深度学习目标检测中如何yolov8训练手段标注的灯诱杀虫灯害虫数据集/常见农业害虫数据集，识别检测棉铃虫，草地螟，东亚蟋蟀“三轮褐拟步甲，线虫沟等

最新推荐文章于 2025-04-30 15:03:34 发布

计算机C9硕士_算法工程师

最新推荐文章于 2025-04-30 15:03:34 发布

阅读量615

点赞数 10

分类专栏：植物病虫害类数据集文章标签：深度学习目标检测 YOLO

本文链接：https://blog.csdn.net/2401_88440984/article/details/146126954

版权

植物病虫害类数据集专栏收录该内容

81 篇文章

订阅专栏

使用YOLOv8训练农业害虫数据集，并创建一个可视化的界面来展示模型的性能和结果，经过以下几个步骤。从准备数据集、训练模型到集成可视化界面的全过程。

文章目录

灯诱杀虫灯害虫数据集，常见农业害虫数据集。
在这里插入图片描述

数据集25378张jpeg图像，训练集12701、验证集5077 、测试集7600，手动标注，可用于害虫识别检测任务。
在这里插入图片描述

24类常见农业害虫:{ “0”: “棉铃虫”, “1”: “草地螟”, “2”: “东亚蟋蟀”, “3”: “三轮褐拟步甲”, “4”: “线虫沟”, “5”: “苔螟蛾”, “6”: “小壁虎”, “7”: “三叶草夜蛾”, “8”: “棉蚜虫”, “9”: “甘蓝夜蛾”, “10”: “大黑瓢虫”, “11”: “甜菜夜蛾”, “12”: “小菜蛾”, “13”: “平行隐翅虫”, “14”: “稻计划蝉”, “15”: “地虎”, “16”: “黄虎”, “17”: “八字虎”, “18”: “黑隐翅虫”, “19”: “稻纵卷叶螟”, “20”: “条纹稻螟”, “21”: “斜纹夜蛾”, “22”: “稻叶卷蛾”, “23”: “梅蛾” }
voc、yolo、coco格式，在这里插入图片描述
使用YOLOv8训练农业害虫数据集，并创建一个可视化的界面来展示模型的性能和结果，经过以下几个步骤。从准备数据集、训练模型到集成可视化界面的全过程。

1. 数据集准备

假设您的数据集已经按照YOLO格式标注好，结构如下：

pest_detection/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   └── ...
│   ├── val/
│   │   ├── img1.jpg
│   │   └── ...
│   └── test/
│       ├── img1.jpg
│       └── ...
└── labels/
    ├── train/
    │   ├── img1.txt
    │   └── ...
    ├── val/
    │   ├── img1.txt
    │   └── ...
    └── test/
        ├── img1.txt
        └── ...
data_pest.yaml

data_pest.yaml 文件内容示例：

train: ./pest_detection/images/train/
val: ./pest_detection/images/val/

nc: 24  # 类别数量：棉铃虫, 草地螟, 东亚蟋蟀, ..., 梅蛾
names: ['棉铃虫', '草地螟', '东亚蟋蟀', '三轮褐拟步甲', '线虫沟', '苔螟蛾', '小壁虎', '三叶草夜蛾', '棉蚜虫', '甘蓝夜蛾', '大黑瓢虫', '甜菜夜蛾', '小菜蛾', '平行隐翅虫', '稻计划蝉', '地虎', '黄虎', '八字虎', '黑隐翅虫', '稻纵卷叶螟', '条纹稻螟', '斜纹夜蛾', '稻叶卷蛾', '梅蛾']

2. 安装依赖库

确保安装了必要的库：

pip install ultralytics opencv-python-headless PyQt5 tensorboard

3. 训练模型

使用YOLOv8进行训练。

训练脚本

from ultralytics import YOLO

def main_train():
    # 加载预训练的YOLOv8n模型或从头开始定义模型
    model = YOLO('yolov8n.yaml')  # 或者直接加载预训练权重，如 'yolov8n.pt'
    
    results = model.train(
        data='./data_pest.yaml',
        epochs=100,  # 根据需要调整
        imgsz=640,
        batch=16,
        project='./runs/detect',
        name='pest_detection',
        optimizer='SGD',
        device='0',  # 使用GPU编号
        save=True,
        cache=True,
        verbose=True,
        patience=10,  # 提前停止的耐心值
        lr0=0.01,  # 初始学习率
        lrf=0.1,  # 最终学习率（相对于lr0的比例）
    )

if __name__ == '__main__':
    main_train()

4. 模型优化

在训练过程中，可以通过以下几种方式进行模型优化：

学习率调整：通过设置lr0和lrf参数调整初始和最终的学习率。
提前停止：设置patience参数，当验证损失不再降低时提前停止训练。
数据增强：利用augment参数增加训练数据的多样性。
超参数调优：调整批次大小、优化器类型等超参数以提高模型性能。

5. 可视化界面

使用PyQt5设计用户界面，以便于测试和展示模型效果。

GUI设计

import sys
import cv2
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog, QTextEdit
from PyQt5.QtGui import QPixmap
from ultralytics import YOLO

class PestDetectionApp(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("害虫检测系统")
        self.setGeometry(100, 100, 800, 600)

        self.initUI()

    def initUI(self):
        self.image_label = QLabel(self)
        self.image_label.setGeometry(50, 50, 600, 400)

        self.result_text = QTextEdit(self)
        self.result_text.setGeometry(700, 50, 300, 400)
        self.result_text.setReadOnly(True)

        self.open_button = QPushButton('打开图片', self)
        self.open_button.setGeometry(700, 500, 100, 30)
        self.open_button.clicked.connect(self.open_image)

        self.detect_button = QPushButton('检测', self)
        self.detect_button.setGeometry(810, 500, 100, 30)
        self.detect_button.clicked.connect(self.detect_objects)

        self.save_button = QPushButton('保存', self)
        self.save_button.setGeometry(920, 500, 100, 30)
        self.save_button.clicked.connect(self.save_results)

    def open_image(self):
        options = QFileDialog.Options()
        file_name, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "Image Files (*.png *.jpg *.jpeg)", options=options)
        if file_name:
            self.image_path = file_name
            self.load_image(file_name)

    def load_image(self, file_name):
        img = cv2.imread(file_name)
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        h, w, ch = img.shape
        bytes_per_line = ch * w
        q_img = QImage(img.data, w, h, bytes_per_line, QImage.Format_RGB888)
        pixmap = QPixmap.fromImage(q_img)
        self.image_label.setPixmap(pixmap)

    def detect_objects(self):
        model = YOLO('./runs/detect/pest_detection/weights/best.pt')
        results = model.predict(source=self.image_path)
        img = cv2.imread(self.image_path)
        for result in results:
            boxes = result.boxes.numpy()
            for box in boxes:
                r = box.xyxy
                x1, y1, x2, y2 = int(r[0]), int(r[1]), int(r[2]), int(r[3])
                label_id = int(box.cls)
                label = result.names[label_id]
                confidence = box.conf
                if confidence > 0.5:  # 设置置信度阈值
                    cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)  # 绘制矩形框
                    cv2.putText(img, f'{label} {confidence:.2f}', (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
                    self.result_text.append(f"{label}: {confidence:.2f}, ({x1}, {y1}), ({x2}, {y2})")

        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        h, w, ch = img.shape
        bytes_per_line = ch * w
        q_img = QImage(img.data, w, h, bytes_per_line, QImage.Format_RGB888)
        pixmap = QPixmap.fromImage(q_img)
        self.image_label.setPixmap(pixmap)

    def save_results(self):
        options = QFileDialog.Options()
        file_name, _ = QFileDialog.getSaveFileName(self, "保存结果", "", "Text Files (*.txt)", options=options)
        if file_name:
            with open(file_name, 'w') as f:
                f.write(self.result_text.toPlainText())

if __name__ == '__main__':
    app = QApplication(sys.argv)
    ex = PestDetectionApp()
    ex.show()
    sys.exit(app.exec_())