基于 YOLO 系列模型的蔬菜分类数据集训练与对比实验

前言

在智慧农业、农产品自动化分拣等实际应用场景中，基于深度学习的蔬菜分类识别技术具备重要的实用价值。而高质量、划分规范的数据集，搭配主流目标检测模型的训练验证，是提升模型泛化能力与识别精度的关键。本文分享一套用于蔬菜分类的公开数据集，并基于该数据集完成多个主流 YOLO 版本模型的训练与效果对比，为相关研究与工程实践提供数据基础和参考依据。

一、数据集信息

本次实验采用自制蔬菜分类数据集，按照深度学习训练标准进行划分，具体构成如下：

• 训练集：3078 张
• 验证集：764 张
• 测试集：186 张

数据集覆盖常见蔬菜类别，样本具备一定的场景多样性，可直接用于模型训练、微调及性能测试，整体规模适合快速迭代实验与 baseline 构建。

二、训练模型信息

基于上述蔬菜分类数据集，分别使用五个版本 YOLO 模型完成完整训练流程，并记录训练过程与指标变化：

1. YOLO v5
2. YOLO v8
3. YOLO v11
4. YOLO v12
5. YOLO v26

训练过程中均保留损失曲线、精度曲线、召回率等关键指标结果，可直观对比不同版本模型在该蔬菜数据集上的收敛速度、检测精度与训练稳定性差异。

三、总结

本文提供了一份划分规范、规模适中的蔬菜分类数据集，并基于该数据集完成 YOLO v5、v8、v11、v12、v26 五个版本模型的训练与对比。实验结果可用于分析不同 YOLO 版本在蔬菜识别任务上的表现，为后续模型选型、参数调优以及实际部署提供可靠参考。该数据集与训练成果也可作为相关方向的基础实验资源，助力智慧农业相关视觉任务的快速开展。