首页分享橙子好的和坏的检测数据集，针对8909张原始图片（未进行任何图片增强）进行yolo，coco json，voc xml格式的标注，可识别新鲜的橙子和放变质的橙子

橙子好的和坏的检测数据集，针对8909张原始图片（未进行任何图片增强）进行yolo，coco json，voc xml格式的标注，可识别新鲜的橙子和放变质的橙子

来源：花匠小妙招时间：2025-09-26 12:03

作者简介：

高科，先后在 IBM PlatformComputing从事网格计算，淘米网，网易从事游戏服务器开发，拥有丰富的C++，go等语言开发经验，mysql，mongo，redis等数据库，设计模式和网络库开发经验，对战棋类，回合制，moba类页游，手游有丰富的架构设计和开发经验。

并且深耕深度学习和数据集训练，提供商业化的视觉人工智能检测和预警系统（煤矿，工厂，制造业，消防等领域的工业化产品），合作开发商业性游戏

（谢谢你的关注）

=====================================================================

数据集介绍

橙子好的和坏的检测数据集是一个用于训练和测试机器学习模型的数据集。该数据集包含了橙子的图像，每个图像都有一个标签，指示橙子是好的还是坏的。

这个数据集通常由两个类别组成：好的橙子和坏的橙子。好的橙子图像通常是成熟的、无病虫害的橙子，而坏的橙子图像则可能是受损、腐烂或者有其他缺陷的橙子。

数据集中的图像可以是从不同的来源获取的，包括实地拍摄、农场监控摄像头、手工筛选等。图像可以以不同的分辨率和格式存在，例如JPEG、PNG等。

在数据集的准备过程中，通常会对图像进行预处理，如调整大小、裁剪、去除背景等。此外，还可以增加一些数据增强技术，如旋转、翻转、亮度调整等，以增加模型的鲁棒性和泛化能力。

橙子好的和坏的检测数据集可用于训练各种计算机视觉模型，包括传统的机器学习算法和深度学习模型，以实现自动检测橙子的品质。

最后，需要注意的是，为了保证数据集的多样性和代表性，应尽量包含各种橙子的图像，涵盖不同品种、不同生长环境、不同程度的损坏等。这样可以提高模型的性能和适应性。

橙子好的和坏的检测数据集，针对8909张原始图片进行yolo，coco json，voc xml格式的标注，可识别新鲜的橙子和放变质的橙子

数据集分割

训练组80％ 7126图片

有效集13% 1178图片

测试集7% 605图片

预处理

没有采用任何预处理步骤。

增强

未应用任何增强。

在机器学习和深度学习中，常常会将数据集分为训练集（train set）、测试集（test set）和验证集（validation set）三部分。

训练集（train set）是用于模型的训练的数据集。在训练过程中，模型通过学习训练集中的样本来调整自己的参数，以使其能够更好地对未知数据进行预测。训练集通常是最大的数据集，因为越多的数据可以提供更多的信息和更好的训练效果。

测试集（test set）是用于评估模型的泛化能力的数据集。在模型训练完成后，使用测试集中的样本来评估模型的性能，判断模型在未知数据上的表现。测试集应该是独立于训练集的，以确保对模型进行正确的评估和比较。

验证集（validation set）用于调整模型的超参数，如学习率、正则化参数等。在训练过程中，通过在验证集上评估模型的性能，可以选择最优的超参数组合，从而改善模型的泛化能力。与测试集一样，验证集也应该是独立于训练集的，以确保调整的超参数不会对模型的性能造成过拟合。

变质的橙子

新鲜的橙子：

使用场景：

橙子好的和坏的检测数据集的使用场景包括：
1. 橙子质检：数据集可以用于训练机器学习算法，以便自动检测橙子的质量。通过在数据集上训练算法，可以识别出橙子的外观、颜色、形状等特征，从而判断橙子是好的还是坏的。
2. 橙子分类：数据集可以用于训练分类模型，以便将橙子分为好的和坏的。这对于供应链管理、商品质量控制等领域非常有用。
3. 橙子处理：数据集可以用于训练模型，以便对橙子进行自动分拣和处理。通过训练模型，可以将好的橙子和坏的橙子分开，从而提高生产效率和质量。
4. 橙子包装：数据集可以用于训练模型，以便自动对橙子进行包装。通过训练模型，可以识别好的橙子，并根据其大小、形状等特征选择合适的包装材料和方式。

总之，橙子好的和坏的检测数据集可以在各种与橙子质量相关的应用中使用，例如质检、分类、处理和包装等。这些数据集可以帮助提高生产效率和质量，并降低人工成本。