当前位置： 首页 > article >正文

基于yolov8的农作物叶子病害检测系统python源码+onnx模型+评估指标曲线+精美GUI界面

article 2025/3/4 15:20:39

【算法介绍】

基于YOLOv8的农作物叶子病害检测系统是一种先进的农业技术解决方案，该系统利用深度学习技术，特别是YOLOv8算法，实现农作物叶片病害的自动识别和检测。YOLOv8以其高效、准确和灵活性著称，能够实时处理图像数据，快速定位并分类各种病害。

该系统经过大量图像数据集的训练，涵盖了多种农作物叶片及其病害，包括但不限于Apple Scab Leaf（苹果黑星病叶）、Apple Leaf（健康苹果叶）、Apple Rust Leaf（苹果雪松锈病叶）、Bell Pepper Leaf（甜椒叶）、Bell Pepper Leaf Spot（甜椒叶斑病叶）、Blueberry Leaf（蓝莓叶）、Cherry Leaf（樱桃叶）、Corn Gray Leaf Spot（玉米灰斑病叶）、Corn Leaf Blight（玉米叶枯病叶）、Corn Rust Leaf（玉米锈病叶）、Peach Leaf（桃叶）、Potato Leaf（马铃薯叶）、Potato Leaf Early Blight（马铃薯早疫病叶）、Potato Leaf Late Blight（马铃薯晚疫病叶）、Raspberry Leaf（覆盆子叶）、Soyabean Leaf（大豆叶）、Squash Powdery Mildew Leaf（南瓜白粉病叶）、Strawberry Leaf（草莓叶）、Tomato Early Blight Leaf（番茄早疫病叶）、Tomato Septoria Leaf Spot（番茄壳针孢叶斑病叶）、Tomato Leaf（健康番茄叶）以及Tomato Leaf Bacterial Spot（番茄细菌性斑点病叶）。

该系统为农业生产提供了一种高效、准确的病害检测手段，有助于及时采取防治措施，保障农作物的健康生长和提高产量。

【效果展示】

 

【测试环境】

windows10
anaconda3+python3.8
torch==2.3.0
ultralytics==8.3.81

【模型可以检测出类别】



Corn Gray leaf spot（玉米灰斑病叶）
Corn leaf blight（玉米叶枯病叶）
Corn rust leaf（玉米锈病叶）
Peach leaf（桃叶）
Potato leaf（马铃薯叶）
Potato leaf early blight（马铃薯早疫病叶）
Potato leaf late blight（马铃薯晚疫病叶）
Raspberry leaf（覆盆子叶）
Soyabean leaf（大豆叶）
Squash Powdery mildew leaf（南瓜白粉病叶，注意：原文可能为拼写错误，应为“Squash”应为“Squash”的某种形式，但通常我们说的是“Squash Powdery Mildew”指的是南瓜等植物的白粉病，这里简化为“Squash Powdery mildew leaf”表示南瓜白粉病叶）
Strawberry leaf（草莓叶）
Tomato Early blight leaf（番茄早疫病叶）
Tomato Septoria leaf spot（番茄壳针孢叶斑病叶）
Tomato leaf（番茄叶）
Tomato leaf bacterial spot（番茄细菌性斑点病叶）

【训练信息】

参数值
训练集图片数4481
验证集图片数244
训练map61.9%
训练精度(Precision)53.5%
训练召回率(Recall)61.6%

 【部分实现源码】

class Ui_MainWindow(QtWidgets.QMainWindow):
    signal = QtCore.pyqtSignal(str, str)
 
    def setupUi(self):
        self.setObjectName("MainWindow")
        self.resize(1280, 728)
        self.centralwidget = QtWidgets.QWidget(self)
        self.centralwidget.setObjectName("centralwidget")
 
        self.weights_dir = './weights'
 
        self.picture = QtWidgets.QLabel(self.centralwidget)
        self.picture.setGeometry(QtCore.QRect(260, 10, 1010, 630))
        self.picture.setStyleSheet("background:black")
        self.picture.setObjectName("picture")
        self.picture.setScaledContents(True)
        self.label_2 = QtWidgets.QLabel(self.centralwidget)
        self.label_2.setGeometry(QtCore.QRect(10, 10, 81, 21))
        self.label_2.setObjectName("label_2")
        self.cb_weights = QtWidgets.QComboBox(self.centralwidget)
        self.cb_weights.setGeometry(QtCore.QRect(10, 40, 241, 21))
        self.cb_weights.setObjectName("cb_weights")
        self.cb_weights.currentIndexChanged.connect(self.cb_weights_changed)
 
        self.label_3 = QtWidgets.QLabel(self.centralwidget)
        self.label_3.setGeometry(QtCore.QRect(10, 70, 72, 21))
        self.label_3.setObjectName("label_3")
        self.hs_conf = QtWidgets.QSlider(self.centralwidget)
        self.hs_conf.setGeometry(QtCore.QRect(10, 100, 181, 22))
        self.hs_conf.setProperty("value", 25)
        self.hs_conf.setOrientation(QtCore.Qt.Horizontal)
        self.hs_conf.setObjectName("hs_conf")
        self.hs_conf.valueChanged.connect(self.conf_change)
        self.dsb_conf = QtWidgets.QDoubleSpinBox(self.centralwidget)
        self.dsb_conf.setGeometry(QtCore.QRect(200, 100, 51, 22))
        self.dsb_conf.setMaximum(1.0)
        self.dsb_conf.setSingleStep(0.01)
        self.dsb_conf.setProperty("value", 0.25)
        self.dsb_conf.setObjectName("dsb_conf")
        self.dsb_conf.valueChanged.connect(self.dsb_conf_change)
        self.dsb_iou = QtWidgets.QDoubleSpinBox(self.centralwidget)
        self.dsb_iou.setGeometry(QtCore.QRect(200, 160, 51, 22))
        self.dsb_iou.setMaximum(1.0)
        self.dsb_iou.setSingleStep(0.01)
        self.dsb_iou.setProperty("value", 0.45)
        self.dsb_iou.setObjectName("dsb_iou")
        self.dsb_iou.valueChanged.connect(self.dsb_iou_change)
        self.hs_iou = QtWidgets.QSlider(self.centralwidget)
        self.hs_iou.setGeometry(QtCore.QRect(10, 160, 181, 22))
        self.hs_iou.setProperty("value", 45)
        self.hs_iou.setOrientation(QtCore.Qt.Horizontal)
        self.hs_iou.setObjectName("hs_iou")
        self.hs_iou.valueChanged.connect(self.iou_change)
        self.label_4 = QtWidgets.QLabel(self.centralwidget)
        self.label_4.setGeometry(QtCore.QRect(10, 130, 72, 21))
        self.label_4.setObjectName("label_4")
        self.label_5 = QtWidgets.QLabel(self.centralwidget)
        self.label_5.setGeometry(QtCore.QRect(10, 210, 72, 21))
        self.label_5.setObjectName("label_5")
        self.le_res = QtWidgets.QTextEdit(self.centralwidget)
        self.le_res.setGeometry(QtCore.QRect(10, 240, 241, 400))
        self.le_res.setObjectName("le_res")
        self.setCentralWidget(self.centralwidget)
        self.menubar = QtWidgets.QMenuBar(self)
        self.menubar.setGeometry(QtCore.QRect(0, 0, 1110, 30))
        self.menubar.setObjectName("menubar")
        self.setMenuBar(self.menubar)
        self.statusbar = QtWidgets.QStatusBar(self)
        self.statusbar.setObjectName("statusbar")
        self.setStatusBar(self.statusbar)
        self.toolBar = QtWidgets.QToolBar(self)
        self.toolBar.setToolButtonStyle(QtCore.Qt.ToolButtonTextBesideIcon)
        self.toolBar.setObjectName("toolBar")
        self.addToolBar(QtCore.Qt.TopToolBarArea, self.toolBar)
        self.actionopenpic = QtWidgets.QAction(self)
        icon = QtGui.QIcon()
        icon.addPixmap(QtGui.QPixmap(":/images/1.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)
        self.actionopenpic.setIcon(icon)
        self.actionopenpic.setObjectName("actionopenpic")
        self.actionopenpic.triggered.connect(self.open_image)
        self.action = QtWidgets.QAction(self)
        icon1 = QtGui.QIcon()
        icon1.addPixmap(QtGui.QPixmap(":/images/2.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)
        self.action.setIcon(icon1)
        self.action.setObjectName("action")
        self.action.triggered.connect(self.open_video)
        self.action_2 = QtWidgets.QAction(self)
        icon2 = QtGui.QIcon()
        icon2.addPixmap(QtGui.QPixmap(":/images/3.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)
        self.action_2.setIcon(icon2)
        self.action_2.setObjectName("action_2")
        self.action_2.triggered.connect(self.open_camera)
 
        self.actionexit = QtWidgets.QAction(self)
        icon3 = QtGui.QIcon()
        icon3.addPixmap(QtGui.QPixmap(":/images/4.png"), QtGui.QIcon.Normal, QtGui.QIcon.Off)
        self.actionexit.setIcon(icon3)
        self.actionexit.setObjectName("actionexit")
        self.actionexit.triggered.connect(self.exit)
 
        self.toolBar.addAction(self.actionopenpic)
        self.toolBar.addAction(self.action)
        self.toolBar.addAction(self.action_2)
        self.toolBar.addAction(self.actionexit)
 
        self.retranslateUi()
        QtCore.QMetaObject.connectSlotsByName(self)
        self.init_all()

【使用步骤】

使用步骤：
（1）首先根据官方框架安装好yolov8环境，并安装好pyqt5
（2）切换到自己安装的yolov8环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可

【提供文件】

python源码
yolov8m.onnx模型(不提供pytorch模型)
训练的map,P,R曲线图(在weights\results.png)
测试图片（在test_img文件夹下面）

注意不提供数据集

【常用评估参数介绍】

在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：

  1. Class：
    • 这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。
  2. Images：
    • 表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。
  3. Instances：
    • 在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。
  4. P（精确度Precision）：
    • 精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。
  5. R（召回率Recall）：
    • 召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。
  6. mAP50：
    • 表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。
  7. mAP50-95：
    • 表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。

这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。

 【常见问题】

目标检测训练中，Mean Average Precision（MAP）偏低可能有以下原因：
原因一：欠拟合：如果训练数据量过小，模型可能无法学习到足够的特征，从而影响预测效果，导致欠拟合，进而使MAP偏低。因此可以加大数据集数量
原因二：小目标：如果数据集包含大部分小目标则一般会有可能产生map偏低情况，因为小目标特征不明显，模型很难学到特征。
原因三：模型调参不对：比如学习率调整过大可能会导致学习能力过快，模型参数调节出现紊乱
原因四：过拟合（现在模型基本不存在这种情况）：如果模型在训练数据上表现非常好，但在验证或测试数据上表现较差，可能是出现了过拟合。这通常是因为模型参数过多，而训练数据量相对较小，导致模型学习到了训练数据中的噪声或特定模式，而无法泛化到新的数据。如今现在目标检测模型都对这个情况做的很好，很少有这种情况发生。
原因五：场景不一样：验证集验证精度高，测试集不行，则有可能是与训练模型场景图片不一致导致测试map过低
针对以上原因，可以采取以下措施来提高MAP：

（1）优化模型结构：根据任务和数据集的特点选择合适的模型，并尝试使用不同的网络架构和构件来改进模型性能。
（2）增强数据预处理：对数据进行适当的预处理和增强，如数据归一化、缺失值填充、数据扩增等，以提高模型的泛化能力。
（3）调整损失函数：尝试使用不同的损失函数或组合多种损失函数来优化模型性能。
（4）优化训练策略：调整学习率、批次大小、训练轮数等超参数，以及使用学习率衰减、动量等优化算法来改善模型训练效果。
（5）使用预训练模型：利用在大规模数据集上预训练的模型进行迁移学习，可以加速模型收敛并提高性能。
（6）增加数据集数量，尽可能提供多场景图片，提高模型泛化能力，增强模型特征学习能力。
综上所述，提高目标检测训练的MAP需要从多个方面入手，包括优化模型结构、增强数据预处理、调整损失函数、优化训练策略以及使用预训练模型等。


http://www.kler.cn/a/567780.html

相关文章：

  • Linux下网络运维命令总结
  • 嵌入式晶振细究
  • 【异地访问本地DeepSeek】Flask+内网穿透，轻松实现本地DeepSeek的远程访问
  • JavaWeb-ServletContext应用域接口
  • 在mingw64里面编译libdatachannel的步骤记录
  • idea中或pycharm中编写Markdown文件
  • ES 客户端 API 二次封装思想
  • 双机热备旁挂组网实验
  • 现今大语言模型性能（准确率）比较
  • Kafka生产者相关
  • C# WinForm程序中如何调试dll接口
  • AI智能质检系统 工业AI视觉检测 找上海尤劲恩
  • 局域网自动识别机器名和MAC并生成文件的命令
  • RabbitMQ系列（二）基本概念之Publisher
  • Git GitHub基础
  • Cocos Creator Shader入门实战(二)：GLSL语法和OpenGL流程
  • 计算机毕业设计SpringBoot+Vue.js英语知识应用网站(源码+文档+PPT+讲解)
  • React状态管理进阶（四）：从Redux到原子革命的终极指南
  • ElasticSearch 是如何实现分布式的？
  • JavaScript基础 -- 函数