基于YOLOv8深度学习的智能草莓病害检测与分割系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测、目标分割（2）

基于YOLOv8深度学习的智能草莓病害检测与分割系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测、目标分割（1）https://developer.aliyun.com/article/1536736

二、目标分割模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一种前沿的目标检测分割技术，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

通过网络上搜集关于草莓病害相关图片，并使用Labelimg标注工具对每张图片中的分割结果及类别进行标注。一共包含2500张图片，其中训练集包含1450张图片，验证集包含307张图片，测试集包含743张图片部分图像及标注如下图所示。

数据集的各类别具体分布如下所示：

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、验证集、测试集放入Data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\3SegProgram\StrawberryDiseaseSeg\datasets\Data\train
val: E:\MyCVProgram\3SegProgram\StrawberryDiseaseSeg\datasets\Data\val
test: E:\MyCVProgram\3SegProgram\StrawberryDiseaseSeg\datasets\Data\test
nc: 7
names: ["Angular Leafspot", "Anthracnose Fruit Rot", 'Blossom Blight', 'Gray Mold', 'Leaf Spot', 'Powdery Mildew Fruit', 'Powdery Mildew Leaf']

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yolov8预训练模型
model = YOLO("yolov8n-seg.pt")
# Use the model
if __name__ == '__main__':
    # Use the model
    results = model.train(data='datasets/Data/data.yaml', epochs=250, 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)、动态特征损失（dfl_loss）以及分割损失（seg_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。

分割损失（seg_loss）：预测的分割结果与标定分割之前的误差，越小分割的越准确；

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。

定位结果的PR曲线如下：

分割结果的PR曲线如下：

从上面图片曲线结果可以看到：定位的平均精度为0.932，分割的平均精度为0.925，结果还是很不错的。

4. 模型推理

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：

# 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/angular_leafspot2.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='segment')
# model = YOLO(path, task='segment',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：

以上便是关于此款草莓病害检测与分割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。