基于YOLOv8的农业虫害检测102 类农业害虫识别项目|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!

简介: 本项目基于YOLOv8打造农业虫害识别系统,支持102类常见农业虫害检测。提供2万张带标注数据集、预训练权重及PyQt5图形界面,实现图片、视频、摄像头等多种输入方式的开箱即用体验。附完整训练与部署教程,适合农业科研与智能监测场景。

基于YOLOv8的农业虫害检测102 类农业害虫识别项目|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!

源码包含:完整YOLOv8训练代码+2万张数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程。源码打包在文末。

基本功能演示

哔哩哔哩:https://www.bilibili.com/video/BV1ux7rzbEqw

项目摘要

本项目构建了一个 基于YOLOv8的农业虫害识别系统,集成了完整的虫害识别训练流程与部署方案,特别适用于农业领域智能监测、农业科研、病虫害预警等实际应用场景。

  • ✅ 支持 102 类常见农业虫害识别
  • ✅ 提供 2 万张带标注图像数据集
  • ✅ 自定义训练的 YOLOv8 模型权重
  • 图形化界面(PyQt5),零基础用户友好
  • ✅ 多输入支持:图片 / 文件夹 / 视频 / 摄像头
  • ✅ 提供完整训练教程 + 部署教程

源码打包在文末。

前言

在传统农业生产中,虫害识别依赖于人工观察和专业知识,这不仅效率低、误差高,而且在大规模农田中难以实时掌控。随着人工智能与计算机视觉技术的快速发展,利用目标检测算法进行自动化虫害识别成为提升农业智能化水平的关键路径。

本项目基于当前最先进的目标检测模型 YOLOv8(You Only Look Once, version 8),结合实地采集的 超2万张带标注虫害图像数据集,训练出高精度识别模型,并通过 PyQt5构建可视化操作界面,使得非技术人员也能便捷部署虫害识别系统,真正实现“开箱即用、所见即所得”的目标。

一、软件核心功能介绍及效果演示

本系统基于 YOLOv8 目标检测模型,结合 PyQt5 构建的图形用户界面,具备完善的虫害检测与管理能力,支持图像、视频、摄像头等多源输入形式,操作简单,部署灵活。

多种检测输入方式

输入类型 功能描述 说明
单张图片检测 选取本地任意图片进行检测,输出虫害识别结果 支持 .jpg/.png 等常见格式
文件夹批量检测 批量导入整文件夹图片,逐张自动检测并批量保存结果 自动跳过非图像文件
视频检测 加载本地 .mp4/.avi 视频流并进行逐帧检测处理 支持保存处理后的视频结果
摄像头实时检测 接入本地摄像头(或USB外接摄像头)进行连续图像识别 支持边检测边保存

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力,我们设计了多种操作场景,涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

(1)单图片检测演示

用户点击“选择图片”,即可加载本地图像并执行检测:

image-20250601162138995


(2)多文件夹图片检测演示

用户可选择包含多张图像的文件夹,系统会批量检测并生成结果图。

image-20250601162450816


(3)视频检测演示

支持上传视频文件,系统会逐帧处理并生成目标检测结果,可选保存输出视频:

image-20250601162910166


(4)摄像头检测演示

实时检测是系统中的核心应用之一,系统可直接调用摄像头进行检测。由于原理和视频检测相同,就不重复演示了。

image-20250601162511764


(5)保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果,所有检测图像自动加框标注并保存至指定文件夹,支持后续数据分析与复审。

image-20250601162539408

三、模型的训练、评估与推理

YOLOv8是Ultralytics公司发布的新一代目标检测模型,采用更轻量的架构、更先进的损失函数(如CIoU、TaskAlignedAssigner)与Anchor-Free策略,在COCO等数据集上表现优异。
其核心优势如下:

  • 高速推理,适合实时检测任务
  • 支持Anchor-Free检测
  • 支持可扩展的Backbone和Neck结构
  • 原生支持ONNX导出与部署

3.1 YOLOv8的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型,具备如下优势:

  • 速度快:推理速度提升明显;
  • 准确率高:支持 Anchor-Free 架构;
  • 支持分类/检测/分割/姿态多任务
  • 本项目使用 YOLOv8 的 Detection 分支,训练时每类表情均标注为独立目标。

YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布,在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上,YOLOv8 引入了新的功能和优化,使其成为广泛应用中各种物体检测任务的理想选择。

image-20250526165954475

YOLOv8原理图如下:

image-20250526170118103

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下:

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

每张图像有对应的 .txt 文件,内容格式为:

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括(可自定义):虫害检测102类

names:
  0: rice_leaf_roller
  1: rice_leaf_caterpillar
  2: paddy_stem_maggot
  3: asiatic_rice_borer
  4: yellow_rice_borer
  5: rice_gall_midge
  6: Rice_Stemfly
  7: brown_plant_hopper
  8: white_backed_plant_hopper
  9: small_brown_plant_hopper
  10: rice_water_weevil
  11: rice_leafhopper
  12: grain_spreader_thrips
  13: rice_shell_pest
  14: grub
  15: mole_cricket
  16: wireworm
  17: white_margined_moth
  18: black_cutworm
  19: large_cutworm
  20: yellow_cutworm
  21: red_spider
  22: corn_borer
  23: army_worm
  24: aphids
  25: Potosiabre_vitarsis
  26: peach_borer
  27: english_grain_aphid
  28: green_bug
  29: bird_cherry-oataphid
  30: wheat_blossom_midge
  31: penthaleus_major
  32: longlegged_spider_mite
  33: wheat_phloeothrips
  34: wheat_sawfly
  35: cerodonta_denticornis
  36: beet_fly
  37: flea_beetle
  38: cabbage_army_worm
  39: beet_army_worm
  40: Beet_spot_flies
  41: meadow_moth
  42: beet_weevil
  43: sericaorient_alismots_chulsky
  44: alfalfa_weevil
  45: flax_budworm
  46: alfalfa_plant_bug
  47: tarnished_plant_bug
  48: Locustoidea
  49: lytta_polita
  50: legume_blister_beetle
  51: blister_beetle
  52: therioaphis_maculata_Buckton
  53: odontothrips_loti
  54: Thrips
  55: alfalfa_seed_chalcid
  56: Pieris_canidia
  57: Apolygus_lucorum
  58: Limacodidae
  59: Viteus_vitifoliae
  60: Colomerus_vitis
  61: Brevipoalpus_lewisi_McGregor
  62: oides_decempunctata
  63: Polyphagotars_onemus_latus
  64: Pseudococcus_comstocki_Kuwana
  65: parathrene_regalis
  66: Ampelophaga
  67: Lycorma_delicatula
  68: Xylotrechus
  69: Cicadella_viridis
  70: Miridae
  71: Trialeurodes_vaporariorum
  72: Erythroneura_apicalis
  73: Papilio_xuthus
  74: Panonchus_citri_McGregor
  75: Phyllocoptes_oleiverus_ashmead
  76: Icerya_purchasi_Maskell
  77: Unaspis_yanonensis
  78: Ceroplastes_rubens
  79: Chrysomphalus_aonidum
  80: Parlatoria_zizyphus_Lucus
  81: Nipaecoccus_vastalor
  82: Aleurocanthus_spiniferus
  83: Tetradacus_c_Bactrocera_minax
  84: Dacus_dorsalis(Hendel)
  85: Bactrocera_tsuneonis
  86: Prodenia_litura
  87: Adristyrannus
  88: Phyllocnistis_citrella_Stainton
  89: Toxoptera_citricidus
  90: Toxoptera_aurantii
  91: Aphis_citricola_Vander_Goot
  92: Scirtothrips_dorsalis_Hood
  93: Dasineura_sp
  94: Lawana_imitata_Melichar
  95: Salurnis_marginella_Guerr
  96: Deporaus_marginatus_Pascoe
  97: Chlumetia_transversa
  98: Mango_flat_beak_leafhopper
  99: Rhytidodera_bowrinii_white
  100: Sternochetus_frigidus
  101: Cicadellidae

3.3. 训练结果评估

训练完成后,将在 runs/detect/train 目录生成结果文件,包括:

  • results.png:损失曲线和 mAP 曲线;
  • weights/best.pt:最佳模型权重;
  • confusion_matrix.png:混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上,即可用于部署。

在深度学习领域,我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中,主要包含三种损失:定位损失(box_loss)、分类损失(cls_loss)和动态特征损失(dfl_loss)。训练完成后,相关的训练记录和结果文件会保存在runs/目录下,具体内容如下:

image-20250601161752686

3.4检测结果识别

使用 PyTorch 推理接口加载模型:

import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel

# 加入可信模型结构
safe_globals().add(DetectionModel)

# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)

# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name

# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

result_IP000000107

四.YOLOV8+YOLOUI完整源码打包

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【4.2 完整源码下载】:

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重,读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集,或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码下载

可至项目实录视频下方获取:https://www.bilibili.com/video/BV1ux7rzbEqw

包含:

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址(含标注脚本)

总结

本项目以 YOLOv8 为核心,构建了一个功能完备、界面友好的农业虫害识别系统。其亮点在于:

  • 提供 完整的 102 类农业虫害识别支持,涵盖大部分常见农作物虫害;
  • 集成 2 万张高质量标注图像数据集,显著提升模型精度;
  • 实现了 从训练到部署的一体化流程,并通过 PyQt5 打造出适合非技术用户的图形界面;
  • 支持多种输入方式(图片、文件夹、视频、摄像头),满足不同实际应用场景;
  • 附带完整教程和权重,真正做到开箱即用、精准高效

本系统特别适用于农业科研、病虫害自动预警、智慧农业平台集成等场景,是将人工智能技术应用于传统农业生产的优秀范例。未来,系统还可结合边缘设备、无人机、5G 网络等新技术,持续拓展其在智能农业领域的边界与价值。

相关文章
|
2月前
|
机器学习/深度学习 编解码 人工智能
102类农业害虫数据集(20000张图片已划分、已标注)|适用于YOLO系列深度学习分类检测任务【数据集分享】
在现代农业发展中,病虫害监测与防治 始终是保障粮食安全和提高农作物产量的关键环节。传统的害虫识别主要依赖人工观察与统计,不仅效率低下,而且容易受到主观经验、环境条件等因素的影响,导致识别准确率不足。
websocket封装带心跳和重连机制(vue3+ts+vite)
websocket封装带心跳和重连机制(vue3+ts+vite)
2065 0
|
域名解析 Linux
百度搜索:蓝易云【非常有用的Linux网络诊断命令:traceroute详细使用教程!】
通过上述步骤,你可以使用traceroute命令在Linux系统中进行网络诊断和路径追踪。这对于定位网络连接问题、识别网络瓶颈和排查延迟问题非常有用。记住,具体的输出结果可能因网络拓扑和目标主机的配置而有所不同。
331 0
百度搜索:蓝易云【非常有用的Linux网络诊断命令:traceroute详细使用教程!】
|
安全 Linux 网络安全
上手Linux:禁用 root 用户,修改22端口,使用 ssh 登录
本文介绍了在 linux 系统中,如何禁用 root 用户登录,修改默认的 22 端口号,以及设置只能使用 SSH 秘钥登录的方式,从而在一定程度上提高了系统的安全性。
1794 0
|
消息中间件 存储 负载均衡
|
12月前
|
机器学习/深度学习 PyTorch 算法框架/工具
深度学习之格式转换笔记(一):模型文件pt转onnx转tensorrt格式实操成功
关于如何将深度学习模型从PyTorch的.pt格式转换为ONNX格式,然后再转换为TensorRT格式的实操指南。
1738 0
深度学习之格式转换笔记(一):模型文件pt转onnx转tensorrt格式实操成功
|
12月前
|
JavaScript 前端开发
|
网络协议 物联网 测试技术
App Inventor 2 MQTT拓展入门(保姆级教程)
本文演示的是App和一个测试客户端进行消息交互的案例,实际应用中,我们的测试客户端可以看着是任意的、支持MQTT协议的硬件,通过订阅及发布消息,联网硬件与我们的App进行双向数据通信,以实现万物互联的智能控制效果。
764 2
|
9月前
|
人工智能 自然语言处理 API
大模型编程(3)让 AI 帮我调接口
这是大模型编程系列第三篇,分享学习某云大模型工程师ACA认证免费课程的笔记。本文通过订机票和查天气的例子,介绍了如何利用大模型API实现函数调用,解决实际业务需求。课程内容详实,推荐感兴趣的朋友点击底部链接查看原文,完全免费。通过这种方式,AI可以主动调用接口并返回结果,极大简化了开发流程。欢迎在评论区交流实现思路。
940 1
|
块存储
ceph-deploy部署ceph分部署集群
这篇博客详细介绍了如何使用ceph-deploy工具部署Ceph集群,包括环境准备、配置hosts、免密登录、时间同步、添加块设备、部署mon、mgr组件以及初始化OSD节点的步骤,并提供了在部署过程中可能遇到的问题和解决方案。
986 4