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）-程序员充电站

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。