用PyTorch打造了一个"火眼金睛"水果识别系统

SOLO挑战赛专区
1

我用PyTorch打造了一个“火眼金睛”水果识别系统

项目时间：2026年5月
挑战赛：应用挑战赛参赛作品
耗时：约3天
成果：能识别11种水果的AI小助手

一、先看效果！

这是我做出来的水果识别系统，上传图片就能自动识别：

![|576x394](file:///C:/Users/ADMINI~1/AppData/Local/Temp/msohtmlclip1/01/clip_image002.jpg )

图1：水果识别系统主 界面

支持识别的11种水果：苹果香蕉樱桃葡萄猕猴桃芒果橙子桃子百香果西瓜 草莓

二、为什么想做这 个项目？

大家好，我是AI爱 好者小明！

最近看到身边朋友买水果时总是分不清一些相似的水果（比如猕猴桃和奇异果？百香果和西番莲？），就想着能不能用AI做一个有趣的工具 来帮忙识别。

正好看到应用挑战赛的消息，就决定用这个水果识别项目参赛，顺便学习一下PyTorch和W eb开发。

三、我的技术栈

技术

用途

难度

Python + PyTorch

训练AI模型

中等

Flask

做Web网 站

简单

百度图 片API

自动下载训练图片

简单

HTML /CSS/JavaScri pt

前端界面

简单

四、系统界面展示

4 .1首页-简洁美观

![|576x3 60](file:///C:/Users/ADMINI~1/AppDat a/Local/Temp/msohtmlclip1 /01/clip_image004.jpg)

图 2：首页界面-渐变紫色背 景，白色卡片设计

4.2上传识别 -拖 拽即用

![|5 76x472](file:///C:/Use rs/ADMINI~1/AppData/Loca l/Temp/msohtmlclip1/01/clip_image006.jpg)

图3 ：拖拽上传功能演示

4.3识别结果- 一目了然

! [|576x421](file:///C :/Users/ADM INI~1/AppData/Local/ Temp/msohtmlclip1/ 01/clip_image008.jpg)

图4：识别结果展示界面

五、功能亮点

5.1 11 种水果全覆盖

不 只是苹果香蕉 ，还包含：

常见水果：苹果 、香蕉、橙子、西瓜

热带水果：芒果、百香果、猕猴桃

浆果 类 ：葡萄、樱桃、草莓、桃子

5.2 智能低 可信度提醒

当AI 不太确定时 （低于50%可 信度），会 贴心提示：

提示：识别可 信度较低，可能是 以下情况：

图片中包含多种水 果

水果被部分遮 挡

图片质量不佳或 光线不好

5.3美观的横屏 布局

左侧：上传区域和水 果标签

右侧：识别结果展示

响应 式设计，手机电脑都能用

六、 我的训练数据

6. 1图片来源

使用百度 图片API自动下载，每种 水 果200+张：

![|480x240](fil e:///C:/Users/ADMINI~1 /AppData/Local/Temp/ms ohtmlclip1/01/clip_im age010.jpg)

图5 ：训练数 据集分布

6.2数据统计

水果

数量

占比

葡萄

250 张

12 .1%

樱桃

200张

9.7%

猕猴桃

200张

9 .7%

芒 果

200 张

9.7%

桃子

200张

9.7%

百香果

200张

9.7%

香 蕉

190张

9.2%

西 瓜

179 张

8.6 %

苹果

1 65张

8.0%

草莓

1 34张

6.5%

橙子

153张

7.4%

总计 ：2071张水果 图片

七、训练 过程

7.1训练 环境

设备：CPU训练（没有GPU，用时 较长）

训练集： 1656张（8 0% ）

验证集：415张（2 0%）

训练轮数： 30轮

7.2准确率变化

![|576x288](file :///C:/Users/ADMINI~1/AppData/Local/Temp/msohtmlclip1/01/clip_image012.jpg)

图 6：训 练过程准确 率变化曲线

7.3 最终成果

最佳验证准确率：57.59%
训练准确 率：97.28%
模型已部署 上线

八、遇到的挑战与解决

挑战1 ：训练图片 质 量参差不齐

问题：百度图片搜出来的结果不全是目 标水果，比如搜“苹果”可能出现Apple 公司logo

![|384x192](file:/// C:/Users/ADMINI~1/App Data/Local/Temp/msohtmlclip1/01/clip_image014.jpg)

图7 ：数据质量问题示意

解决：多下载一 些图片，用数 量 弥补质量问题

挑战2：过拟合问题

问题：训练准确率很高（97%），但 验证准确 率只有57%

![|384x192](fi le:///C:/Users/ADMINI~1/App Data/Loc al/Temp/msohtmlclip1/01/clip_imag e016.jpg)

图 8 ：过拟合现象 示意

原因：数据量不 够大，模型“死记 硬背” 了
解决：添加 Dropou t正则化、数据增强、控制训练轮数

九 、使 用体验

优点

1. 上手简单 ：上传图片就能用，完全不用学习

2.反应快速： 点击上传后1-2 秒出结果

3. 界面美观：渐变紫色背景 ，赏心悦目

4.提示 友好： 不确定时主动提示可能原因

不足

1.准确 率 有限： 57.59%还有提升空间

2. 需要联网：依 赖服务器运行

3.光线要 求：太 暗的图片识别效果差

未 来优化方向

方向

预期效果

增加训练数 据

准确率提升至 75%+

使用更强的 模型

准确率提升至85%+

增加更多水果

扩展到50+种

移动端优化

支持手机使用

十、演示场景

![|480x320](file:///C:/User s/ADMINI~1/AppData/Local/T emp/msohtmlclip1/01/clip_image01 8.jpg)

图9：实际使用场景

想象一下这个场景：

小明去水果店，看到一个不认识的水果

拍张照片上传到识别系统

系统回答：“这是百香果！ 可信度92%”

小明：“ 原来这就是传说中的百 香果！”

十一、 参赛心得

技术收获

学会了PyTorc h 深度学习框架

掌握 了Flask Web 开发

了解了数据采集和清洗流程

体验了模型 优化的完整流程

软技能

解决问题的能力（百度 API限制、过 拟合等）

项目管 理能力（3天完成一个小项目）

文档编写能力（学会用emoji和图片吸引读者）

总结：

这个项目虽然“小”，但让我体验了AI项目开发 的完整流程！从数据采集 、模型训练、Web开发到部署上线，每个环节都有收获。期待在比赛中获得好成绩，也期待未来能做出更厉害的AI应用！

十二、在线体验

访问地址：http://localhost:5000/

本地部署版本，欢迎测试体验！

十三、互动环节

你们觉得这个项目怎么样？

1.这个水果识别工具实用吗？

2. 57.59%的准确率够用吗？

3.你还希望识别哪些水果？

欢迎在评论区留言交流！

相关话题

AI #人工智能#PyTorch #深度学习#水果识别#机器学习#Web开发#Flask #Python #应用挑战赛#图像分类#计算机视觉#技术分享#DIY项目

2

这都行？？

1 个赞