![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/297bae0f1d2cea1a77c8bbf40a40cf24.png)
蘑菇检测数据集，8857张 yolo和voc两种标注方式
21类，标注数量：![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/0d4c341038cd7bfb505c53494e3eb512.png)
Lentinus edodes: 香菇 - 2690
Flammulina velutiper: 金针菇 - 550
Pleurotus eryngii: 杏鲍菇 - 704
Hypsizygus marmoreus: 花菇 - 583
Morchella esculenta: 脆皮羊肚菌 - 1107
Pleurotus citrinopileatus: 黄丽菇 - 531
Pleurotus cystidiosus: 棒棒菇 - 711
Dictyophora indusiate: 竹荪 - 1275
Hericium erinaceus: 猴头菇 - 1299
Cordyceps militaris: 冬虫夏草 - 1137
Pleurotus ostreatus: 平菇 - 549
Coprinus comatus: 剑状小伞菌 - 1599
Cantharellus cibarius: 金针菇 - 1317
Boletus: 牛肝菌 - 1353
Clitocybe maxima: 大伞菌 - 1046
Collybia albuminosa: 白色苔藓菇 - 2072
Auricularia auricula: 木耳 - 408
Agaricus blazei Murill: 巴西蘑菇 - 307
Agaricus bisporus: 白蘑菇 - 521
Agrocybe aegerita: 黑木耳 - 197
Armillaria mellea: 蜂窝菌 - 290
image num: 图像数量 - 8857![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/c654290f53e94a48743868dfef6af392.png)
好的，我们将使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。我们将构建一个YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。
### 环境配置

首先，确保你的 Python 环境已经安装了必要的库。你可以使用以下命令来安装所需的库：
```
pip install tensorflow numpy pandas opencv-python matplotlib scikit-learn albumentations
```
此外，你需要安装 YOLOv5 或其他版本的 YOLO 模型。以下是安装 YOLOv5 的步骤：
```
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt
```
### 数据准备

我们需要将数据转换为 YOLO 和 VOC 格式。假设你已经有了标注文件，并且它们是以某种格式提供的（例如 CSV 文件或 XML 文件）。我们将编写一些函数来处理这些标注文件并将其转换为 YOLO 和 VOC 格式。
#### 1. 加载和预处理数据

我们将编写一个函数来加载和预处理数据，并将其转换为 YOLO 和 VOC 格式。
```
import os
import cv2
import xml.etree.ElementTree as ET
import pandas as pd
from sklearn.model_selection import train_test_split
import shutil

# Define paths
data_path = 'path_to_your_dataset'
images_path = os.path.join(data_path, 'images')
annotations_path = os.path.join(data_path, 'annotations')
train_images_path = os.path.join(data_path, 'train', 'images')
train_annotations_path = os.path.join(data_path, 'train', 'annotations')
val_images_path = os.path.join(data_path, 'val', 'images')
val_annotations_path = os.path.join(data_path, 'val', 'annotations')

# Create directories if they don't exist
os.makedirs(train_images_path, exist_ok=True)
os.makedirs(train_annotations_path, exist_ok=True)
os.makedirs(val_images_path, exist_ok=True)
os.makedirs(val_annotations_path, exist_ok=True)

# Load annotations and split into train and validation sets
def load_annotations(annotations_path):
    annotations = []
    for filename in os.listdir(annotations_path):
        if filename.endswith('.xml'):
            tree = ET.parse(os.path.join(annotations_path, filename))
            root = tree.getroot()
            image_filename = root.find('filename').text
            size = root.find('size')
            width = int(size.find('width').text)
            height = int(size.find('height').text)
            objects = root.findall('object')
            bboxes = []
            labels = []
            for obj in objects:
                name = obj.find('name').text
                bbox = obj.find('bndbox')
                xmin = int(bbox.find('xmin').text)
                ymin = int(bbox.find('ymin').text)
                xmax = int(bbox.find('xmax').text)
                ymax = int(bbox.find('ymax').text)
                bboxes.append([xmin, ymin, xmax, ymax])
                labels.append(name)
            annotations.append({'image': image_filename, 'width': width, 'height': height, 'bboxes': bboxes, 'labels': labels})
    return annotations

annotations = load_annotations(annotations_path)

# Split data into train and validation sets
train_annots, val_annots = train_test_split(annotations, test_size=0.2, random_state=42)

# Save images and annotations to respective folders
def save_data(annots, images_save_path, annots_save_path):
    for annot in annots:
        image_filename = annot['image']
        image_path = os.path.join(images_path, image_filename)
        shutil.copy(image_path, images_save_path)
        
        with open(os.path.join(annots_save_path, os.path.splitext(image_filename)[0] + '.txt'), 'w') as f:
            for bbox, label in zip(annot['bboxes'], annot['labels']):
                x_center = (bbox[0] + bbox[2]) / 2.0 / annot['width']
                y_center = (bbox[1] + bbox[3]) / 2.0 / annot['height']
                width = (bbox[2] - bbox[0]) / annot['width']
                height = (bbox[3] - bbox[1]) / annot['height']
                class_id = class_names.index(label)
                f.write(f"{class_id} {x_center} {y_center} {width} {height}\n")

class_names = [
    "Lentinus edodes", "Flammulina velutiper", "Pleurotus eryngii", "Hypsizygus marmoreus",
    "Morchella esculenta", "Pleurotus citrinopileatus", "Pleurotus cystidiosus", "Dictyophora indusiate",
    "Hericium erinaceus", "Cordyceps militaris", "Pleurotus ostreatus", "Coprinus comatus",
    "Cantharellus cibarius", "Boletus", "Clitocybe maxima", "Collybia albuminosa", "Auricularia auricula",
    "Agaricus blazei Murill", "Agaricus bisporus", "Agrocybe aegerita", "Armillaria mellea"
]

save_data(train_annots, train_images_path, train_annotations_path)
save_data(val_annots, val_images_path, val_annotations_path)

# Create dataset.yaml file for YOLOv5
dataset_yaml_content = f"""
train: {train_images_path}
val: {val_images_path}

nc: {len(class_names)}
names: {class_names}
"""

with open(os.path.join(data_path, 'dataset.yaml'), 'w') as f:
    f.write(dataset_yaml_content)
```
#### 2. 构建和训练 YOLO 模型

我们将使用 YOLOv5 来进行目标检测。以下是完整的代码示例，包括数据准备、模型训练和生成预测结果。
### 运行脚本

在终端中运行以下命令来执行整个流程：
```
python main.py
```
### 总结

以上文档包含了从数据加载、预处理、模型构建到训练的所有步骤。希望这些详细的信息和代码能够帮助你顺利实施和优化你的蘑菇检测系统。
### 自定义说明

1. **数据文件路径**: 修改 `data_path` 变量以指向你的数据文件。
2. **类名列表**: 确保 `class_names` 列表中的类别名称与你的标注文件中的类别名称一致。
3. **超参数调整**: 根据需要调整训练参数，如 `--img`, `--batch`, `--epochs` 等。
4. **模型选择**: 你可以选择不同的 YOLOv5 模型大小（`yolov5s`, `yolov5m`, `yolov5l`, `yolov5x`）以适应你的需求。

使用 YOLOv5 进行蘑菇检测任务。

蘑菇检测数据集，8857张 yolo和voc两种标注方式21类，标注数量：Lentinus edodes: 香菇 - 2690Flammulina velutiper: 金针菇 - 550Pleurotus eryngii: 杏鲍菇 - 704Hypsizygus marmoreus: 花菇 - 583Morchella esculenta: 脆皮羊肚菌 - 1107Pleurotus citrinopileatus: 黄丽菇 - 531Pleurotus cystidiosus: 棒棒菇 - 711Dictyophora indusiate: 竹荪 - 1275Hericium erinaceus: 猴头菇 - 1299Cordyceps militaris: 冬虫夏草 - 1137Pleurotus ostreatus: 平菇 - 549Coprinus comatus: 剑状小伞菌 - 1599Cantharellus cibarius: 金针菇 - 1317Boletus: 牛肝菌 - 1353Clitocybe maxima: 大伞菌 - 1046Collybia albuminosa: 白色苔藓菇 - 2072Auricularia auricula: 木耳 - 408Agaricus blazei Murill: 巴西蘑菇 - 307Agaricus bisporus: 白蘑菇 - 521Agrocybe aegerita: 黑木耳 - 197Armillaria mellea: 蜂窝菌 - 290image num: 图像数量 - 8857好的，我们将使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。我们将构建一个YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。

如何使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。8857张 21类 毒蘑菇数据集 构建YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。

蘑菇检测数据集，8857张 yolo和voc两种标注方式21类，标注数量：Lentinus edodes: 香菇 - 2690Flammulina velutiper: 金针菇 - 550Pleurotus eryngii: 杏鲍菇 - 704Hypsizygus marmoreus: 花菇 - 583Morchella esculenta: 脆皮羊肚菌 - 1107Pleurotus citri

人工智能

编程语言

开发工具

提供8857张蘑菇检测数据集，包含21种常见蘑菇品种，采用YOLO和VOC两种标注格式。数据集涵盖香菇、金针菇、杏鲍菇等品种，标注数量从197到2690不等，适用于目标检测模型训练。包含详细的环境配置、数据预处理和YOLOv5模型训练代码示例，帮助快速搭建蘑菇识别系统。

数据转换

代码解释

Python

YOLO

2026上云采购 | AI焕新·智启新局

datainlong

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

如何使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。8857张 21类 毒蘑菇数据集 构建YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。-腾讯云开发者社区-腾讯云

如何使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。8857张 21类毒蘑菇数据集构建YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。

如何使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。8857张 21类毒蘑菇数据集构建YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

如何使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。8857张 21类 毒蘑菇数据集 构建YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。

如何使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。8857张 21类 毒蘑菇数据集 构建YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

如何使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。8857张 21类毒蘑菇数据集构建YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。

如何使用YOLO和VOC两种标注方式来处理蘑菇检测数据集。8857张 21类毒蘑菇数据集构建YOLO模型来进行目标检测，并提供代码示例来加载和处理这些数据。