前言
葡萄簇目标检测系统能够自动检测葡萄园中的葡萄簇对象，这一技术的开发对现代农业尤为重要。它不仅能够提高葡萄园的管理效率，而且还可以提升果实质量、优化收成时机和方法，进而提高整体产量和降低生产成本。系统对于精确农业和数据驱动的作物管理是一大助力，同时有助于实现可持续发展的农业实践。
葡萄簇目标检测系统的应用场景有很多，例如：
产量预估：通过检测葡萄簇，系统可以帮助估计葡萄园的整体产量，从而做出更好的市场策略和资源分配。
病虫害检测：自动识别可能暗示病害或虫害的迹象，为防治措施提供实时数据支持。
自动化收获：在安装于自动化采摘机器或无人机上时，可以精确识别成熟葡萄簇，辅助或完全实现收获自动化。
成熟度评估：定期监测葡萄簇的生长状态，确定最佳采摘时机，以确保果实的品质。
精细化管理：详细记录葡萄生长情况，帮助农场主做出基于数据的灌溉、施肥等决策。
科研与教学：为葡萄生长研究提供照片资料，支持农业科研和教育工作。简单总结，葡萄簇目标检测系统的引入对于现代葡萄栽培具有显著意义，它不仅可以优化生产管理，降低人力成本，还能够通过精确监控提高葡萄产品的市场竞争力。此系统代表了信息技术在农业领域应用的积极趋势，有助于推动农业自动化和智能化的发展。
博主通过搜集实际葡萄园场景中的葡萄簇相关数据图片，根据YOLOv8的目标检测技术，基于python与Pyqt5开发了一款界面简洁的葡萄簇目标检测系统，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。
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. 可对实际图像中的葡萄簇对象进行检测;
2. 支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
3. 界面可实时显示目标位置、目标总数、置信度、用时等信息;
4. 支持图片或者视频的检测结果保存；
（1）图片检测演示
点击图片图标，选择需要检测的图片，或者点击文件夹图标，选择需要批量检测图片所在的文件夹，操作演示如下：
点击目标下拉框后，可以选定指定目标的结果信息进行显示。 点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
注：1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。
单个图片检测操作如下：
批量图片检测操作如下：
（2）视频检测演示
点击视频图标，打开选择需要检测的视频，就会自动显示检测结果。点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
（3）摄像头检测演示
点击摄像头图标，可以打开摄像头，可以实时进行检测，再次点击摄像头图标，可关闭摄像头。
（4）保存图片与视频检测结果
点击保存按钮后，会将当前选择的图片【含批量图片】或者视频的检测结果进行保存。检测的图片与视频结果会存储在save_data目录下。
二、模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一种前沿的目标检测技术，它基于先前YOLO版本在目标检测任务上的成功，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
本文使用的数据集实际葡萄园场景中拍摄的图片，并使用Labelimg标注工具对每张图片中的目标边框（Bounding Box）及类别进行标注。部分图像及标注如下图所示。：
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入GrapeData目录下。
同时我们需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。data.yaml的具体内容如下：
train: E:\MyCVProgram\GrapeDetection\datasets\GrapeData\train # train images (relative to 'path') 128 images val: E:\MyCVProgram\GrapeDetection\datasets\GrapeData\val # val images (relative to 'path') 128 images # number of classes nc: 1 # Classes names: ['Grape']
注：train与val后面表示需要训练图片的路径，建议直接写自己文件的绝对路径。
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.pt") # Use the model if __name__ == '__main__': # Use the model results = model.train(data='datasets/GrapeData/data.yaml', epochs=300, batch=4) # 训练模型 # 将模型转为onnx格式 # success = model.export(format='onnx')
3. 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在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），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：
各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
本文训练结果如下：
我们通常用PR曲线来体现精确率和召回率的关系，本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型4目标检测的mAP@0.5值为0.84，结果还是很不错的。
4. 检测结果识别
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/IMG_0209_0.jpg" # 加载预训练模型 # conf 0.25 object confidence threshold for detection # iou 0.7 intersection over union (IoU) threshold for NMS model = YOLO(path, task='detect') # model = YOLO(path, task='detect',conf=0.5) # 检测图片 results = model(img_path) res = results[0].plot() res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,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：
以上便是关于此款葡萄簇目标检测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、视频及摄像头进行检测，同时支持检测结果的保存。
