使用YOLOv8进行目标检测和分类任务，农业害虫检测数据集，农业害虫分类数据集， 包含102种害虫，yolo格式标注，划分7万5分类图像-多并提供一些常用的脚本来帮助你更高效地处理数据和训练模型 虫害

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

农业害虫检测数据集，农业害虫分类数据集，

包含102种害虫，yolo格式全部标注好，划分好

75，000多张分类图像，19，000张目标检测图像。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

我们将使用YOLOv8进行目标检测和分类任务，并提供一些常用的脚本来帮助你更高效地处理数据和训练模型。

1. 环境准备

首先，确保你已经安装了必要的库和工具。你可以使用以下命令安装所需的库：

bash深色版本 pip install ultralytics pip install torch torchvision pip install opencv-python pip install pandas pip install matplotlib

2. 数据准备

假设你的数据集目录结构如下：

深色版本 pest_dataset/ ├── classification/ │ ├── train/ │ │ ├── class_001/ │ │ ├── class_002/ │ │ └── ... │ └── val/ │ ├── class_001/ │ ├── class_002/ │ └── ... ├── detection/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ └── labels/ │ ├── train/ │ └── val/

3. 创建数据配置文件

添加图片注释，不超过 140 字（可选）

3.1 分类任务配置文件

创建一个名为classification.yaml的文件，内容如下：

yaml深色版本 # Classification Dataset Configuration # Path to the dataset directory path: ./pest_dataset/classification # Training and validation image directories train: train val: val # Number of classes nc: 102 # Class names names: 0: class_001 1: class_002 2: class_003 # ... 依次添加所有类别 101: class_102

3.2 目标检测任务配置文件

创建一个名为detection.yaml的文件，内容如下：

yaml深色版本 # Detection Dataset Configuration # Path to the dataset directory path: ./pest_dataset/detection # Training and validation image directories train: images/train val: images/val # Training and validation label directories train_labels: labels/train val_labels: labels/val # Number of classes nc: 102 # Class names names: 0: class_001 1: class_002 2: class_003 # ... 依次添加所有类别 101: class_102

4. 训练模型

4.1 分类任务

使用YOLOv8进行分类任务训练，可以使用以下命令：

bash深色版本 yolo classify train data=classification.yaml model=yolov8n-cls.pt epochs=100 imgsz=224

解释：

• data=classification.yaml: 指定数据配置文件。

• model=yolov8n-cls.pt: 使用预训练的YOLOv8分类模型（yolov8n-cls）。你可以选择其他大小的模型，如yolov8s-cls、yolov8m-cls、yolov8l-cls或yolov8x-cls。

• epochs=100: 训练的轮数。

• imgsz=224: 图像的尺寸。

4.2 目标检测任务

使用YOLOv8进行目标检测任务训练，可以使用以下命令：

bash深色版本 yolo detect train data=detection.yaml model=yolov8n.pt epochs=100 imgsz=640

解释：

• data=detection.yaml: 指定数据配置文件。

• model=yolov8n.pt: 使用预训练的YOLOv8检测模型（yolov8n）。你可以选择其他大小的模型，如yolov8s、yolov8m、yolov8l或yolov8x。

• epochs=100: 训练的轮数。

• imgsz=640: 图像的尺寸。

5. 评估模型

5.1 分类任务

训练完成后，可以使用以下命令来评估模型在验证集上的性能：

bash深色版本 yolo classify val data=classification.yaml model=runs/classify/train/weights/best.pt imgsz=224

解释：

• data=classification.yaml: 指定数据配置文件。

• model=runs/classify/train/weights/best.pt: 指定训练过程中保存的最佳模型权重文件。

• imgsz=224: 图像的尺寸。

5.2 目标检测任务

训练完成后，可以使用以下命令来评估模型在验证集上的性能：

bash深色版本 yolo detect val data=detection.yaml model=runs/detect/train/weights/best.pt imgsz=640

解释：

• data=detection.yaml: 指定数据配置文件。

• model=runs/detect/train/weights/best.pt: 指定训练过程中保存的最佳模型权重文件。

• imgsz=640: 图像的尺寸。

6. 可视化预测结果

6.1 分类任务

使用以下Python代码来可视化分类任务的预测结果：

python深色版本 import cv2 import torch from ultralytics import YOLO # 加载模型 model = YOLO('runs/classify/train/weights/best.pt') # 读取图像 image_path = 'pest_dataset/classification/val/class_001/0001.jpg' image = cv2.imread(image_path) # 进行预测 result = model(image) # 获取预测结果 predicted_class = result[0].argmax().item() predicted_label = model.names[predicted_class] confidence = result[0][predicted_class].item() # 在图像上显示预测结果 text = f'{predicted_label}: {confidence:.2f}' cv2.putText(image, text, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) # 显示图像 cv2.imshow('Classification Prediction', image) cv2.waitKey(0) cv2.destroyAllWindows()

6.2 目标检测任务

使用以下Python代码来可视化目标检测任务的预测结果：

python深色版本 import cv2 import torch from ultralytics import YOLO # 加载模型 model = YOLO('runs/detect/train/weights/best.pt') # 读取图像 image_path = 'pest_dataset/detection/images/val/0001.jpg' image = cv2.imread(image_path) # 进行预测 results = model(image) # 可视化预测结果 for result in results: boxes = result.boxes.xyxy confidences = result.boxes.conf class_ids = result.boxes.cls for box, conf, class_id in zip(boxes, confidences, class_ids): x1, y1, x2, y2 = map(int, box) label = model.names[int(class_id)] confidence = float(conf) # 绘制边界框 cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) text = f'{label}: {confidence:.2f}' cv2.putText(image, text, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 显示图像 cv2.imshow('Detection Prediction', image) cv2.waitKey(0) cv2.destroyAllWindows()

7. 常用的五个脚本

1. 数据增强脚本：用于生成更多的训练数据。

2. 数据检查脚本：用于检查数据集的完整性和一致性。

3. 模型评估脚本：用于评估模型在不同指标上的性能。

4. 预测结果保存脚本：用于将预测结果保存为文件。

5. 模型推理脚本：用于在新的图像上进行推理。

1. 数据增强脚本

python深色版本 import os import cv2 from imgaug import augmenters as iaa def augment_image(image_path, output_dir, num_augmentations=5): image = cv2.imread(image_path) seq = iaa.Sequential([ iaa.Fliplr(0.5), # 水平翻转 iaa.Affine(rotate=(-10, 10)), # 旋转 iaa.Multiply((0.8, 1.2)) # 改变亮度 ]) for i in range(num_augmentations): augmented_image = seq(image=image) new_image_path = os.path.join(output_dir, f"{os.path.splitext(os.path.basename(image_path))[0]}_aug{i}.jpg") cv2.imwrite(new_image_path, augmented_image) # 数据集路径 image_dir = 'pest_dataset/classification/train/class_001' output_dir = 'pest_dataset/classification/augmented/class_001' os.makedirs(output_dir, exist_ok=True) # 获取所有图像文件 image_files = [os.path.join(image_dir, f) for f in os.listdir(image_dir) if f.endswith('.jpg')] for image_file in image_files: augment_image(image_file, output_dir)

2. 数据检查脚本

python深色版本 import os def check_data_consistency(image_dir, label_dir=None): image_files = set(os.listdir(image_dir)) if label_dir: label_files = set(os.listdir(label_dir)) missing_labels = image_files - {f.replace('.txt', '.jpg') for f in label_files} missing_images = {f.replace('.txt', '.jpg') for f in label_files} - image_files if missing_labels: print("Missing labels for images:") for file in missing_labels: print(file) if missing_images: print("Missing images for labels:") for file in missing_images: print(file) if not label_dir or (not missing_labels and not missing_images): print("Data consistency check passed.") # 数据集路径 image_dir = 'pest_dataset/classification/train/class_001' label_dir = 'pest_dataset/detection/labels/train' check_data_consistency(image_dir, label_dir)

3. 模型评估脚本

python深色版本 import torch from ultralytics import YOLO from pycocotools.coco import COCO from pycocotools.cocoeval import COCOeval def evaluate_classification_model(model_path, data_config, ann_file): model = YOLO(model_path) coco = COCO(ann_file) results = [] for img_id in coco.getImgIds(): img_info = coco.loadImgs(img_id)[0] image_path = os.path.join(data_config['path'], img_info['file_name']) image = cv2.imread(image_path) prediction = model(image) predicted_class = prediction[0].argmax().item() confidence = prediction[0][predicted_class].item() results.append({ "image_id": img_id, "category_id": predicted_class + 1, "score": confidence }) with open('results.json', 'w') as f: json.dump(results, f) coco_dt = coco.loadRes('results.json') coco_eval = COCOeval(coco, coco_dt, 'cls') coco_eval.evaluate() coco_eval.accumulate() coco_eval.summarize() # 模型路径和数据配置 model_path = 'runs/classify/train/weights/best.pt' data_config = { 'path': './pest_dataset/classification', 'annotations': 'annotations/instances_val.json' } ann_file = os.path.join(data_config['path'], data_config['annotations']) evaluate_classification_model(model_path, data_config, ann_file)

4. 预测结果保存脚本

python深色版本 import cv2 import torch from ultralytics import YOLO import json def save_predictions(model_path, image_dir, output_dir): model = YOLO(model_path) os.makedirs(output_dir, exist_ok=True) image_files = [os.path.join(image_dir, f) for f in os.listdir(image_dir) if f.endswith('.jpg')] results = [] for image_file in image_files: image = cv2.imread(image_file) predictions = model(image) for pred in predictions: boxes = pred.boxes.xyxy confidences = pred.boxes.conf class_ids = pred.boxes.cls for box, conf, class_id in zip(boxes, confidences, class_ids): x1, y1, x2, y2 = map(int, box) w, h = x2 - x1, y2 - y1 results.append({ "image_path": image_file, "category_id": int(class_id), "bbox": [x1, y1, w, h], "score": float(conf) }) with open(os.path.join(output_dir, 'predictions.json'), 'w') as f: json.dump(results, f) # 模型路径和数据集路径 model_path = 'runs/detect/train/weights/best.pt' image_dir = 'pest_dataset/detection/images/val' output_dir = 'pest_dataset/predictions' save_predictions(model_path, image_dir, output_dir)

5. 模型推理脚本

python深色版本 import cv2 import torch from ultralytics import YOLO def infer_model(model_path, image_path): model = YOLO(model_path) image = cv2.imread(image_path) results = model(image) for result in results: boxes = result.boxes.xyxy confidences = result.boxes.conf class_ids = result.boxes.cls for box, conf, class_id in zip(boxes, confidences, class_ids): x1, y1, x2, y2 = map(int, box) label = model.names[int(class_id)] confidence = float(conf) # 绘制边界框 cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) text = f'{label}: {confidence:.2f}' cv2.putText(image, text, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 显示图像 cv2.imshow('Inference', image) cv2.waitKey(0) cv2.destroyAllWindows() # 模型路径和图像路径 model_path = 'runs/detect/train/weights/best.pt' image_path = 'pest_dataset/detection/images/val/0001.jpg' infer_model(model_path, image_path)

8. 总结

以上步骤提供了一个完整的框架，用于使用YOLOv8训练农业害虫检测和分类任务。代码包括数据准备、模型训练、评估和结果可视化等多个步骤。