注数据集，以辣椒为识别目标，依据外观颜色区分出红色、绿色、混合色三类成熟状态。数据质量高、兼容性强，能够有效支撑各类神经网络模型的训练、验证与优化，是农业视觉项目开发的优质数据源。

数据集拆分

总图数：3158 张图数 训练集

3027 张图

验证集

82 张图

测试集

49 张图

预处理

自动定向：应用

调整大小：拉伸到640×640

增强

每个训练样本输出项：2 个 饱和度：调整范围 -50% ~ +50% 亮度：调整范围 -46% ~ +46%

数据集标签：

[‘Red’, ‘Mix’, ‘Green’]

标签解释 Red： 红色 （成熟） Mix ： 混合色 （半熟） Green： 绿色（未成熟）

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92987482

yolo v12:https://download.csdn.net/download/pbymw8iwm/92987472

yolo v11:https://download.csdn.net/download/pbymw8iwm/92987485

yolo v9:https://download.csdn.net/download/pbymw8iwm/92987475

yolo v8:https://download.csdn.net/download/pbymw8iwm/92987477

yolo v7:https://download.csdn.net/download/pbymw8iwm/92987481

coco json:https://download.csdn.net/download/pbymw8iwm/92987466

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92987495

模糊图片在模型训练中的优势分析

该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2

# ===================== 1. 加载YOLO模型 =====================
# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/x
model = YOLO("best.pt")
# ===================== 2. 推理配置 =====================
image_path = "326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg" # 你的图片路径
save_result = True # 是否保存标注后的图
# ===================== 3. 执行推理 =====================
results = model.predict(
source=image_path,
conf=0.01, # 置信度阈值（低于该值忽略）
save=False, # 关闭默认保存，自定义保存
verbose=False # 关闭冗余日志
)

# ===================== 4. 解析结果：目标区域 + 标注信息 =====================
print("="*50)
print("YOLO 推理结果（目标区域 + 标注信息）")
print("="*50)

# 获取图片（用于绘制框）
img = cv2.imread(image_path)

# 遍历所有检测目标
for idx, result in enumerate(results):
boxes = result.boxes # 所有检测框

for box in boxes:
# ========== 提取目标区域（坐标） ==========
# xyxy: 左上角x, 左上角y, 右下角x, 右下角y
x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
# 宽高
w = x2 – x1
h = y2 – y1

# ========== 提取标注信息 ==========
cls_id = int(box.cls[0]) # 类别ID
cls_name = model.names[cls_id] # 类别名称
conf = float(box.conf[0]) # 置信度

# ========== 打印信息 ==========
print(f"目标 {idx+1}:")
print(f" 标注类别：{cls_name}")
print(f" 置信度：{conf:.2f}")
print(f" 目标区域坐标：")
print(f" 左上角 ({x1:.1f}, {y1:.1f})")
print(f" 右下角 ({x2:.1f}, {y2:.1f})")
print(f" 宽×高：{w:.1f} × {h:.1f}")
print("-"*30)

# ========== 在图片上绘制检测框 ==========
cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
cv2.putText(img, f"{cls_name} {conf:.2f}",
(int(x1), int(y1)–10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# ===================== 5. 保存/显示结果 =====================
if save_result:
cv2.imwrite("yolo_result.jpg", img)
print("✅ 标注图片已保存为：yolo_result.jpg")

# 显示图片（可选）
cv2.imshow("YOLO Result", img)
#cv2.waitKey(0)
#cv2.destroyAllWindows()

模型推理结果：

{ “predictions”: [ { “x”: 152, “y”: 928, “width”: 78, “height”: 366, “confidence”: 0.826, “class”: “Red”, “class_id”: 2, “detection_id”: “769d7863-83c8-4cbf-9fa4-69bfb432112d” }, { “x”: 888, “y”: 844, “width”: 82, “height”: 576, “confidence”: 0.623, “class”: “Green”, “class_id”: 0, “detection_id”: “63307d16-b859-422f-9df7-d615b985adf5” }, { “x”: 525.5, “y”: 787, “width”: 49, “height”: 332, “confidence”: 0.505, “class”: “Red”, “class_id”: 2, “detection_id”: “b3c1c291-202b-41ce-8ef7-8f664a1e77df” } ] }