【数据集+完整源码】纸箱数据集 4690 张，YOLO纸箱识别算法实战训练教程，yolo目标检测纸箱检测，纸箱识别数据集
【数据集+完整源码】纸箱数据集 4690 张，YOLO纸箱识别算法实战训练教程，yolo目标检测纸箱检测，纸箱识别数据集，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['0']，代表纸箱。可用于无人机纸箱检测、监控下纸箱检测等。检测场景为车间、物流仓库等场景，可用于物流仓库管理、快递分拣、生产包装管理、工业安全检查等。前后端分离的仓储纸箱检测系统实战教程。
文章前瞻：优质数据集与检测系统精选
点击链接：更多数据集与系统目录清单
一、数据集介绍
【数据集】纸箱检测数据集 4690 张，目标检测，包含YOLO/VOC格式标注。
数据集中包含1种分类：names: ['0']，代表纸箱。
数据集来自网爬、视频采集；
可用于无人机纸箱检测、监控下纸箱检测等。
检测场景为车间、物流仓库等场景，可用于物流仓库管理、快递分拣、生产包装管理、工业安全检查等。
文章底部或主页私信获取数据集~
1、数据概述
纸箱识别的重要性
纸箱是物流仓储、生产制造、电商零售等领域的核心载体，承担商品包装、存储、运输功能，其处理效率与管理精度直接影响产业链流转速度与成本控制。但传统纸箱处理存在明显短板：人工计数时，面对批量堆叠的纸箱易因遮挡、疲劳出现错漏，导致库存台账不准，影响备货或出库效率；人工分拣纸箱需逐件核对标签，耗时耗力且易混淆相似标识；仓储中纸箱堆叠倾斜、超高或破损等问题，需人工定时巡查才能发现，易延误处理引发坍塌或商品损坏风险。
YOLO 算法凭借 “实时目标识别 + 精准定位” 破解上述痛点：其一，依托车间摄像头、仓储监控或分拣线设备，可高帧率实时检测纸箱，无需人工干预即可精准识别单个体，即使堆叠遮挡也能有效区分，解决计数难题；其二，能快速捕捉纸箱外观特征（如尺寸、印刷标识），辅助区分不同品类纸箱，提升分拣效率；其三，可实时监测纸箱堆叠状态与完整性，发现异常立即预警，减少人工巡查压力，推动相关场景从 “人工主导” 向 “智能管控” 转型，是提升产业链流转效率、降低管理成本的关键技术。
基于YOLO的纸箱识别算法
-
库存精准管理：YOLO 可自动识别入库、出库纸箱数量，实时更新库存数据，避免人工计数的错漏问题。无论是整批货物清点，还是零散纸箱核对，都能快速完成，确保库存台账与实际一致，为备货规划、订单履约提供可靠依据，减少因数据误差导致的缺货或积压。
-
快递分拣效率提升：在快递分拣中心，YOLO 可结合纸箱表面的地址标签、条码信息辅助识别，快速区分不同区域、不同品类的快递纸箱，引导分拣设备自动分流，替代人工逐件核对分拣，大幅减少分拣耗时，同时降低因人工混淆导致的错发风险。
-
生产包装质量把控：生产车间中，纸箱用于成品包装，YOLO 可检测纸箱是否破损、密封是否完好、印刷标识是否清晰，若发现不合格纸箱立即触发预警，避免用残次纸箱包装商品导致运输中损坏，保障成品出库质量，减少售后纠纷。
-
仓储堆叠安全监测：仓库中纸箱堆叠过高、倾斜易引发坍塌，YOLO 可实时监测堆叠状态，若超出安全高度或出现倾斜趋势，及时通知管理人员调整，同时识别纸箱是否因堆叠受压破损，提前处理隐患，保障仓储环境安全。
该数据集含有 4690 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试车间、物流仓库等场景进行纸箱识别。
图片格式为jpg格式，标注格式分别为：
YOLO：txt
VOC：xml
数据集均为手工标注，保证标注精确度。
2、数据集文件结构
cardboard/
——test/
————Annotations/
————images/
————labels/
——train/
————Annotations/
————images/
————labels/
——valid/
————Annotations/
————images/
————labels/
——data.yaml
- 该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
- Annotations文件夹为Pascal VOC格式的XML文件 ；
- images文件夹为jpg格式的数据样本；
- labels文件夹是YOLO格式的TXT文件；
- data.yaml是数据集配置文件，包含纸箱检测的目标分类和加载路径。
Annotations目录下的xml文件内容如下:
<annotation>
<folder></folder>
<filename>cardboard-467_jpg.rf.519f0fa07e24cbd1fe732bdcfe75199d.jpg</filename>
<path>cardboard-467_jpg.rf.519f0fa07e24cbd1fe732bdcfe75199d.jpg</path>
<source>
<database>cardboard</database>
</source>
<size>
<width>1280</width>
<height>1280</height>
<depth>3</depth>
</size>
<segmented>0</segmented>
<object>
<name>0</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<occluded>0</occluded>
<bndbox>
<xmin>197</xmin>
<xmax>951</xmax>
<ymin>101</ymin>
<ymax>795</ymax>
</bndbox>
</object>
</annotation>labels目录下的txt文件内容如下：
0 0.565625 0.39140625 0.16015625 0.49531253、数据集适用范围
- 目标检测场景，车间作业场景
- yolo训练模型或其他模型
- 车间、物流仓库等场景
- 可用于物流仓库管理、快递分拣、生产包装管理、工业安全检查等。
4、数据集标注结果
4.1、数据集内容
- 多角度场景：行人视角样本、监控视角样本；
- 标注内容：names: ['0']，总计1个分类；
- 图片总量：4690 张图片数据；
- 标注类型：含有Pascal VOC XML格式和yolo TXT格式；
5、训练过程
5.1、导入训练数据
下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。
下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。
在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。
data目录结构如下：
data/
——Annotations/ //存放xml文件
——images/ //存放jpg图像
——imageSets/
——labels/
整体项目结构如下所示：
5.2、数据分割
首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。
import os
import random
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()5.3、数据集格式化处理
在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。
convert_annotation函数
-
这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。
-
它打开XML文件，解析树结构，提取图像的宽度和高度。
-
然后，它遍历每个目标对象（
object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。 -
对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用
convert函数将坐标转换为YOLO格式。 -
最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件。
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ['0'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text),
float(xmlbox.find('xmax').text),
float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()5.4、修改数据集配置文件
在ultralytics-main目录下创建一个data.yaml文件
train: data/train.txt
val: data/val.txt
test: data/test.txt
nc: 1
names: ['0']5.5、执行命令
执行train.py
model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)也可以在终端执行下述命令：
yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=05.6、模型预测
你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。
代码如下：
import cv2
from ultralytics import YOLO
# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径
# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path)
# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v') # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径
# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()
if success:
# Run YOLOv8 inference on the frame
# results = model(frame)
results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)
results[0].names[0] = "道路积水"
# Visualize the results on the frame
annotated_frame = results[0].plot()
# Write the annotated frame to the output file
out.write(annotated_frame)
# Display the annotated frame (optional)
cv2.imshow("YOLOv8 Inference", annotated_frame)
# Break the loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# Break the loop if the end of the video is reached
break
# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：
yolo predict model="best.pt" source='demo.jpg'6、获取数据集
文章底部或主页私信获取数据集~
二、YOLO仓储纸箱检测系统
1、功能介绍
1. 模型管理
支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。
2. 图片检测
- 支持上传本地图片文件，自动完成格式校验。
- 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。
- 检测结果可下载保存。
3. 视频检测与实时流
- 支持上传本地视频文件，自动完成格式校验。
- 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。
- 支持摄像头实时检测（如有接入摄像头）。
4. 置信度阈值调节
- 前端可实时调整检测置信度阈值，动态影响检测结果。
- 阈值调整后，后端推理自动应用新阈值，无需重启。
5. 日志与状态反馈
- 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。
- 检测异常、错误信息及时反馈，便于排查。
- 一键清空日志，笔面长期占用内存。
2、创建环境并安装依赖：
conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt3、启动项目
python app.py打开浏览器访问：http://localhost:5000
4、效果展示
4.1、推理效果
以红绿灯为例：（详情效果如下）
4.2、日志文本框
4.3、摄像头检测
5、前端核心页面代码
<!doctype html>
<html lang="zh-CN">
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width,initial-scale=1">
<title>视觉检测系统 - Web UI</title>
<link rel="stylesheet" href="/static/style.css">
<link rel="icon" href="/favicon.ico">
</head>
<body>
<div class="container main-flex">
<!-- 左侧内容区 -->
<div class="left-content">
<header>
<h1>YOLO仓储纸箱检测系统</h1>
<div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div>
</header>
<main>
<div class="videoPanel">
<div class="pane">
<h3>原图 / 视频</h3>
<div class="preview" id="srcPreview">预览区</div>
</div>
<div class="pane">
<h3>检测结果</h3>
<div class="preview" id="detPreview">检测结果</div>
</div>
</div>
<section class="logArea">
<div class="logHeader">
<h3>日志</h3>
</div>
<div class="logInner">
<div id="logs" class="logs"></div>
</div>
</section>
</main>
</div>
<!-- 右侧按钮栏 -->
<aside class="right-bar">
<!-- 1. 模型上传/加载区 -->
<section class="model-section">
<button id="uploadModelBtn" class="ghost">上传模型
<input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件">
</button>
<button id="loadModel">加载模型</button>
</section>
<!-- 2. 检测方式选择区 -->
<section class="detect-mode-section">
<div class="detect-mode-title">请选择检测方式</div>
<div class="detect-mode-radio-group">
<label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label>
<label><input type="radio" name="detectMode" value="camera"> 摄像头</label>
</div>
<div id="detectModeUpload" class="detect-mode-panel">
<div class="uploaded-file-name">
<span id="uploadedFileName" class="placeholder">未选择文件</span>
</div>
<div style="height: 22px;"></div>
<button id="uploadBtn">上传文件
<input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频">
</button>
</div>
<div id="detectModeCamera" class="detect-mode-panel" style="display:none;">
<button id="cameraDetectBtn" class="ghost">开启摄像头</button>
<div id="cameraPreview" class="camera-preview">
<video id="localCameraVideo" autoplay muted playsinline></video>
<div class="camera-controls">
<button id="stopCameraBtn" class="ghost">关闭摄像头</button>
</div>
</div>
</div>
<div class="confWrap">
<label class="conf">置信度
<input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5">
<input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5">
</label>
</div>
</section>
<!-- 3. 操作按钮区 -->
<section class="action-btn-section">
<button id="startBtn" disabled class="start">开始检测</button>
<button id="stopBtn" disabled class="stop">停止</button>
<button id="clearLogs" class="ghost">清空日志</button>
</section>
</aside>
</div>
<script src="/static/app.js"></script>
</body>
</html>6、代码获取
文章底部名片或私信获取系统源码和数据集~
更多数据集请查看