苹果好坏检测数据集 | 4800张YOLO水果分拣数据集
适用于水果自动分拣、仓储质检与目标检测研究
一、数据集概述
本数据集面向计算机视觉目标检测任务，专为苹果品质分级（正常/腐烂）检测模型训练、验证与测试设计，共包含约4800张高质量标注图像，覆盖正常苹果与腐烂苹果两类。该数据集可广泛应用于水果自动分拣、仓储坏果剔除、生鲜零售质检与采后处理等场景，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。
随着水果产业和智慧农业的快速发展，利用计算机视觉技术实现苹果品质的自动分级已成为提升分拣效率、降低损耗率、保障产品品质的重要手段。本数据集针对苹果品质检测场景中腐烂程度差异大、光照条件复杂、正负样本区分细微等问题进行专项构建，可为水果智能分拣系统与生鲜质检平台提供高质量数据支撑。
数据集下载
通过网盘分享的文件：苹果好坏检测数据集-2类
链接: https://pan.baidu.com/s/1aE2Y4rDxVAuZBVRO_kMrnA?pwd=wadd
提取码: wadd
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 苹果好坏检测数据集 |
| 数据规模 | 约4800张高质量标注图像（train 4448 + valid 224 + test 87） |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 正常苹果、腐烂苹果 |
| 类别数量（nc） | 2类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实果园、分拣与仓储场景采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等 |
三、数据集类别说明
本数据集为二分类目标检测数据集，共设置2个检测类别，聚焦苹果品质的二分类判别，类别简洁明确，正负样本均衡，贴合水果分拣实际需求。
类别配置
nc:2names:-normal_apple-rotten_apple类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 正常苹果 | normal_apple | 外观完好、无腐烂、无病害的正常苹果 |
| 1 | 腐烂苹果 | rotten_apple | 存在腐烂、霉变、病害等品质问题的苹果 |
二分类设计使模型能够专注于苹果品质的二元判别任务，正负样本兼备，便于模型学习正常与腐烂苹果的特征差异，特别适用于水果自动分拣、仓储坏果剔除与零售质检等专项应用场景。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。
苹果好坏检测数据集-2类/ ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels ├── test │ ├── images │ └── labels └── data.yaml各数据集作用如下：
- train/images & labels：训练集图像与标签（4448张），用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签（224张），用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签（87张），用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套data.yaml已配置好类别名称与数量（保留原始英文类别名并注释备份，中文类别名可直接用于训练与可视化），可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 专注苹果品质分级
本数据集以苹果品质分级检测为核心任务，所有图像聚焦于真实果园、分拣与仓储场景下的苹果采集，覆盖正常与腐烂两类品质状态。类别设计贴合水果分拣、仓储质检与零售管理实际需求，更利于训练出针对苹果品质的高精度检测模型。
覆盖场景包括：
- 果园采摘环节
- 水果分拣生产线
- 仓储筐与冷库
- 零售货架与生鲜区
- 采后处理中心
2. 正负样本均衡设计
数据集同时包含两类样本：
- 正样本（正常苹果）：外观完好、无腐烂的正常果实
- 负样本（腐烂苹果）：存在腐烂、霉变、病害的异常果实
正负样本均衡的设计使模型能够充分学习两类苹果的特征差异，有效提升判别准确性与泛化能力。
3. 丰富的腐烂程度覆盖
数据覆盖从初期到严重的完整腐烂谱系：
- 初期腐烂：微小斑点、局部变色
- 中期腐烂：明显霉变、软化凹陷
- 严重腐烂：大面积腐烂、整体变质
- 不同腐烂类型：霉变、软腐、病害等
覆盖不同腐烂程度与类型，提升模型对多样化腐烂特征的识别能力。
4. 多样的拍摄条件
数据覆盖：
- 场景类型：果园、分拣台、仓储筐、零售货架等
- 拍摄角度：正视、侧视、俯视等不同视角
- 光照条件：自然光、灯光、弱光等
- 苹果品种：不同品种、颜色、大小的苹果
贴近真实水果分拣与质检环境，有效提升模型泛化能力。
5. 高质量人工标注
所有图像均经过高质量人工标注：
- 边界框规整、无漏标/错标
- 正常/腐烂判别标准统一清晰
- 密集场景下的独立标注处理
- 满足高精度检测模型训练需求
有效保证模型训练质量。
6. 即用型数据组织
标准目录结构+规范化data.yaml配置，无需复杂预处理，下载即可直接用于模型训练，降低使用门槛。
六、适用场景
水果产线自动分拣与坏果剔除
在水果分拣生产线上自动检测腐烂苹果，驱动分拣设备剔除坏果，提升分拣效率与准确率。
生鲜仓储在库品质巡检
在冷库、仓储环节定期巡检苹果品质，及时发现腐烂果实，降低库存损耗。
商超零售水果货架质检
在零售终端自动检测货架上的苹果品质，及时下架腐烂产品，保障消费者体验。
采后处理与损耗率统计
在采后处理环节自动统计腐烂苹果数量与比例，支撑损耗率分析与品质管理。
果园采摘品质初筛
在果园采摘环节对苹果品质进行初步筛查，辅助分级采摘与处理。
教学科研
用于二分类目标检测与品质分级算法验证等科研场景。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 水果品质检测与分级研究（2类）
- 二分类目标检测研究
- 农业计算机视觉研究
- 农产品智能分拣研究
- 工业视觉质检研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 域适应与跨场景泛化研究
八、总结
苹果好坏检测数据集包含约4800张高质量标注图像，采用标准YOLO格式构建，专注于苹果品质的分级检测任务。数据集覆盖正常苹果与腐烂苹果2类核心类别，具有正负样本均衡、腐烂程度丰富、场景真实等特点，可广泛应用于水果自动分拣、仓储质检、零售管理、采后处理等领域，是开展水果品质检测算法研发与智慧农业分拣系统建设的优质数据资源。
