构建基于YOLOv10的玉米叶片病变检测系统
文章目录
基于YOLOv10的玉米叶片病变检测系统
检测类别 [枯萎病、玉米锈病、灰叶斑病、健康] 四种情况
通过PYQT构建UI界面，可通过图片检测/视频检测/摄像头实时检测。
构建基于YOLOv10的玉米叶片病变检测系统涉及到多个步骤，包括环境搭建、数据准备、模型训练、推理以及性能评估等。
代码示例。仅供参考。
环境搭建
首先，确保安装了必要的库和工具：
pip install torch torchvision torchaudio
pip install opencv-python-headless numpy matplotlib
git clone https://github.com/ultralytics/yolov5 # 克隆YOLOv5仓库，假设YOLOv10类似
cd yolov5
pip install -r requirements.txt
数据准备
格式转换与数据划分
假设同学你已经有了标注好的数据集（包含图像及其对应的标签文件），需要将其转换为YOLO格式，并划分为训练集和验证集。
- 转换标签格式：YOLO要求标签文件是文本文件，每行代表一个对象，格式为
<class_index> <x_center> <y_center> <width> <height>（归一化坐标）。 - 数据划分：将数据集随机分成训练集和验证集（如8:2比例）。
以下是一个简单的Python脚本示例，用于执行上述任务：
import os
import random
import shutil
def convert_labels(input_dir, output_dir):
# 假设已经有一个函数convert_to_yolo_format来处理单个文件的转换
for file in os.listdir(input_dir):
if file.endswith('.xml'): # 假设原始标签是Pascal VOC格式
convert_to_yolo_format(os.path.join(input_dir, file), output_dir)
def split_dataset(images_dir, labels_dir, train_dir, val_dir, ratio=0.8):
files = [f.split('.')[0] for f in os.listdir(images_dir)]
random.shuffle(files)
split_point = int(len(files) * ratio)
train_files, val_files = files[:split_point], files[split_point:]
for phase, file_list in [('train', train_files), ('val', val_files)]:
dest_image_dir = os.path.join(train_dir if phase == 'train' else val_dir, 'images')
dest_label_dir = os.path.join(train_dir if phase == 'train' else val_dir, 'labels')
os.makedirs(dest_image_dir, exist_ok=True)
os.makedirs(dest_label_dir, exist_ok=True)
for f in file_list:
shutil.copy(os.path.join(images_dir, f + '.jpg'), dest_image_dir)
shutil.copy(os.path.join(labels_dir, f + '.txt'), dest_label_dir)
数据配置
创建一个.yaml文件来定义你的数据集路径和类别信息：
train: ./data/train/images
val: ./data/val/images
nc: 4 # 类别数量
names: ['枯萎病', '玉米锈病', '灰叶斑病', '健康']
模型训练
使用YOLOv5的训练脚本来训练模型。假设你已经在yolov5目录下：
python train.py --img 640 --batch 16 --epochs 50 --data corn_leaf_disease.yaml --weights yolov5s.pt
--img：输入图像尺寸。--batch：批次大小。--epochs：训练周期数。--data：数据配置文件路径。--weights：预训练权重路径（可以使用YOLOv5的预训练模型作为起点）。
配置超参数
根据实验结果调整学习率、批次大小、训练轮次等超参数以优化模型性能。
模型推理
训练完成后，你可以使用如下命令进行推理：
python detect.py --source ./data/images/test.jpg --weights runs/train/exp/weights/best.pt --conf 0.25
推理代码
为了批量处理图像并保存结果，可以修改detect.py脚本或编写新的Python脚本：
from pathlib import Path
from models.experimental import attempt_load
from utils.general import non_max_suppression, scale_coords
from utils.torch_utils import select_device
import cv2
# 加载模型
device = select_device('')
model = attempt_load('runs/train/exp/weights/best.pt', map_location=device)
# 处理图像
def process_image(image_path):
img = cv2.imread(image_path)
# 图像预处理...
pred = model(img, augment=False)[0]
pred = non_max_suppression(pred, 0.25, 0.45, classes=None, agnostic=False)
# 后处理预测结果...
return results
# 批量处理
image_paths = list(Path('./data/images').glob('*.jpg'))
for image_path in image_paths:
results = process_image(str(image_path))
# 保存或显示结果...
性能评估
使用mAP（mean Average Precision）等指标评估模型性能。YOLOv5自带的val.py脚本可以帮助完成这项工作：
python val.py --data corn_leaf_disease.yaml --weights runs/train/exp/weights/best.pt --img 640
输出模型在验证集上的表现，包括mAP和其他详细指标。
1. 环境准备
确保安装了必要的库：
pip install PyQt5 opencv-python-headless numpy torch torchvision
2. YOLOv10模型配置
假设你已经有了训练好的YOLOv10模型权重文件（.pt格式），并且已经定义好了相应的配置文件（.yaml）。
3. 创建PyQt5 UI
首先，设计UI布局。你可以使用Qt Designer来设计UI，并将其转换为Python代码。
ui_main.py (由Qt Designer生成)
from PyQt5 import QtCore, QtGui, QtWidgets
class Ui_MainWindow(object):
def setupUi(self, MainWindow):
MainWindow.setObjectName("MainWindow")
MainWindow.resize(800, 600)
self.centralwidget = QtWidgets.QWidget(MainWindow)
self.centralwidget.setObjectName("centralwidget")
# 添加你的控件和布局代码
MainWindow.setCentralWidget(self.centralwidget)
self.retranslateUi(MainWindow)
QtCore.QMetaObject.connectSlotsByName(MainWindow)
def retranslateUi(self, MainWindow):
_translate = QtCore.QCoreApplication.translate
MainWindow.setWindowTitle(_translate("MainWindow", "基于YOLOv10的玉米叶片病变检测系统"))
4. 主程序逻辑
在主程序中，我们将集成YOLOv10模型和PyQt5 UI。
main_program.py
import sys
import os
import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMainWindow, QFileDialog, QTableWidgetItem
from PyQt5.QtGui import QImage, QPixmap
from ui_main import Ui_MainWindow
import torch
from yolov5.models.experimental import attempt_load
from yolov5.utils.general import non_max_suppression, scale_coords
from yolov5.utils.torch_utils import select_device
class MainWindow(QMainWindow, Ui_MainWindow):
def __init__(self):
super().__init__()
self.setupUi(self)
self.device = select_device('')
self.model = attempt_load('best.pt', map_location=self.device) # 加载YOLOv10模型
self.init_slots()
def init_slots(self):
self.pushButton_select_image.clicked.connect(self.select_image)
self.pushButton_select_video.clicked.connect(self.select_video)
self.pushButton_camera.clicked.connect(self.open_camera)
def select_image(self):
file_name, _ = QFileDialog.getOpenFileName(self, '选择图片文件', '', 'Images (*.png *.xpm *.jpg)')
if file_name:
self.detect_image(file_name)
def detect_image(self, file_name):
img = cv2.imread(file_name)
img = letterbox(img, new_shape=640)[0]
img = img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416
img = np.ascontiguousarray(img)
img = torch.from_numpy(img).to(self.device)
img = img.float() / 255.0 # 0 - 255 to 0.0 - 1.0
if img.ndimension() == 3:
img = img.unsqueeze(0)
pred = self.model(img, augment=False)[0]
pred = non_max_suppression(pred, 0.25, 0.45, classes=None, agnostic=False)
for i, det in enumerate(pred): # detections per image
if len(det):
det[:, :4] = scale_coords(img.shape[2:], det[:, :4], img.shape).round()
for *xyxy, conf, cls in reversed(det):
label = f'{self.model.names[int(cls)]} {conf:.2f}'
plot_one_box(xyxy, img, label=label, color=(0, 255, 0), line_thickness=3)
qimg = QImage(img.data, img.shape[1], img.shape[0], QImage.Format_RGB888)
pixmap = QPixmap.fromImage(qimg)
self.label_result.setPixmap(pixmap)
def select_video(self):
pass # 实现视频检测逻辑
def open_camera(self):
pass # 实现摄像头实时检测逻辑
def letterbox(img, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True):
shape = img.shape[:2] # current shape [height, width]
if isinstance(new_shape, int):
new_shape = (new_shape, new_shape)
r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
if not scaleup: # only scale down, do not scale up (for better test mAP)
r = min(r, 1.0)
ratio = r, r # width, height ratios
new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding
dw /= 2 # divide padding into 2 sides
dh /= 2
if shape[::-1] != new_unpad: # resize
img = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR)
top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) # add border
return img, ratio, (dw, dh)
def plot_one_box(x, img, color=None, label=None, line_thickness=None):
tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1 # line thickness
c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))
cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA)
if label:
tf = max(tl - 1, 1) # font thickness
t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3
cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA) # filled
cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)
if __name__ == '__main__':
app = QApplication(sys.argv)
window = MainWindow()
window.show()
sys.exit(app.exec_())
注意事项
- YOLOv10模型：你需要根据你的需求选择合适的YOLOv10模型权重文件。
- UI设计：使用Qt Designer设计更复杂的UI，并将生成的代码整合到
ui_main.py中。 - 视频和摄像头检测：需要实现对应的逻辑来处理视频流和摄像头输入。
- 性能优化：在实际应用中，可能需要对代码进行进一步的优化，以提高处理速度和准确性。
这个示例代码提供了一个基本框架，同学可以在此基础上进行扩展和优化，以满足具体的应用需求。
以上代码及文字仅供参考，
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
