摘要本研究针对香梨产业园果实数量统计和产量预测中人工清点效率低、主观性强、难以满足规模化管理需求等问题设计并实现了一套基于深度学习的香梨产量预测系统。系统以香梨图像为研究对象融合目标检测、特征工程与回归分析方法实现了图像检测、视频检测、实时检测及产量预测等功能。项目简介本项目设计并实现了一套基于 YOLO12 目标检测与回归分析的香梨产量预测系统可完成果实识别、数量统计及产量估算。项目方案基于深度学习的香梨产量预测系统设计与实现系统概述本研究围绕香梨产业园果实数量统计与产量预测需求设计并实现了一套基于深度学习的香梨产量预测系统。传统人工清点和经验估产方式存在效率低、主观性强、难以适应大规模果园管理等问题因此有必要引入计算机视觉与机器学习方法提高果实识别与产量估算的自动化和智能化水平。本文以香梨图像为研究对象结合目标检测、特征工程和回归分析构建了一个集图像检测、视频检测、实时检测和产量预测于一体的可视化系统。在方法上系统采用 YOLO12 目标检测模型对香梨果实进行识别与计数并提取果实数量、检测置信度、检测框面积、果实密度、重叠率、空间分布均匀度和估算总重量等特征 。在此基础上构建线性回归、随机森林回归和梯度提升回归等产量预测模型通过性能对比选取最优模型用于产量估算。同时引入基于规则的估算方法作为补充以提高系 统在不同场景下的适用性。系统基于 Python 开发并结合 PyQt 实现图形化界面。实验结果表明该系统能够较为准确地完成香梨目标检测、数量统计和产量预测任务实现从图像输入到结果输出的完整流程。相比传统人工估产方法本文方法在自动化程度、处理效率和结果一致性方面具有一定优势。研究结果表明深度学习与机器学习技术在果园智能管理和农业信息化应用中具有较好的应用价值可为香梨产量预测及相关果树智能监测提供参考。系统架构本系统采用经典的架构设计图1 深度学习的香梨产量预测系统核心亮点本系统以 YOLO12 目标检测为核心融合特征工程、回归预测与可视化界面实现了香梨果实识别、数量统计和产量估算的一体化智能分析。算法特点本算法以 YOLO12 目标检测为基础融合果实数量、置信度、面积、密度及空间分布等多维特征并结合回归模型完成香梨产量预测具有检测与预测一体化的特点。性能突破本文在香梨目标检测数据集上开展实验数据集共包含 2788 张图像和 33296 个标注框其中训练集 1951 张、验证集 558 张、测试集 279 张。通过 150 轮训练YOLO12 模型能够较好地完成香梨果实检测任务为后续产量预测提供了有效支撑。图2 基线模型性能分析图核心技术YOLOv8轻量级目标检测模型结合高效特征提取与多尺度特征融合技术在家居场景火焰烟雾数据集10,156张图像12,372个标注框上训练150轮实现对火焰与烟雾两类目标的高精度实时识别并结合可视化界面、风险预警和语音播报提升家庭消防安全监测能力。算法详解Y本系统采用 Ultralytics 最新发布的 YOLOv12nNano模型 作为核心检测算法。YOLOv12 采用经典的 Backbone–Neck–Head 三段式架构见图。Backbone 以 640×640 输入图像为基础通过两层初始卷积完成下采样并利用 2 个 C3k2 轻量化模块 逐步降低特征图分辨率、提升通道维度64 → 512实现从低层纹理到高层语义的多尺度特征提取。中后段引入 2 个 A2C2f 注意力增强模块通道维度 512 → 1024通过自适应注意力机制强化考生异常动作、可疑物品等关键区域特征相比传统模块具有更强的特征表达能力和上下文建模能力。最终输出 P3/8、P4/16、P5/32 三个尺度特征图分别对应小、中、大目标。图3 YOLO12网络架构图技术优势分析本系统以 YOLO12 目标检测模型为核心具有较高的检测精度和较好的实时性能能够较准确地完成香梨果实识别任务。相比传统 人工统计方法系统能够实现图像、视频和实时摄像头场景下的自动检测提高了果实计数效率和结果一致性。在此基础上系统 进一步融合特征工程与回归预测方法从果实数量、置信度、面积、密度和空间分布等多维信息中提取特征实现了由“目标检测” 向“产量预测”的拓展。与此同时系统采用 PyQt 构建可视化界面集成登录管理、检测分析和结果展示等功能具有较好的完整性、实用性和可扩展性。系统功能本系统集成用户登录注册、图像/视频/摄像头香梨目标检测、果实数量统计、产量预测、检测结果存储及统计分析等功能。功能概述本系统面向香梨果实检测与产量预测需求基于 YOLO12 目标检测模型实现对图像、视频及摄像头实时画面中香梨目标的识别、定位与可视化展示系统提供用户登录注册与管理功能能 够对检测结果进行果实数量统计并结合特征工程与回归模型完成产量预测同时将检测结果与分析数据进行存储和展示在统计 分析模块中实现检测与预测结果的综合呈现为果园智能化管理和香梨产量估算提供一体化支持。系统流程图系统采用 Python 3.12 开发基于 Ultralytics YOLO12 框架实现香梨果实目标检测使用 PyQt5 构建图形化界面通过 OpenCV 处理图像、视频和摄像头数据并结合特征工程与回归分析实现产量预测同时采用 SQLite 数据库存储用户信息并对检测结果和分析数据进行管理与展示。系统面向香梨果实检测与产量预测需求集成用户登录注册、图 片检测、视频检测、实时检测、果实计数、产量预测、结果存储与统计分析等功能为果园智能化管理提供了一体化技术支持。图4 系统总流程图系统优势本系统基于 YOLO12 目标检测模型能够较准确地完成香梨果实识别与数量统计并结合特征工程和回归模型实现产量预测具备 检测与预测一体化的特点。相比传统人工统计方式系统具有自动化程度高、处理效率快、结果一致性好等优势。与此同时系统 支持图像、视频和摄像头等多种输入方式并结合 PyQt5 构建可视化界面具备较好的交互性、实用性和扩展性可为果园智能管理和香梨产量估算提供有效支持。运行展示系统界面采用模块化布局设计包含顶部状态栏、左侧功能导航栏和中部主显示区域。系统能够完成图像、视频及摄像头场景下的香梨目标检测并对检测结果进行可视化展示同时支持果实数量统计、产量预测及统计分析等功能具有界面清晰、交互友好和操作便捷等特点。检测效果展示登录界面图5 登录主界面用户登录界面展示系统入口图6 注册主界面用户注册界面新用户创建账号系统运行模块图7 系统运行界面图8 图像检测图9 视频检测图10 实时检测产量预测-规则法图11 检测数量分图12 置信度分布图13 产量概览图14 详细数据产量预测-回归法图15 训练模型图16 加载模型图17 检测数量分布图18 置信度分布图19 产量概览图20 详细数据图21 模型评估数据集与训练本文构建了香梨目标检测数据集共包含 2788 张图像与 33296 个标注框其中训练集 1951 张、验证集 558 张、测试集 279 张。模型训练采用 YOLO12 目标检测框架输入图像尺寸设为 640×640batch size 为 8优化器为 SGD训练轮数为 150。在 NVIDIA GeForce RTX 4070 Ti SUPER 显卡环境下完成训练后模型在验证集上取得了较好的检测效果能够满足香梨果实识别与数量统计任务需求。数据集构建本文构建并使用香梨目标检测数据集开展实验研究。该数据集以果园场景中的香梨果实为目标对象包含不同光照、拍摄角度和背 景条件下采集的图像数据同时覆盖果实在密集分布、局部遮挡和尺度变化等情况下的视觉特征具有较好的场景代表性。数据集 共包含 2788 张图像和 33296 个标注框其中训练集 1951 张、验证集 558 张、测试集 279 张对应标注框数量分别为 23513、6582 和 3201。该数据集为 YOLO12 模型训练、性能验证以及后续系统部署提供了可靠的数据基础。图22 数据集划分及类别信息统计示意图数据集增强训练阶段采用Mosaic拼接、随机翻转、HSV色彩扰动、随机擦除等数据增强策略提升模型对不同光照、角度和遮挡条件下的泛化能力。图23 图像增强训练流程模型训练采用端到端的方式首先加载训练集和验证集进行数据预处理然后加载YOLO12n预训练权重进行模型初始化接着使用SGD优化器进行150轮迭代训练每轮训练后在验证集上评估性能指标系统自动保存验证集上性能最佳的模型权重最终输出完整的性能指标和训练曲线。图24 模型训练流程训练流程1. 开始训练 → 加载训练集和验证集进行数据预处理2. 模型初始化 → 加载YOLO12预训练权重yolo12n.pt使用标准YOLO12架构3. 模型训练 → 使用SGD优化器进行150轮迭代训练应用数据增强技术4. 模型验证 → 每轮训练后在验证集上评估性能指标Precision, Recall, mAP0.5, mAP0.5:0.955. 最佳模型保存 → 系统自动监控验证性能保存验证集上性能最佳的模型权重best.pt6. 训练完成 → 输出完整的性能指标报告和训练曲线图训练配置硬件环境:软件环境训练超参数学习率调度策略学习率调度策略采用线性衰减方式前3个epoch进行warmup预热学习率从0线性增长到初始学习率0.01之后按线性方式从0.01逐步衰减到最终学习率0.0001。训练结果训练曲线分析下图展示了模型在150轮训练过程中的完整性能变化包括损失函数曲线和精度指标曲线图25 训练曲线分析图中展示了10个关键指标的训练过程训练损失box/cls/dfl、验证损失box/cls/dfl、精确率、召回率、mAP50和mAP50-951损失函数曲线从训练结果可以看出模型在训练过程中各项损失函数均呈现稳定下降趋势说明 YOLO12 模型能够较好地学习香梨果实目标特征。其中train/box_loss 由约 1.71 下降至 0.73train/cls_loss 由约 1.56 下降至 0.35train/dfl_loss 由约 1.38 下降至 0.92验证集上的 val/box_loss、val/cls_loss 和 val/dfl_loss 也表现出与训练集 基本一致的下降趋势且整体曲线变化平滑、波动较小表明模型训练过程较为稳定未出现明显的过拟合现象。2精度指标曲线从精度指标变化情况来看模型各项性能指标均随训练轮次增加而持续提升。Precision 曲线由初始约 78.6% 逐步提升并最终稳定在 98.1%Recall 曲线由初始约 69.5% 稳步上升至 97.2%mAP0.5 由初始约 76.0% 快速提升最终达到 98.6%mAP0.5:0.95 由初始约 37.4% 持续增长至 82.2%。从整体趋势看模型训练过程大致经历了快速提升、稳定优化和收敛 趋稳三个阶段最终在验证集上取得了较好的检测效果说明所构建的 YOLO12 模型在香梨目标检测任务中具有较高的精度和良好的收敛性。3Precision-Recall 曲线图26 Precision-Recall 曲线展示模型在不同置信度阈值下的精确率和召回率关系all classes mAP0.5达到0.9884混淆矩阵归一化图27 归一化混淆矩阵归一化混淆矩阵展示模型的分类准确性最佳模型选择在模型训练过程中系统依据验证集性能指标自动保存最优模型权重并以验证集 mAP0.5:0.95 作为最佳模型判定标准。当该指标达到当前训练过程中的最高值时对应模型权重将被保存为 best.pt。本次实验中最优模型出现在第 150 轮其验证集 mAP0.5:0.95 为 0.822模型文件保存于 scripts/runs/train/yolo12/weights/best.pt。训练稳定性分析收敛速度前30轮快速收敛37.4% → 57.4%30-90轮稳定提升90轮后收敛过拟合控制训练集与验证集损失走势一致无过拟合训练稳定性损失曲线平滑学习率逐步衰减训练稳定最终状态最佳模型第150轮mAP50-95达82.2%项目资源我们提供项目的完整技术资源包括源代码、训练脚本、配置文件、数据集和模型权重等全部内容。代码采用模块化设计结构清晰注释完善支持完全复现论文中的所有实验结果。项目提供详细的文件清单和技术架构说明(网页已经提供)帮助用户快速理解项目结构便于二次开发和功能扩展。所有资源均已开源遵循AGPL-3.0协议用户可自由使用、修改和分发。关于项目作者信息作者Bob (张家梁)原创声明本项目为原创作品