《博主简介》
小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！
《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
《------正文------》
基本功能演示
摘要：
花卉智能识别系统可以准确识别102种不同的花卉类别。这项技术极大地简化了花卉识别的过程，提高了识别速度和准确性。此外，该系统也有助于促进花卉数据的收集和分析，在植物学教育和保护生物多样性方面发挥着关键作用。本文基于YOLOv8深度学习框架，通过8189张图片，训练了一个进行花卉的识别模型,可用于识别102种不同的花卉类型,准曲率高达97%。并基于此模型开发了一款带UI界面的花卉智能识别系统，可用于实时识别场景中的花卉类别，更方便进行功能的展示。该系统是基于python与PyQT5开发的，支持图片、批量图片、视频以及摄像头进行识别检测。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。
文章目录
前言
花卉智能识别系统基于强大的YOLOv8算法，可以准确识别102种不同的花卉类别。这项技术的发展对于园艺学、生态研究以及花卉爱好者而言都十分重要，它极大地简化了花卉识别的过程，提高了识别速度和准确性。此外，该系统也有助于促进花卉数据的收集和分析，在植物学教育和保护生物多样性方面发挥着关键作用。
花卉智能识别系统的
应用场景主要包括：
园艺管理：园林工作者可以使用该系统快速识别园内花卉，高效管理园艺资源，促进植物健康和园林美化。
植物学研究：研究人员通过系统识别花卉品种，加快研究进展，减少人为识别错误，并有助于收集更多的种植分布数据。
生态环境监测：环境保护人员可以使用该系统对自然环境中的花卉进行监测和记录，有助于评估生态系统的多样性。
教育与科普：在教学活动中，该系统可以作为一个互动工具帮助学生和公众认识和学习不同的花卉，提高生物学知识普及。
植物园和博览会：为游客提供即时的植物信息查询服务，增强参观互动体验。
个人使用：花卉爱好者使用该系统可更深入地了解周围的花卉类型，培养植物兴趣。
总结而言，花卉智能识别系统的开发不仅能够推动园艺学的现代化，提供强有力的植物学研究工具，还能够在普及植物知识、生态环境保护等方面发挥显著作用。通过智能化的花卉识别，人们可以更加方便快捷地与自然世界互动，并享受园艺带来的乐趣。这一系统进一步证明了人工智能技术在日常生活中的广泛应用潜力和价值。
博主通过搜集不同花卉的相关数据图片并整理，根据YOLOv8的深度学习技术训练识别模型，并基于python与Pyqt5开发了一款界面简洁的102种花卉智能识别系统，可支持图片、批量图片、视频以及摄像头检测。
软件初始界面如下图所示：
检测结果界面如下：
一、软件核心功能介绍及效果演示
软件主要功能
1. 可进行102种不同花卉的识别;
2. 支持图片、批量图片、视频以及摄像头检测；
3. 界面可实时显示识别结果、置信度、用时等信息;
（1）图片检测演示
单个图片检测操作如下：
点击打开图片按钮，选择需要检测的图片，就会显示检测结果。操作演示如下：
批量图片检测操作如下：
点击打开文件夹按钮，选择需要检测的文件夹【注意是选择文件夹】，可进行批量图片检测，表格中会有所有图片的检测结果信息，点击表格中的指定行，会显示指定行图片的检测结果，双击路径单元格，会看到图片的完整路径。操作演示如下：
（2）视频检测演示
点击打开视频按钮，打开选择需要检测的视频，就会自动显示检测结果。
（3）摄像头检测演示
点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击摄像头按钮，可关闭摄像头。
二、模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一种前沿的检测与识别技术，它基于先前YOLO版本在目标检测与识别任务上的成功，进一步提升了性能和灵活性。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。
其主要网络结构如下：
2. 数据集准备与训练
本文使用的花卉数据集共包含8189张图片，分为102个花卉类别。部分数据集及类别信息如下：
图片数据集的存放格式如下，在项目目录中新建datasets目录，同时将分类的图片分为训练集与验证集放入Data目录下。
3.模型训练
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小【根据内存大小调整，最小为1】，代码如下：
#coding:utf-8
from ultralytics import YOLO
# 加载预训练模型
model = YOLO("yolov8n-cls.pt")
if __name__ == '__main__':
model.train(data='datasets/Data', epochs=300, batch=4)
# results = model.val()
4. 训练结果评估
在深度学习中，我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：
本文训练结果如下：
通过accuracy_top1图片准确率曲线图我们可以发现，该模型的最高准确率约为0.97，结果还是很不错的。
5. 利用模型进行推理
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/trian/weights目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下：
#coding:utf-8
from ultralytics import YOLO
import cv2
# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/image_02004.jpg"
# 加载模型
model = YOLO(path, task='classify')
# 检测图片
results = model(img_path)
print(results)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=0.3,fy=0.3,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)
执行上述代码后，会将执行的结果直接标注在图片上，结果如下：
以上便是关于此款花卉智能识别系统的原理与代码介绍。基于此模型，博主用python与Pyqt5开发了一个带界面的软件系统，即文中第二部分的演示内容，能够很好的支持图片、批量图片、视频及摄像头进行检测。
关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件，均已打包上传，感兴趣的小伙伴可以通过下载链接自行获取。
【获取方式】
本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见文末：
注意：该代码基于Python3.9开发，运行界面的主程序为
MainProgram.py，其他测试脚本说明见上图。为确保程序顺利运行，请按照程序运行说明文档txt配置软件运行所需环境，【包含环境配置说明文档和一键环境配置脚本文件】。
结束语
以上便是博主开发的基于YOLOv8深度学习的102种花卉智能识别系统的全部内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
觉得不错的小伙伴，感谢点赞、关注加收藏哦！
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
