基于深度学习的草莓成熟度检测系统：YOLOv5/v6/v7/v8/v10模型实现与UI界面集成、数据集

深度学习实战项目

已于 2024-09-30 23:33:43 修改

阅读量385

点赞数 10

分类专栏： YOLOv10/v8/v7/v6/v5实战项目文章标签：深度学习 YOLO ui python 人工智能计算机视觉

于 2024-09-30 23:33:14 首次发布

本文链接：https://blog.csdn.net/m0_52343631/article/details/142665433

版权

YOLOv10/v8/v7/v6/v5实战项目专栏收录该内容

15 篇文章 0 订阅

订阅专栏

引言

随着农业现代化的快速发展，深度学习技术在农作物成熟度检测中的应用越来越广泛。本文将详细介绍如何构建一个基于YOLO（You Only Look Once）系列模型（如YOLOv5、YOLOv6、YOLOv7、YOLOv8和YOLOv10）的草莓成熟度检测系统。系统的构建包括数据集的准备、模型的训练、用户界面的实现，以及相关的代码和YAML配置文件。

1. 系统架构

本系统的架构主要包括以下几个部分：

数据集准备：收集和标注草莓成熟度数据集。
模型训练：使用YOLO系列模型进行训练和测试。
界面设计：实现用户交互界面，用于实时检测和结果展示。
后处理与结果展示：对检测结果进行后处理，优化展示效果。

2. 数据集准备

2.1 数据收集

数据集的收集是成功实现成熟度检测的基础。我们可以通过以下方式获取草莓图像：

拍摄：在草莓种植园拍摄各种成熟度的草莓（未成熟、成熟、过熟）。
公开数据集：在Kaggle等平台查找是否有相关的草莓成熟度数据集。

2.2 数据标注

数据标注是深度学习项目中至关重要的一步。我们可以使用标注工具（如LabelImg）对图像进行标注，将草莓分为不同的成熟度类别。

标签示例：
- 0：未成熟
- 1：成熟
- 2：过熟

使用LabelImg标注后，导出为YOLO格式的标注文件。每个图像对应一个TXT文件，包含目标类别及其在图像中的位置（相对坐标）。

2.3 数据集结构

确保数据集文件夹结构如下：

dataset/
├── images/
│   ├── train/
│   ├── val/
├── labels/
│   ├── train/
│   ├── val/
└── data.yaml

2.4 创建YAML文件

data.yaml 文件的示例内容如下：

train: dataset/images/train
val: dataset/images/val

nc: 3
names: ['未成熟', '成熟', '过熟']

3. 模型训练

3.1 环境准备

在开始模型训练之前，我们需要安装相关的库。可以使用以下命令来安装YOLOv5的依赖项：

git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt

3.2 开始训练

使用以下命令启动模型训练，指定配置文件和超参数：

python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov5s.pt

--img：输入图像的尺寸。
--batch：批处理大小。
--epochs：训练的轮数。
--data：数据集的配置文件。
--weights：预训练权重文件。

3.3 模型评估

训练完成后，可以使用以下命令对模型进行评估：

python val.py --weights runs/train/exp/weights/best.pt --data data.yaml --img 640

4. UI 界面设计

为了实现一个用户友好的界面，可以使用 Tkinter 或 PyQt 来创建图形用户界面（GUI）。

4.1 UI 基础框架

以下是使用 Tkinter 创建基本窗口的代码示例：

import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageTk
import cv2
import torch

class StrawberryMaturityApp:
    def __init__(self, master):
        self.master = master
        self.master.title("草莓成熟度检测系统")
        self.master.geometry("800x600")

        self.canvas = tk.Canvas(self.master, bg="white")
        self.canvas.pack(fill=tk.BOTH, expand=True)

        self.load_button = tk.Button(self.master, text="加载图片", command=self.load_image)
        self.load_button.pack()

        self.detect_button = tk.Button(self.master, text="检测成熟度", command=self.detect_maturity)
        self.detect_button.pack()

        self.image_label = tk.Label(self.master)
        self.image_label.pack()

    def load_image(self):
        file_path = filedialog.askopenfilename()
        self.image = Image.open(file_path)
        self.image.thumbnail((400, 400))
        self.photo = ImageTk.PhotoImage(self.image)
        self.image_label.config(image=self.photo)

    def detect_maturity(self):
        # 模型加载和检测逻辑
        model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt')
        results = model(self.image)
        results.show()

if __name__ == "__main__":
    root = tk.Tk()
    app = StrawberryMaturityApp(root)
    root.mainloop()

5. 后处理与结果展示

模型的输出将包含预测的边界框及对应的类别。我们需要对输出结果进行后处理，以在界面上展示。

5.1 结果解析

模型输出包含的主要信息：

results.xyxy[0]：包含检测到的物体的边界框坐标（x1, y1, x2, y2）、置信度和类别。

5.2 结果展示代码示例

在 detect_maturity 方法中添加结果解析和展示逻辑：

def detect_maturity(self):
    model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt')
    results = model(self.image)

    # 解析结果
    boxes = results.xyxy[0].numpy()  # 转换为numpy数组
    for box in boxes:
        x1, y1, x2, y2, conf, cls = box
        label = f"{results.names[int(cls)]} {conf:.2f}"
        cv2.rectangle(self.image, (int(x1), int(y1)), (int(x2), int(y2)), (255, 0, 0), 2)
        cv2.putText(self.image, label, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

    self.photo = ImageTk.PhotoImage(self.image)
    self.image_label.config(image=self.photo)

6. 代码总结

通过本文的介绍，我们建立了一个完整的草莓成熟度检测系统，包含数据集的准备、YOLO模型的训练、用户界面的设计和结果的展示。整个项目的代码结构如下：

strawberry_maturity_detection/
├── dataset/
│   ├── images/
│   ├── labels/
│   └── data.yaml
├── yolov5/
│   ├── train.py
│   ├── val.py
│   └── ... (YOLOv5相关文件)
├── app.py  # UI和检测逻辑
└── requirements.txt  # 依赖库列表