基于YOLOv8的番茄叶片病害识别系统｜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+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
源码在文末哔哩哔哩视频简介处获取。
基本功能演示
支持 图片检测、视频检测、实时摄像头检测
支持 界面一键加载模型与快速预测
支持 目标框 + 类别名称 + 置信度可视化显示
支持 批量检测并自动保存检测结果
支持 模型自定义替换与快速重新训练
项目摘要
本项目针对番茄叶片常见病害难以人工快速识别的问题，构建了一个基于 YOLOv8 的智能病害识别系统。系统利用深度学习模型对叶片图像进行检测与分类，可自动分辨细菌、真菌、病毒引起的多种病害类型，并支持实时检测与可视化展示。通过结合 PyQt5 图形化界面，系统可直接作为农业大棚监测、农技人员巡检、科研教学示范等场景的 开箱即用智能工具。
基于YOLOv8的番茄叶片病害识别系统，可检测下面10种疾病
'番茄细菌性斑点病',
'番茄早疫病',
'番茄晚疫病',
'番茄叶霉病',
'番茄褐斑病',
'番茄红蜘蛛（双斑叶螨）',
'番茄靶斑病',
'番茄黄化卷叶病毒病',
'健康番茄',
'番茄花叶病毒病'
前言
番茄是全球重要的经济作物之一，但其叶片病害类型多、病原复杂、症状相似，传统依赖人工诊断经验，存在 效率低、识别难、延误最佳防治时机 等问题。随着深度学习的发展，基于图像的病害识别技术已经能够达到稳定高效的识别精度。
本项目基于 YOLOv8 目标检测模型，在 带标签叶片图像 上进行了系统训练与优化，并结合 PyQt5 实现了界面化部署，使得 非 AI 技术人员也可直接使用，在农业生产中具有较高落地价值。
一、软件核心功能介绍及效果演示
| 功能模块 | 描述 |
|---|---|
| 病害自动检测 | 支持对番茄叶片图像进行多类别病害识别，并输出目标框和类别标签 |
| 实时视频/摄像头识别 | 支持 USB 摄像头、工控机相机或本地视频流实时识别 |
| 批量图片检测 | 支持选择文件夹一键处理并保存结果 |
| PyQt5 图形界面 | 支持无需命令行，用户可直接操作 |
| 模型可替换 / 可再训练 | 支持更换权重、重新训练、自定义数据扩展 |
| 自动保存结果 | 检测标注框、预测数据与结果图自动保存 |
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：
（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。
（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：
（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。
（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。
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。
YOLOv8原理图如下：
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）：
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：
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。
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
至项目实录视频下方获取：
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
本项目基于 YOLOv8 模型构建了一个 可直接落地使用的番茄叶片病害智能识别系统。通过对大规模番茄病害图像进行标注与训练，系统能够精准识别包括细菌、真菌、病毒等在内的多种典型叶片病害类型，并支持 图片、视频、摄像头实时检测与批量处理。同时，结合 PyQt5 图形化界面实现了真正的 “零代码上手”，即使没有深度学习经验的农业从业者、农技人员或科研人员也能轻松部署与使用。
相比传统人工巡检方式，本系统在 识别效率、准确性、可扩展性与自动化能力 方面都具有明显优势，能够有效减少误诊漏诊、提升病害防治时效，有助于农业生产过程向 智能化、精准化、现代化 方向发展。未来，本系统可进一步拓展到更多作物病害场景，或结合无人机、智能大棚等设备实现自动化监控，为数字农业提供更加完整的智能解决方案。
