基于YOLOv8的小麦田间病害识别项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

项目摘要

小麦作为全球最重要的粮食作物之一，其病害的早期发现与精准防治直接关系到粮食安全与农业可持续发展。传统的小麦病害监测主要依赖人工巡田与经验判断，不仅效率低、覆盖范围有限，而且在病害初期阶段极易出现漏检与误判，难以满足现代规模化农业对精准监管的需求。

本项目基于 YOLOv8 目标检测模型，构建了一套 小麦田间病害智能识别系统，面向真实农业生产环境，实现对 大麦黄矮病（BarleyYellowDwarf）、叶锈病（LeafRust）、白粉病（PowderyMildew） 以及 健康叶片（Healthy） 四类目标的自动检测与定位识别。系统支持图片、文件夹、视频及实时摄像头等多种输入方式，并集成 PyQt5 图形化界面，实现检测过程与结果的可视化展示。

项目提供 完整可运行源码、标准化标注数据集、模型权重文件以及详细的训练与部署教程，可实现从数据集构建、模型训练到实际应用落地的完整闭环，适用于智慧农业、病害监测研究、课程设计与毕业设计等多种应用场景。

前言

在农业数字化与智能化持续推进的背景下，基于计算机视觉的作物病害识别技术正逐步成为精准农业的重要技术支撑。尤其在小麦种植过程中，病害类型多样、发生区域分散、受气候与环境因素影响显著，给传统监测方式带来了较大挑战。

以 大麦黄矮病 和 白粉病 为代表的病害，在发病初期症状往往较为隐蔽：叶片仅出现轻微褪绿或局部粉状斑点，极易与健康叶片混淆；而 叶锈病 在复杂光照与背景条件下，其颜色与纹理特征也可能受到干扰。这些因素都对病害识别模型的鲁棒性与泛化能力提出了更高要求。

YOLOv8 作为新一代目标检测模型，在检测精度、推理速度与工程可部署性方面表现突出，特别适合无人机巡检、田间监控等实时或准实时农业应用场景。本项目围绕真实小麦田间环境，结合多气候、多地貌条件下采集的数据，构建了一套贴近实际生产需求的小麦病害智能识别系统，为农业病害的自动化监测与科学防治提供技术参考。

一、软件核心功能介绍及效果演示

1. 多类别小麦病害精准检测

系统基于 YOLOv8 模型，对小麦叶片病害进行端到端目标检测，支持以下四类目标的自动识别与定位：

• BarleyYellowDwarf（大麦黄矮病）
• LeafRust（叶锈病）
• PowderyMildew（白粉病）
• Healthy（健康叶片）

检测结果以边界框形式叠加在原始图像或视频画面上，并同步显示类别名称与置信度，便于直观判断病害类型与分布情况。

2. 多输入源病害检测模式

系统支持多种常见数据输入方式，适配不同农业应用场景：

• 单张图片检测：用于病害样本分析与模型效果验证
• 图片文件夹批量检测：适用于无人机巡检数据的离线分析
• 视频文件检测：模拟连续巡田与病害演化过程
• 实时摄像头检测：支持固定监控或移动采集设备实时识别

用户可通过图形界面快速切换检测模式，无需手动修改代码或参数。

3. PyQt5 可视化图形界面

为提升系统的可用性与演示效果，项目基于 PyQt5 构建了完整的桌面端 GUI，主要功能包括：

• 模型权重加载与切换
• 输入源选择与检测控制
• 实时病害检测结果显示
• 运行状态与日志信息反馈

即使不具备深度学习背景的农业技术人员，也可通过图形界面完成病害识别与结果查看。

4. 完整训练流程与工程复现能力

项目提供从数据集到模型部署的完整训练与推理流程，包括：

• 标准 YOLO 格式的小麦病害数据集（images / labels）
• 类别配置文件与训练参数示例
• YOLOv8 模型训练、验证与测试脚本
• 训练权重文件与推理程序

用户可基于现有数据集进行二次训练，或扩展新的病害类别与作物类型，具备良好的工程扩展性。

5. 实际应用效果说明

在多气候、多场景的小麦田间图像中，系统能够稳定识别不同病害类型及其空间分布情况，对病害早期特征具备较好的敏感性，可为农业管理部门制定防治方案、规划施药区域提供直观的数据支持，推动病害监管从人工巡查向智能化、规模化监测转变。

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：https://www.bilibili.com/video/BV1rArjBSEKA/

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

本文围绕 基于 YOLOv8 的小麦田间病害识别系统，从数据集构建、模型选型到系统集成与应用效果进行了系统性介绍。项目以真实田间环境与无人机巡检场景为背景，针对 大麦黄矮病、叶锈病、白粉病及健康叶片 四类目标，实现了病害的自动检测与精准定位，有效提升了小麦病害监测的效率与覆盖范围。

在工程实现层面，项目不仅关注模型识别精度与推理速度，同时注重系统的可复现性与实用性，完整提供了标准化数据集、YOLOv8 训练流程、模型权重以及基于 PyQt5 的可视化检测界面，降低了农业智能识别系统的使用与部署门槛。通过多输入源检测模式，系统能够适配不同规模与不同作业方式的农业监测需求。

总体而言，该项目为小麦病害从传统人工巡查向智能化、规模化监测转型提供了可落地的技术方案。未来可在此基础上进一步拓展病害严重程度分级、多时序变化分析、无人机集群协同巡检以及与农业管理平台的数据对接，为智慧农业与精准防治提供更完善的技术支撑。