深度学习框架如何训练纸箱堆叠计数检测数据集 构建基于深度学习框架YOLOV8纸箱检测系统 高精度智能仓储纸箱计数系统

1

---

📦 纸箱堆叠计数检测数据集概览表

项目	内容
数据集名称	纸箱堆叠计数检测数据集（Cardboard Carton Counting Dataset）
总图像数量	21,199 张
目标类别数	1 类
类别名称（英文）	cardboard-carton
类别名称（中文）	纸箱 / 瓦楞纸箱
标注工具	LabelImg（生成 PASCAL VOC 格式，后转为 YOLO 格式）
标注格式	YOLO 格式（.txt文件，每行：class_id x_center y_center width height，坐标归一化）
应用场景	- 仓储物流自动化盘点- 智能叉车/AGV 货物识别- 电商仓库纸箱堆叠高度与数量统计

---

📊 数据划分详情表

数据集类型	图像数量	占比	说明
训练集（train）	16,959 张	80%	用于模型参数学习
验证集（val）	2,119 张	10%	用于超参数调优与早停
测试集（test）	2,121 张	10%	用于最终性能评估（不参与训练）
总计	21,199 张	100%	—

✅ 划分比例严格遵循8:1:1，符合工业级数据集标准。

---

📁 推荐目录结构（YOLO 格式）

cardboard_carton_dataset/ ├── images/ │ ├── train/ # 16,959 张 │ ├── val/ # 2,119 张 │ └── test/ # 2,121 张 ├── labels/ │ ├── train/ # 对应 .txt 标签 │ ├── val/ │ └── test/ └── data.yaml # 配置文件

---

📄data.yaml配置文件示例

# cardboard_carton_dataset/data.yamltrain:./images/trainval:./images/valtest:./images/testnc:1names:['cardboard-carton']

---

💡 补充说明

• 单类检测优势：模型专注学习纸箱的尺度、遮挡、堆叠形态，收敛更快、精度更高。
• 计数实现方式：
  • 直接通过检测框数量 = 纸箱数量（适用于可分辨单个纸箱）
  • 若严重堆叠不可分，可结合实例分割（如 YOLOv8-seg）或回归头预测堆叠层数
• 典型挑战：
  • 纸箱颜色/尺寸多样
  • 高度堆叠导致遮挡
  • 光照变化与反光（尤其在仓库环境）

---

该数据集规模大（>21k）、划分规范、标注统一，非常适合用于工业仓储自动化、智能物流机器人、AI 盘点系统等场景的模型训练与部署。

---

✅ 一、数据集目录结构（确认无误）

cardboard_carton_dataset/ ├── images/ │ ├── train/ # 16,959 张 │ ├── val/ # 2,119 张 │ └── test/ # 2,121 张 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

data.yaml内容：

train:./images/trainval:./images/valtest:./images/testnc:1names:['cardboard-carton']

---

✅ 二、YOLOv8 完整训练代码

保存为train_cardboard.py：

# -*- coding: utf-8 -*-""" 纸箱堆叠计数检测 - YOLOv8 训练脚本 类别：1 类（cardboard-carton） 图像数：21,199 张（8:1:1 划分） 作者：AI助手 """importosfromultralyticsimportYOLOimporttorch# -----------------------------# 1. 配置路径与设备# -----------------------------DATASET_PATH="cardboard_carton_dataset"ifnotos.path.exists(DATASET_PATH):raiseFileNotFoundError(f"❌ 数据集路径 '{DATASET_PATH}' 不存在！")device='cuda'iftorch.cuda.is_available()else'cpu'print(f"🚀 使用设备:{device}")# -----------------------------# 2. 加载预训练模型# -----------------------------# 推荐 yolov8s（平衡速度与精度）# 若部署到边缘设备（如 Jetson），可用 yolov8nmodel=YOLO('yolov8s.pt')# -----------------------------# 3. 启动训练（针对纸箱堆叠优化）# -----------------------------results=model.train(data=os.path.join(DATASET_PATH,'data.yaml'),# ⏱️ 训练参数epochs=100,imgsz=1280,# 关键！提升密集小纸箱检出率batch=16,# 根据 GPU 调整（RTX 3060 可设 16~32）name='cardboard_yolov8s_1280',device=device,# 🎨 数据增强（仓库场景定制）hsv_h=0.015,# 色调扰动（应对不同纸箱颜色）hsv_s=0.7,# 饱和度hsv_v=0.5,# 亮度（应对仓库光照不均）degrees=10.0,# 旋转（模拟叉车视角）translate=0.2,scale=0.5,mosaic=1.0,# ✅ 必开！将小纸箱拼接到新背景，提升召回mixup=0.1,flipud=0.0,fliplr=0.5,# 🧠 训练策略patience=25,# 早停save_period=10,workers=8,cache=False# 若内存充足可设 True)print("✅ 训练完成！")print(f"📌 最佳模型路径: runs/detect/cardboard_yolov8s_1280/weights/best.pt")

💡命令行替代方案：

yolo detect traindata=cardboard_carton_dataset/data.yamlmodel=yolov8s.ptepochs=100imgsz=1280batch=16

---

✅ 三、纸箱计数系统核心代码

保存为carton_counter.py：

# -*- coding: utf-8 -*-""" 纸箱堆叠计数系统 支持：单图 / 视频 / 摄像头 实时计数 输出：带计数结果的图像 + JSON 作者：AI助手 """importcv2importosfromultralyticsimportYOLOfromcollectionsimportdequeimporttimeclassCartonCounter:def__init__(self,model_path='best.pt',conf_thres=0.4):""" 初始化计数器 :param model_path: YOLOv8 模型路径 :param conf_thres: 置信度阈值 """self.model=YOLO(model_path)self.conf_thres=conf_thres self.font=cv2.FONT_HERSHEY_SIMPLEXdefcount_from_image(self,image_path,save_result=True):"""单图计数"""img=cv2.imread(image_path)results=self.model(img,conf=self.conf_thres)forrinresults:boxes=r.boxes count=len(boxes)# 每个检测框 = 1 个纸箱# 绘制检测框annotated_img=r.plot()# 添加计数文本cv2.putText(annotated_img,f'Cartons:{count}',(20,50),self.font,1.5,(0,255,0),3)ifsave_result:output_path=f"counted_{os.path.basename(image_path)}"cv2.imwrite(output_path,annotated_img)print(f"✅ 计数完成:{output_path}| 数量:{count}")returncount,annotated_imgreturn0,imgdefcount_from_video(self,video_path,output_path="counted_output.mp4"):"""视频流计数"""cap=cv2.VideoCapture(video_path)fps=int(cap.get(cv2.CAP_PROP_FPS))width=int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))height=int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))# 视频写入器fourcc=cv2.VideoWriter_fourcc(*'mp4v')out=cv2.VideoWriter(output_path,fourcc,fps,(width,height))frame_count=0whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=self.conf_thres)forrinresults:count=len(r.boxes)annotated_frame=r.plot()cv2.putText(annotated_frame,f'Cartons:{count}',(20,50),self.font,1.5,(0,255,0),3)out.write(annotated_frame)ifframe_count%30==0:# 每秒打印一次print(f"🕒 视频帧{frame_count}: 纸箱数量 ={count}")frame_count+=1cap.release()out.release()print(f"✅ 视频处理完成:{output_path}")defcount_from_camera(self,camera_id=0):"""实时摄像头计数"""cap=cv2.VideoCapture(camera_id)print("📷 按 'q' 退出摄像头")whileTrue:ret,frame=cap.read()ifnotret:breakresults=self.model(frame,conf=self.conf_thres)forrinresults:count=len(r.boxes)annotated_frame=r.plot()cv2.putText(annotated_frame,f'Cartons:{count}',(20,50),self.font,1.5,(0,255,0),3)cv2.imshow('Carton Counter',annotated_frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()# -----------------------------# 使用示例# -----------------------------if__name__=="__main__":counter=CartonCounter(model_path='runs/detect/cardboard_yolov8s_1280/weights/best.pt')# 1. 单图计数count,img=counter.count_from_image("warehouse.jpg")# 2. 视频计数# counter.count_from_video("warehouse_video.mp4")# 3. 摄像头实时计数# counter.count_from_camera()

---

✅ 四、高级功能扩展（可选）

1. 堆叠高度估算（基于 YOLOv8-seg 实例分割）

# 需先训练分割模型model_seg=YOLO('yolov8s-seg.pt')results=model_seg("image.jpg")forrinresults:masks=r.masks# 获取分割掩码ifmasksisnotNone:# 通过掩码垂直方向像素高度估算层数formaskinmasks.data:height_pixels=mask.sum(dim=2).max().item()estimated_layers=int(height_pixels/avg_carton_height)

2. Web API 接口（FastAPI）

# api.pyfromfastapiimportFastAPI,File,UploadFilefromcarton_counterimportCartonCounterimportcv2importnumpyasnp app=FastAPI()counter=CartonCounter()@app.post("/count")asyncdefcount_cartons(file:UploadFile=File(...)):contents=awaitfile.read()nparr=np.frombuffer(contents,np.uint8)img=cv2.imdecode(nparr,cv2.IMREAD_COLOR)count,_=counter.count_from_image(None)# 修改 count_from_image 支持 numpy 输入return{"carton_count":int(count)}

---

✅ 五、部署建议

场景	方案
仓库固定摄像头	NVIDIA Jetson AGX Orin + TensorRT（yolov8s.engine）
移动盘点终端	Android App（ONNX Runtime + CameraX）
云平台分析	AWS/Azure 上部署 Docker 容器（含 FastAPI）
PLC 联动	通过 Modbus TCP 发送计数结果到产线控制系统

---