基于深度学习的花卉检测与识别系统：YOLOv5/v6/v7/v8/v10模型实现与UI界面集成

深度学习实战项目

于 2024-10-02 14:23:34 发布

阅读量835

点赞数 16

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

本文链接：https://blog.csdn.net/m0_52343631/article/details/142681151

版权

YOLOv10/v8/v7/v6/v5实战项目专栏收录该内容

60 篇文章 0 订阅

订阅专栏

随着计算机视觉技术的发展，基于深度学习的图像识别技术已经在多个领域取得了显著的进展。花卉的检测与识别作为应用广泛的任务，不仅在农业监测中发挥着重要作用，还能用于园艺、环境监测以及教育等多个领域。本文将详细介绍如何构建一个基于YOLO系列模型（如YOLOv5、YOLOv6、YOLOv7、YOLOv8和YOLOv10）的花卉检测与识别系统，涵盖从数据集准备到模型训练、UI界面设计及其实现的完整过程。

1. 系统概述

整个花卉检测与识别系统包括以下模块：

数据集准备与预处理
YOLO模型选择与训练
UI界面设计
花卉检测与识别实现
结果展示与评估

2. 数据集准备

2.1 数据集选择

为了训练一个有效的花卉检测与识别系统，我们需要一个包含多种花卉的图像数据集。以下是一些推荐的数据集：

Oxford Flowers 102：包含102种不同花卉的图像数据集，适合进行花卉分类和检测。
Flower Dataset：一个简单的花卉图像数据集，适合用于初学者练习。
Fossil Flowers：一个大型的花卉图像数据集，包括多种常见花卉。

2.2 数据集结构

我们需要将数据集组织为YOLO格式，目录结构如下：

dataset/
│
├── images/
│ ├── train/
│ ├── val/
│
└── labels/
├── train/
├── val/

每个图像文件应有一个对应的标签文件，标签文件格式如下：

<class_id> <x_center> <y_center> <width> <height>

2.3 data.yaml 文件

以下是一个示例 data.yaml 文件的内容，用于定义数据集的路径和类别信息：

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

nc: 5
names: ['daisy', 'dandelion', 'rose', 'sunflower', 'tulip']

这里的 nc 表示类别数量，names 列出了各个花卉的名称。

3. YOLO模型选择与训练

3.1 YOLO模型简介

YOLO（You Only Look Once）模型是一种高效的目标检测算法，其特点是可以在单个前向传播中完成目标检测。YOLO模型的多个版本（v5, v6, v7, v8, v10）具有不同的架构和性能特点，可以根据具体需求选择合适的模型。

3.2 环境配置

首先，我们需要安装YOLOv5及其相关依赖项。可以通过以下命令进行安装：

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

如果要使用YOLOv6、YOLOv7、YOLOv8或YOLOv10，也可以根据相应的GitHub仓库进行安装。

3.3 训练模型

训练YOLO模型的过程包括数据加载、模型初始化和训练循环。以下是训练YOLOv5模型的示例代码：

import subprocess

def train_yolov5(data_yaml_path, weights_path='yolov5s.pt', img_size=640, epochs=50, batch_size=16):
    command = [
        'python', 'train.py',
        '--img', str(img_size),
        '--batch', str(batch_size),
        '--epochs', str(epochs),
        '--data', data_yaml_path,
        '--cfg', 'models/yolov5.yaml',
        '--weights', weights_path
    ]
    subprocess.run(command)

# 训练YOLOv5
train_yolov5('data.yaml')

3.4 模型评估

在训练完成后，我们需要评估模型的性能。可以通过以下代码实现模型评估：

def evaluate_model(weights_path, data_yaml_path):
    command = [
        'python', 'val.py',
        '--weights', weights_path,
        '--data', data_yaml_path
    ]
    subprocess.run(command)

# 评估模型
evaluate_model('runs/train/exp/weights/best.pt', 'data.yaml')

4. UI界面设计

为了让用户方便地使用该系统，我们将使用PyQt5设计一个简单的UI界面。用户可以选择图像或视频文件，系统会实时检测花卉。

4.1 安装PyQt5

首先需要安装PyQt5库：

pip install PyQt5

4.2 UI界面代码

以下是创建UI界面的代码示例：

import sys
import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QWidget, QVBoxLayout, QPushButton, QLabel, QFileDialog
from PyQt5.QtGui import QPixmap, QImage
from PyQt5.QtCore import QTimer
from models.experimental import attempt_load
from utils.general import non_max_suppression

class FlowerRecognitionUI(QWidget):
    def __init__(self):
        super().__init__()
        self.initUI()
        self.video_capture = None

    def initUI(self):
        self.setWindowTitle('花卉检测与识别系统')
        layout = QVBoxLayout()

        self.label = QLabel(self)
        self.label.setText('请加载图像或视频文件')
        layout.addWidget(self.label)

        self.btn_load_file = QPushButton('加载文件', self)
        self.btn_load_file.clicked.connect(self.load_file)
        layout.addWidget(self.btn_load_file)

        self.setLayout(layout)

    def load_file(self):
        file_path, _ = QFileDialog.getOpenFileName(self, '选择文件', '', 'Images (*.png *.jpg *.jpeg);;Videos (*.mp4 *.avi)')
        if file_path:
            if file_path.endswith(('.mp4', '.avi')):
                self.start_video_detection(file_path)
            else:
                self.detect_image(file_path)

    def start_video_detection(self, video_path):
        self.video_capture = cv2.VideoCapture(video_path)
        timer = QTimer(self)
        timer.timeout.connect(self.process_frame)
        timer.start(30)

    def detect_image(self, image_path):
        image = cv2.imread(image_path)
        detections = self.run_detection(image)
        self.display_results(image, detections)

    def load_model(self):
        return attempt_load('runs/train/exp/weights/best.pt', map_location='cpu')

    def run_detection(self, img):
        model = self.load_model()
        results = model(img)
        detections = non_max_suppression(results, conf_thres=0.4)
        return detections

    def process_frame(self):
        if self.video_capture.isOpened():
            ret, frame = self.video_capture.read()
            if ret:
                detections = self.run_detection(frame)
                self.display_results(frame, detections)

    def display_results(self, image, detections):
        for det in detections:
            if det is not None:
                for *xyxy, conf, cls in reversed(det):
                    label = f'{int(cls)} {conf:.2f}'
                    cv2.rectangle(image, (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3])), (0, 255, 0), 2)
                    cv2.putText(image, label, (int(xyxy[0]), int(xyxy[1] - 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

        # 显示图像
        height, width, channel = image.shape
        bytes_per_line = 3 * width
        q_image = QImage(image.data, width, height, bytes_per_line, QImage.Format_RGB888)
        self.label.setPixmap(QPixmap.fromImage(q_image))

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

5. 花卉检测与识别实现

在上述代码中，我们使用YOLO模型来检测图像或视频中的花卉。在每一帧或每张图像中，我们调用 run_detection 函数进行检测，并使用 display_results 函数将检测结果绘制在图像上。

6. 结果展示与评估

6.1 实时检测结果

用户在UI界面中加载图像或视频后，系统将实时检测花卉。检测到的花卉将被框选并标记。

6.2 模型性能评估

通过在测试集上评估模型的精度、召回率和F1分数，我们可以判断模型的性能。

# 计算准确率、召回率和F1分数
from sklearn.metrics import precision_score, recall_score, f1_score

def evaluate_predictions(y_true, y_pred):
    precision = precision_score(y_true, y_pred, average='weighted')
    recall = recall_score(y_true, y_pred, average='weighted')
    f1 = f1_score(y_true, y_pred, average='weighted')
    return precision, recall, f1