保姆级教程：用YOLOv8和Streamlit快速搭建一个水果好坏识别网页应用（附完整代码）
·
从零构建水果品质检测Web应用：YOLOv8与Streamlit实战指南
1. 环境准备与工具链搭建
在开始构建水果品质检测Web应用之前，我们需要准备开发环境和必要的工具链。这个环节看似基础，却直接影响后续开发的效率和项目的可维护性。
1.1 Python环境配置
推荐使用conda创建独立的Python环境，避免依赖冲突：
conda create -n fruit_detection python=3.8
conda activate fruit_detection
安装核心依赖库：
pip install torch torchvision ultralytics streamlit opencv-python
提示：如果使用GPU加速，建议安装对应CUDA版本的PyTorch，可显著提升模型推理速度
1.2 开发工具选择
对于这个项目，我们推荐以下工具组合：
- PyCharm Professional：提供完善的Python开发支持
- VS Code：轻量级但功能强大，适合前端调试
- Jupyter Notebook：用于快速原型验证
| 工具 | 用途 | 优势 |
|---|---|---|
| PyCharm | 主开发环境 | 深度Python支持，强大调试功能 |
| VS Code | 前端调试 | 轻量快速，丰富插件生态 |
| Jupyter | 算法验证 | 交互式开发，即时可视化 |
2. YOLOv8模型实战
2.1 模型选择与加载
YOLOv8提供了多种预训练模型，根据硬件条件选择合适的版本：
from ultralytics import YOLO
# 根据设备性能选择模型大小
model = YOLO('yolov8n.pt') # 超轻量版
# model = YOLO('yolov8s.pt') # 小模型
# model = YOLO('yolov8m.pt') # 中模型
# model = YOLO('yolov8l.pt') # 大模型
# model = YOLO('yolov8x.pt') # 超大模型
2.2 自定义数据集训练
准备水果品质检测数据集需要以下步骤：
- 收集包含各种水果（苹果、香蕉、橙子等）好坏样本的图像
- 使用LabelImg等工具标注图像，生成YOLO格式的标注文件
- 按照以下结构组织数据集：
datasets/
└── fruits/
├── train/
│ ├── images/
│ └── labels/
├── val/
│ ├── images/
│ └── labels/
└── data.yaml # 数据集配置文件
data.yaml示例内容：
path: ../datasets/fruits
train: train/images
val: val/images
names:
0: apple_good
1: apple_bad
2: banana_good
3: banana_bad
训练命令：
results = model.train(
data='datasets/fruits/data.yaml',
epochs=100,
imgsz=640,
batch=16,
name='fruit_quality_v8'
)
3. Streamlit界面开发
3.1 基础界面搭建
创建一个基本的Streamlit应用框架：
import streamlit as st
import cv2
from PIL import Image
import numpy as np
st.set_page_config(page_title="水果品质检测", layout="wide")
def main():
st.title("🍎 水果品质检测系统")
st.sidebar.title("设置")
# 模型选择
model_type = st.sidebar.selectbox(
"选择模型",
["YOLOv8n", "YOLOv8s", "YOLOv8m"]
)
# 置信度阈值
conf_threshold = st.sidebar.slider(
"置信度阈值", 0.0, 1.0, 0.25, 0.01
)
# 输入源选择
input_source = st.sidebar.radio(
"选择输入源",
["上传图片", "摄像头"]
)
# 根据选择显示不同输入界面
if input_source == "上传图片":
uploaded_file = st.file_uploader(
"上传水果图片",
type=["jpg", "jpeg", "png"]
)
if uploaded_file is not None:
image = Image.open(uploaded_file)
st.image(image, caption="上传的图片", use_column_width=True)
else:
st.warning("摄像头功能需要浏览器权限")
if __name__ == "__main__":
main()
3.2 集成YOLOv8模型
将训练好的YOLOv8模型集成到Streamlit应用中：
def detect_objects(image, model_path="best.pt"):
# 加载模型
model = YOLO(model_path)
# 执行检测
results = model(image)
# 绘制检测结果
for result in results:
boxes = result.boxes
for box in boxes:
x1, y1, x2, y2 = box.xyxy[0]
conf = box.conf[0]
cls = box.cls[0]
# 在图像上绘制边界框和标签
cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
label = f"{model.names[int(cls)]} {conf:.2f}"
cv2.putText(image, label, (int(x1), int(y1)-10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
return image
4. 高级功能实现
4.1 实时摄像头检测
实现摄像头实时检测功能：
def camera_detection():
stframe = st.empty()
cap = cv2.VideoCapture(0)
while cap.isOpened():
ret, frame = cap.read()
if not ret:
st.error("无法获取摄像头画面")
break
# 转换颜色空间
frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
# 执行检测
detected_frame = detect_objects(frame)
# 显示结果
stframe.image(detected_frame, channels="RGB")
# 添加停止按钮
if st.button("停止检测"):
break
cap.release()
4.2 结果导出功能
添加检测结果导出功能：
def save_results(image, results):
# 创建结果目录
os.makedirs("results", exist_ok=True)
# 保存图像
timestamp = datetime.now().strftime("%Y%m%d_%H%M%S")
image_path = f"results/detection_{timestamp}.jpg"
cv2.imwrite(image_path, cv2.cvtColor(image, cv2.COLOR_RGB2BGR))
# 保存检测数据
data = []
for result in results:
boxes = result.boxes.cpu().numpy()
for box in boxes:
data.append({
"class": model.names[int(box.cls[0])],
"confidence": float(box.conf[0]),
"x1": float(box.xyxy[0][0]),
"y1": float(box.xyxy[0][1]),
"x2": float(box.xyxy[0][2]),
"y2": float(box.xyxy[0][3])
})
df = pd.DataFrame(data)
csv_path = f"results/detection_{timestamp}.csv"
df.to_csv(csv_path, index=False)
return image_path, csv_path
5. 性能优化与部署
5.1 模型量化加速
使用PyTorch的量化功能减小模型大小并提升推理速度：
def quantize_model(model_path):
# 加载原始模型
model = YOLO(model_path)
# 转换为量化模型
quantized_model = torch.quantization.quantize_dynamic(
model.model,
{torch.nn.Linear},
dtype=torch.qint8
)
# 保存量化模型
quantized_path = model_path.replace(".pt", "_quantized.pt")
torch.save(quantized_model.state_dict(), quantized_path)
return quantized_path
5.2 使用ONNX Runtime加速
将模型转换为ONNX格式并使用ONNX Runtime加速：
def export_to_onnx(model_path):
model = YOLO(model_path)
model.export(format="onnx")
return model_path.replace(".pt", ".onnx")
def create_onnx_session(onnx_path):
import onnxruntime as ort
providers = ['CUDAExecutionProvider', 'CPUExecutionProvider']
session = ort.InferenceSession(onnx_path, providers=providers)
return session
5.3 部署选项
根据需求选择合适的部署方式：
-
本地运行：直接运行Streamlit应用
streamlit run app.py -
Docker容器化：
FROM python:3.8-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt COPY . . CMD ["streamlit", "run", "app.py"] -
云服务部署：
- AWS EC2
- Google Cloud Run
- Azure App Service
6. 实际应用案例
6.1 超市水果质检
在超市后端系统中集成该应用，可以：
- 自动检测进货水果品质
- 实时监控货架水果新鲜度
- 生成每日品质报告
6.2 水果分拣流水线
结合工业相机和机械臂：
- 传送带运送水果通过检测区域
- 系统实时识别并分类
- 机械臂根据分类结果分拣
6.3 家庭使用场景
开发移动端应用，消费者可以：
- 扫描水果获取新鲜度评估
- 记录购买水果的品质变化
- 获取最佳食用时间建议
7. 常见问题解决
在开发过程中可能会遇到以下问题：
问题1：模型检测精度不足
解决方案：
- 增加训练数据量，特别是困难样本
- 调整数据增强策略
- 尝试更大的模型版本
问题2：Streamlit界面响应慢
解决方案：
- 使用缓存装饰器
@st.cache - 优化图像处理流程
- 考虑使用异步更新
问题3：跨平台兼容性问题
解决方案：
- 统一使用相对路径
- 明确指定编码格式
- 在Docker中测试各平台兼容性
问题4：移动端适配不佳
解决方案：
- 使用响应式布局
- 调整UI元素大小
- 考虑开发专用移动应用
8. 进阶开发方向
对于希望进一步扩展功能的开发者，可以考虑：
- 多模型集成：结合YOLOv8与其他视觉模型（如分类、分割）
- 云端训练平台：构建自动化模型训练流水线
- 边缘设备部署：优化模型在树莓派等边缘设备上的性能
- 用户反馈系统：收集用户标注改进模型
- 多语言支持：增加国际化界面
# 示例：多模型集成
class MultiModelDetector:
def __init__(self):
self.detector = YOLO('yolov8n.pt')
self.classifier = load_classifier()
def detect(self, image):
# 目标检测
det_results = self.detector(image)
# 精细分类
for obj in det_results:
crop = image[obj.y1:obj.y2, obj.x1:obj.x2]
cls_result = self.classifier(crop)
obj.class_name = cls_result['class']
return det_results
构建完整的水果品质检测系统需要综合考虑算法精度、系统性能和用户体验。通过YOLOv8提供的强大检测能力和Streamlit的简洁界面开发方式，即使是个人开发者也能快速构建出实用的应用原型。
Agent 垂直技术社区，欢迎活跃、内容共建。
更多推荐
6
0- 0
已为社区贡献3条内容
所有评论(0)