首页 > 分享 > 基于YOLOv8深度学习的葡萄病害智能诊断与防治系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战

基于YOLOv8深度学习的葡萄病害智能诊断与防治系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战

花匠小妙招
2024-09-17 02:21

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~

《------正文------》

基本功能演示

在这里插入图片描述

摘要：葡萄病害智能诊断与防治系统在提高葡萄栽培的质量、产量和效率方面扮演了关键角色。葡萄是一种经济价值极高的水果，但其生长过程中易受各类病害影响，这些疾病会严重损害葡萄的品质和产量，甚至可能导致全年收成的丧失。本文基于YOLOv8深度学习框架，通过1600张图片，训练了一个葡萄叶片病害的识别模型,可用于识别4种不同的葡萄病害类型。并基于此模型开发了一款带UI界面的葡萄病害智能诊断与防治系统，可快速、准确地识别实时识别场景中的葡萄叶片病害类型，同时提供科学的防治建议，这有助于农户及时采取措施，有效控制病害扩散，显著提升农业生产的效率和可持续性。该系统是基于python与PyQT5开发的，支持图片、批量图片、视频以及摄像头进行识别检测。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。

文章目录基本功能演示前言一、软件核心功能介绍及效果演示软件主要功能（1）图片检测演示（2）视频检测演示（3）摄像头检测演示二、模型的训练、评估与推理1.YOLOv8的基本原理2. 数据集准备与训练3.模型训练4. 训练结果评估5. 利用模型进行推理【获取方式】结束语

点击跳转至文末《完整相关文件及源码》获取

前言

葡萄病害智能诊断与防治系统在提高葡萄栽培的质量、产量和效率方面扮演了关键角色。葡萄是一种经济价值极高的水果，但其生长过程中易受各类病害影响，这些疾病会严重损害葡萄的品质和产量，甚至可能导致全年收成的丧失。通过利用YOLOv8算法实现的智能检测系统，可以快速、准确地识别葡萄叶片病害，同时提供科学的防治建议，这有助于农户及时采取措施，有效控制病害扩散，显著提升农业生产的效率和可持续性。

葡萄病害智能诊断与防治系统的应用场景包括：
葡萄园病害监测：定期检查葡萄叶片的健康状况，及时发现和报告病害。
农业专家支持系统：为专家提供病害分析，帮助他们迅速确定病害并制定防治措施。
农业咨询服务：为葡萄农户提供专业的病害分析服务，给出科学的防治建议。
无人机农业监控：无人机搭载摄像设备，拍摄葡萄叶片便于系统分析检测病害。
智能农业应用：集成到智能农业系统中，自动执行病害检测和报告工作流程。
教育和培训：用于农业学院的教学和农民的培训，增强他们关于葡萄病害识别和管理的能力。

总结来说，葡萄病害智能诊断与防治系统的开发，能够显著提升葡萄栽培过程中对病害的管理和应对能力。这不仅有利于优化资源的使用，减少农药的过量施用，还能为葡萄农户减轻工作负担，提高葡萄产量和品质，推动农业生产向着更为环保和效益化的方向发展。随着人工智能在农业领域应用的不断拓展，智能检测系统将成为现代农业不可或缺的一部分。

博主通过搜集葡萄叶片病害的相关数据图片并整理，根据YOLOv8的深度学习技术训练识别模型，并基于python与Pyqt5开发了一款界面简洁的葡萄病害智能诊断与防治系统，可支持图片、批量图片、视频以及摄像头检测。

软件初始界面如下图所示：
在这里插入图片描述

检测结果界面如下：
在这里插入图片描述

一、软件核心功能介绍及效果演示

软件主要功能

1. 可进行4种不同葡萄叶片病害的类型识别，分别为：['黑麻疹','黑腐病','健康','叶枯病'];
2.可针对不同病害类型给出对应的防治方法与建议【可自己添加具体描述，字数不限】；
3. 支持图片、批量图片、视频以及摄像头检测；
4. 界面可实时显示识别结果、置信度、用时等信息;

（1）图片检测演示

单个图片检测操作如下：
点击打开图片按钮，选择需要检测的图片，就会显示检测结果。操作演示如下：
在这里插入图片描述

批量图片检测操作如下：
点击打开文件夹按钮，选择需要检测的文件夹【注意是选择文件夹】，可进行批量图片检测，表格中会有所有图片的检测结果信息，点击表格中的指定行，会显示指定行图片的检测结果，双击路径单元格，会看到图片的完整路径。操作演示如下：
在这里插入图片描述

（2）视频检测演示

点击打开视频按钮，打开选择需要检测的视频，就会自动显示检测结果。
在这里插入图片描述

（3）摄像头检测演示

点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击摄像头按钮，可关闭摄像头。
在这里插入图片描述

二、模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一种前沿的深度学习技术，它基于先前YOLO版本在目标检测任务上的成功，进一步提升了性能和灵活性，在精度和速度方面都具有尖端性能。在之前YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。
YOLO各版本性能对比：
在这里插入图片描述
其主要网络结构如下：

2. 数据集准备与训练

本文使用的葡萄叶片病害数据集共包含1600张图片，分为4个病害类别,分别是['黑麻疹','黑腐病','健康','叶枯病']。部分数据集及类别信息如下：
在这里插入图片描述

在这里插入图片描述

图片数据集的存放格式如下，在项目目录中新建datasets目录，同时将分类的图片分为训练集与验证集放入Data目录下。
在这里插入图片描述

3.模型训练

数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：

#coding:utf-8 from ultralytics import YOLO import matplotlib matplotlib.use('TkAgg') if __name__ == '__main__': # 训练模型配置文件路径 yolo_yaml_path = 'ultralytics/cfg/models/v8/yolov8-cls.yaml' # 官方预训练模型路径 pre_model_path = "yolov8n-cls.pt" # 加载预训练模型 model = YOLO(yolo_yaml_path).load(pre_model_path) # 模型训练 model.train(data='datasets/Data', epochs=150, batch=4) 1234567891011121314

4. 训练结果评估

在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
在这里插入图片描述

本文训练结果如下：
通过accuracy_top1图片准确率曲线图我们可以发现，该模型在验证集的准确率约为1.0，结果还是很不错的。
在这里插入图片描述

5. 利用模型进行推理

模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。
在这里插入图片描述

图片检测代码如下：

#coding:utf-8 from ultralytics import YOLO import cv2 # 所需加载的模型目录 path = 'models/best.pt' # 需要检测的图片地址 img_path = "TestFiles/0aff8add-93ad-4099-97ae-23515744e620___FAM_B.Rot 0748.JPG" # 加载模型 model = YOLO(path, task='classify') # 检测图片 results = model(img_path) print(results) res = results[0].plot() # res = cv2.resize(res,dsize=None,fx=0.3,fy=0.3,interpolation=cv2.INTER_LINEAR) cv2.imshow("YOLOv8 Detection", res) cv2.waitKey(0)

12345678910111213141516171819

执行上述代码后，会将执行的结果直接标注在图片上，结果如下：
在这里插入图片描述以上便是关于此款葡萄病害智能诊断与防治系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，能够很好的支持图片、批量图片、视频及摄像头进行检测。