首页 > 分享 > 使用YOLO12和Python构建智能农业监测系统：作物病虫害识别

使用YOLO12和Python构建智能农业监测系统：作物病虫害识别

花匠小妙招
2026-03-04 19:10

使用YOLO12和Python构建智能农业监测系统：作物病虫害识别

想象一下，你是一位农场主，每天清晨都要巡视上百亩的农田，用肉眼检查每一株作物是否有病虫害的迹象。这不仅耗时耗力，而且等到肉眼能发现时，往往已经错过了最佳防治时机，损失已经造成。现在，有一种技术能让你的手机或电脑摄像头变成“火眼金睛”，自动识别出叶片上的斑点、虫害，甚至能判断病害的严重程度，这就是我们今天要聊的智能农业监测系统。

传统的农业病虫害监测主要依赖人工经验，效率低、成本高，而且容易漏检。随着计算机视觉技术的发展，特别是像YOLO这样的目标检测模型，我们完全可以用AI来辅助甚至替代部分人工巡检工作。YOLO12作为该系列的最新成员，凭借其以注意力为中心的架构，在识别精度上有了新的突破，非常适合处理农田图像中背景复杂、目标细小多变的挑战。

这篇文章，我就带你一步步用Python和YOLO12，搭建一个属于自己的智能农业病虫害识别系统。我们不讲复杂的理论，只关注怎么把它用起来，解决实际问题。

1. 为什么选择YOLO12来做这件事？

在开始动手之前，你可能想问，市面上目标检测模型那么多，为什么偏偏是YOLO12？简单来说，就三个字：准、快、省。

准，指的是识别精度高。YOLO12引入了“区域注意力”机制。你可以把它想象成人的视觉焦点——我们看一张复杂的图片时，不会平均用力，而是会先聚焦在最可能有关键信息的地方。YOLO12也是这样，它会自动把计算资源“聚焦”在图像中更可能出现病虫害的区域，而不是傻傻地分析每一个像素。这对于在绿色背景中寻找小小的病斑或虫子特别有用。

快，指的是推理速度快。农业监测往往需要在移动设备或算力有限的边缘设备上运行，比如装在无人机或田间摄像头里。YOLO系列一直以实时性著称，YOLO12虽然为了精度在速度上做了一点权衡，但其“轻量级”的版本（如YOLO12n）依然能在普通电脑甚至一些开发板上流畅运行，做到“即拍即识”。

省，有两层意思。一是省心，Ultralytics团队提供了非常完善的Python包，几行代码就能调用预训练模型，大大降低了开发门槛。二是省资源，模型本身在保持性能的同时，参数量控制得比较好，对硬件要求相对友好。

所以，对于农业这种需要平衡精度、速度和成本的应用场景，YOLO12是一个相当不错的选择。

2. 搭建你的开发环境

工欲善其事，必先利其器。我们先把需要的工具准备好。整个过程非常简单，如果你已经熟悉Python环境，几分钟就能搞定。

首先，确保你的电脑上安装了Python（建议3.8或以上版本）。然后，我们主要需要安装两个核心库：

pip install ultralytics

pip install opencv-python

bash

没错，核心就是这两个。ultralytics 包封装了YOLO系列模型（包括YOLO12）的训练、验证和预测接口，让我们用起来非常方便。opencv-python 则是处理图像视频的瑞士军刀。

安装完成后，你可以打开Python，用下面这行代码快速验证一下环境是否正常：

from ultralytics import YOLO

print("YOLO包导入成功！")

python

运行

如果没有报错，那么恭喜你，环境搭建已经完成了99%。

3. 三步实现病虫害图片识别

环境好了，我们直接进入最激动人心的环节：写代码识别。整个过程可以浓缩为三个步骤：加载模型、读取图片、得到结果。

3.1 第一步：加载预训练模型

YOLO12提供了多种尺寸的预训练模型，从最小的yolo12n.pt到最大的yolo12x.pt。对于农业识别，我们通常不需要识别成千上万种物体，所以从轻量级的模型开始就很好。它会自动从网上下载模型文件。

from ultralytics import YOLO

import cv2

model = YOLO('yolo12n.pt')

print("模型加载完毕！")

python

运行

3.2 第二步：准备待识别的农业图片

你需要准备一些包含作物（比如水稻、小麦、番茄叶片）的图片，最好是有病虫害症状的。这里我假设你有一张名为diseased_leaf.jpg的图片放在当前文件夹。

image_path = 'diseased_leaf.jpg'

image = cv2.imread(image_path)

if image is None:

print(f"错误：无法读取图片 {image_path}，请检查路径。")

else:

print(f"图片加载成功，尺寸为：{image.shape}")

python

运行

3.3 第三步：运行识别并查看结果

这是最核心的一步，调用模型的预测功能。

results = model(image_path)

result = results[0]

annotated_image = result.plot()

cv2.imshow('病虫害识别结果', annotated_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

output_path = 'detected_leaf.jpg'

cv2.imwrite(output_path, annotated_image)

print(f"结果已保存至：{output_path}")

python

运行

运行这段代码，你应该能看到一个新窗口弹出，图片中的病虫害区域（如果模型能识别的话）会被框出来，并打上标签。

但是，你可能会发现，框出来的标签可能是“person”、“car”之类的东西。这是因为我们加载的yolo12n.pt是在COCO数据集上预训练的，它能识别80种常见物体，但其中并不包含“小麦锈病”或“蚜虫”。这引出了下一个关键问题：如何让它认识我们的农作物病虫害？

4. 教AI认识特定的病虫害：模型微调

要让YOLO12成为真正的农业专家，我们需要用自己收集的、标注好的病虫害图片去“教”它，这个过程叫做微调。听起来很高大上，但用Ultralytics工具，流程非常清晰。

4.1 准备数据集

这是最重要的一步。你需要收集大量农作物图片，并做好标注。

收集图片：用手机或相机在田间拍摄，确保包含健康叶片和各种病虫害叶片（如白粉病、锈病、虫咬孔洞等）。图片数量越多越好，至少每类几百张。标注图片：使用标注工具（如LabelImg、Roboflow等），在图片上画出病虫害区域的边界框，并为其命名，例如“powdery_mildew”（白粉病）、“aphid”（蚜虫）。

标注完成后，你会得到每张图片对应的一个.txt文件，里面记录了框的位置和类别ID。同时，你需要准备一个数据集配置文件data.yaml，它的内容大致如下：

# data.yaml path: /path/to/your/dataset # 数据集根目录 train: images/train # 训练图片路径 val: images/val # 验证图片路径 # 类别名称和数量 names: 0: healthy_leaf 1: powdery_mildew 2: aphid 3: leaf_spot # ... 你的其他类别 nc: 4 # 类别数量，这里例子是4类

yaml

4.2 开始微调训练

数据准备好后，训练代码简单得惊人：

from ultralytics import YOLO

model = YOLO('yolo12n.pt')

results = model.train(

data='path/to/your/data.yaml',

epochs=50,

imgsz=640,

batch=16,

name='yolo12_agriculture'

)

python

运行

训练过程会自动进行，你可以在终端看到损失下降、精度提升的日志。训练完成后，会在runs/detect/yolo12_agriculture/目录下找到最好的模型文件weights/best.pt。

4.3 使用微调后的模型

训练好后，使用方式和之前完全一样，只是加载的模型文件换成了你自己的：

custom_model = YOLO('runs/detect/yolo12_agriculture/weights/best.pt')

agriculture_results = custom_model('new_field_photo.jpg')

python

运行

现在，你再识别农田图片，它就能准确地喊出“白粉病”、“蚜虫”等专业名称了。

5. 从图片到现实：构建完整监测流程

单一的图片识别只是一个开始。一个实用的农业监测系统，需要考虑从数据采集到结果输出的完整流程。这里我给你提供两个进阶思路：

思路一：批量处理与统计 你可以写一个脚本，自动扫描一个文件夹里所有田间摄像头定时拍摄的图片，批量识别，并生成一份统计报告。

import os

from ultralytics import YOLO

import pandas as pd

model = YOLO('你的农业模型.pt')

image_folder = 'daily_field_images/'

results_list = []

for img_name in os.listdir(image_folder):

if img_name.endswith(('.jpg', '.png')):

img_path = os.path.join(image_folder, img_name)

results = model(img_path)[0]

detections = {}

for box in results.boxes:

cls_name = results.names[int(box.cls)]

detections[cls_name] = detections.get(cls_name, 0) + 1

results_list.append({

'image': img_name,

'detections': detections,

'time': '2023-10-27 08:00'

})

df = pd.DataFrame(results_list)

df.to_csv('daily_pest_report.csv', index=False)

print("每日病虫害报告已生成！")

python

运行

思路二：视频流实时监测 如果你有RTSP摄像头的视频流，或者想用电脑摄像头实时监测一小盆植物，也可以轻松实现。

import cv2

from ultralytics import YOLO

model = YOLO('你的农业模型.pt')

cap = cv2.VideoCapture(0)

while cap.isOpened():

ret, frame = cap.read()

if not ret:

break

results = model(frame, verbose=False)[0]

annotated_frame = results.plot()

cv2.imshow('Real-time Crop Monitoring', annotated_frame)

if cv2.waitKey(1) & 0xFF == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

python

运行

6. 总结

走完这一趟，你会发现，用YOLO12和Python搭建一个智能农业监测系统的核心，其实并不在于编写多么复杂的算法，而在于思路的转变和工具的熟练使用。我们利用了YOLO12这个强大的现成模型，通过微调让它具备了农业领域的专业知识，再结合一些简单的Python脚本，就把一个听起来很高科技的构想变成了可以运行的原型。

实际部署时，你可能会遇到更多细节问题，比如如何在光照变化剧烈的户外保证识别稳定性、如何将系统部署到低功耗的树莓派或无人机上等等。但有了今天这个基础，你完全有能力去搜索和解决那些问题。技术的最终目的是服务生活，希望这个小小的项目，能为你打开一扇通往智慧农业的大门，哪怕只是帮你更好地照顾阳台上的几盆花草，也是一件很有成就感的事。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。