基于YOLOv8深度学习的智能草莓病害检测与分割系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测、目标分割

admin管理员组

文章数量:1530518

《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】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】	22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】	24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】	26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】	28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】	30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】	32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】	34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】

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

摘要：智能草莓病害检测分割系统利用了YOLOv8这一最新的深度学习算法，能够高效地准确识别并分割草莓中的病害区域。在农业生产中，病害的早期发现和准确诊断是减少作物损失和提高产品质量的关键。本文基于YOLOv8深度学习框架，通过2500张图片，训练了一个进行草莓病害的目标分割模型，准确率高达92%。最终基于此模型开发了一款带UI界面的草莓病害检测与分割系统，可用于实时检测场景中的草莓病害检测与病害区域分割，可以更加方便的进行功能展示。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目标检测分割，并保存分割结果。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
  • 界面参数设置说明
  • （1）图片检测演示
  • （2）视频检测演示
  • （3）摄像头检测演示
  • （4）检测结果保存
• 二、目标分割模型的训练、评估与推理
• • 1.YOLOv8的基本原理
  • 2. 数据集准备与训练
  • 3. 训练结果评估
  • 4. 模型推理
• 【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

智能草莓病害检测、识别与分割系统利用了YOLOv8这一高级深度学习算法，能够高效地准确识别并分割草莓中的病害区域。在农业生产中，病害的早期发现和准确诊断是减少作物损失和提高产品质量的关键。这一系统使得农业监测自动化成为可能，不仅节约人工成本，还大幅提高了检测的精确度和速度，是智能农业中不可或缺的一环，对提升农作物管理水平、保障粮食安全和推动农业现代化进程有着重大意义。

智能草莓病害检测、识别与分割系统的应用场景包括：
智能农业：在智能温室和规模化种植场中实施病害监测，提高病害管理的效率与时效性。
农业研究：辅助研究人员进行病害数据收集和分析，促进病害防治技术的创新和发展。
农业保险：为农作物投保提供确凿的病害发生证据，简化理赔流程并降低欺诈风险。
农产品质量控制：在收获和包装前检测病害，确保农产品质量，减少流通领域的损失。
精准农业：为实现精准施肥、灌溉和病害处理提供数据支持，优化农田管理。
农业教育与培训：提供一个实时的、交互式的教学平台，增强农业学生和从业者的实践技能。

总结而言，智能草莓病害检测、识别与分割系统通过提供高效的病害识别工具，为农业领域带来了技术革新。它不仅能够显著提升作物生产的质量和效率，也有助于农业从业者更好地理解和管理病害问题。随着智能农业技术的日益成熟，这类系统将为确保全球粮食安全和持续推动农业现代化贡献重要的力量。

博主通过搜集草莓病害的相关数据图片，根据YOLOv8的目标分割技术，基于python与Pyqt5开发了一款界面简洁的草莓病害检测与分割系统，可支持图片、视频以及摄像头检测，同时可以将图片、视频以及摄像头的检测结果进行保存。本文详细的介绍了此系统的核心功能以及所使用到的技术原理与制作流程。

软件初始界面如下图所示：

检测结果界面如下：

检测结果说明：

一、软件核心功能介绍及效果演示

软件主要功能

1. 可进行7种草莓病害检测与分割，病害类型分别为： ['角斑病','炭疽病','花枯病','灰霉病','叶斑病','白粉病果','白粉病叶']；
2. 支持图片、图片批量、视频及摄像头进行检测分割；
3. 可显示总分割面积占比以及单个目标的分割面积占比；
4. 界面可实时显示目标位置、分割结果、分割面积占比、置信度、用时等信息;
5. 结果保存：支持图片、视频及摄像头的分割结果保存；

界面参数设置说明

1. 置信度阈值：也就是目标检测时的conf参数，只有检测出的目标置信度大于该值，结果才会显示；
2. 交并比阈值：也就是目标检测时的iou参数，只有目标检测框的交并比大于该值，结果才会显示；
3. 窗口1:显示分割结果：表示是否在检测图片中显示分割结果，默认勾选；
4. 窗口1:显示检测框与标签：表示是否在检测图片中显示检测框与标签，默认勾选；
5. 窗口2:显示Mask或者显示原始分割图片：表示在窗口2中显示分割的Mask或者原始图片分割内容；

IoU：全称为Intersection over
Union，表示交并比。在目标检测中，它用于衡量模型生成的候选框与原标记框之间的重叠程度。IoU值越大，表示两个框之间的相似性越高。通常，当IoU值大于0.5时，认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。

显示Mask或者显示原始分割图片选项的功能效果如下：

（1）图片检测演示

1.点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹，操作演示如下：
2.点击目标下拉框后，可以选定指定目标的结果信息进行显示。
3. 点击保存按钮，会对图片检测结果进行保存，存储路径为：save_data目录下。
4.点击表格中的指定行，界面会显示该行表格所写的信息内容。
注：右侧目标位置默认显示置信度最大一个目标位置,可用下拉框进行信息切换。所有检测结果均在表格中显示。

单个图片检测操作如下：

批量图片检测操作如下：

点击保存按钮，会对图片的检测结果进行保存，共会保存3种类型结果，分别是：检测分割结果标识图片、分割的Mask图片以及原图分割后的图片。存储在save_data目录下，保存结果如下：

（2）视频检测演示

1.点击打开视频图标，打开选择需要检测的视频，就会自动显示检测结果。再次点击该按钮，会关闭视频。
2.点击保存按钮，会对视频检测结果进行保存，同样会保存3种类型结果，分别是：检测分割结果标识视频、分割Mask视频以及原视频分割后的视频，存储路径为：save_data目录下。
视频检测演示：

视频保存演示：

视频检测保存结果如下：

（3）摄像头检测演示

1.点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击该按钮，可关闭摄像头；
2.点击保存按钮，可以进行摄像头实时图像的检测结果保存。
摄像头检测演示：

摄像头保存演示：

摄像头检测保存结果如下：

（4）检测结果保存

点击保存按钮后，会将当前选择的图片【含批量图片】、视频或者摄像头的分割结果进行保存。结果会存储在save_data目录下，保存内容如下：

二、目标分割模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一种前沿的目标检测分割技术，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。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。
其主要网络结构如下：

2. 数据集准备与训练

通过网络上搜集关于草莓病害相关图片，并使用Labelimg标注工具对每张图片中的分割结果及类别进行标注。一共包含2500张图片，其中训练集包含1450张图片，验证集包含307张图片，测试集包含743张图片部分图像及标注如下图所示。


数据集的各类别具体分布如下所示：

图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集、验证集、测试集放入Data目录下。

同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：

train: E:\MyCVProgram\3SegProgram\StrawberryDiseaseSeg\datasets\Data\train
val: E:\MyCVProgram\3SegProgram\StrawberryDiseaseSeg\datasets\Data\val
test: E:\MyCVProgram\3SegProgram\StrawberryDiseaseSeg\datasets\Data\test

nc: 7
names: ["Angular Leafspot", "Anthracnose Fruit Rot", 'Blossom Blight', 'Gray Mold', 'Leaf Spot', 'Powdery Mildew Fruit', 'Powdery Mildew Leaf']

注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
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

# 加载yolov8预训练模型
model = YOLO("yolov8n-seg.pt")
# Use the model
if __name__ == '__main__':
    # Use the model
    results = model.train(data='datasets/Data/data.yaml', epochs=250, batch=4)  # 训练模型
    # 将模型转为onnx格式
    # success = model.export(format='onnx')

3. 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在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)、动态特征损失（dfl_loss）以及分割损失（seg_loss），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：

各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
分割损失（seg_loss）：预测的分割结果与标定分割之前的误差，越小分割的越准确；
本文训练结果如下：

我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP。

定位结果的PR曲线如下：

分割结果的PR曲线如下：

从上面图片曲线结果可以看到：定位的平均精度为0.932，分割的平均精度为0.925，结果还是很不错的。

4. 模型推理

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。
图片检测代码如下：

# 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/angular_leafspot2.jpg"

# 加载预训练模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='segment')
# model = YOLO(path, task='segment',conf=0.5)
# 检测图片
results = model(img_path)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

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：

以上便是关于此款草莓病害检测与分割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、视频及摄像头进行检测，同时支持检测结果的保存。

关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。

---

【获取方式】

关注下方名片G-Z-H：【阿旭算法与机器学习】，发送【源码】即可获取下载方式

本文涉及到的完整全部程序文件：包括环境配置文档说明、python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见文末：

注意：该代码基于Python3.9开发，运行界面的主程序为MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境。

关注下方名片GZH:【阿旭算法与机器学习】，发送【源码】即可获取下载方式

---

结束语

以上便是博主开发的基于YOLOv8深度学习的草莓病害检测与分割系统的全部内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！

本文标签： 深度目标病害草莓实战