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 python3.8 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( datadatasets/fruits/data.yaml, epochs100, imgsz640, batch16, namefruit_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, layoutwide) 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_widthTrue) 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_pathbest.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 image4. 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, channelsRGB) # 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_okTrue) # 保存图像 timestamp datetime.now().strftime(%Y%m%d_%H%M%S) image_path fresults/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 fresults/detection_{timestamp}.csv df.to_csv(csv_path, indexFalse) return image_path, csv_path5. 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}, dtypetorch.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_path5.2 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(formatonnx) return model_path.replace(.pt, .onnx) def create_onnx_session(onnx_path): import onnxruntime as ort providers [CUDAExecutionProvider, CPUExecutionProvider] session ort.InferenceSession(onnx_path, providersproviders) return session5.3 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.pyDocker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 EC2Google Cloud RunAzure App Service6. 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2Streamlit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。