智慧农业 水稻害虫检测数据集 基于深度学习结合 深度学习模型（YOLOv11） 和 图形用户界面（GUI） 两部分来实现。 PyQt5

智慧化农业-水稻害虫目标检测数据集3156张yolo和voc两种标注方式10类标注数量Asiatic Rice Borer: 亚洲稻螟 (716)Brown Plant Hopper: 褐飞虱 (577)Paddy Stem Maggot: 稻茎虫 (104)Rice Gall Midge: 稻瘿蚊 (223)Rice Leaf Caterpillar: 稻叶螟 (187)Rice Leaf Hopper: 稻叶蝉 (294)Rice Leaf Roller: 稻叶卷虫 (930)Rice Water Weevil: 稻水象甲 (492)Small Brown Plant Hopper: 小褐飞虱 (317)Yellow Rice Borer: 黄稻螟 (307)image num: 3156111水稻害虫目标检测数据集 (Rice Pest Detection Dataset)属性详细描述数据集名称水稻害虫目标检测数据集图像总数3,156 张标注格式YOLO (.txt) / PASCAL VOC (.xml)类别数量10 类总标注框数4,147 个应用场景智慧农业、病虫害预警、精准施药类别分布统计该数据集涵盖了水稻生长过程中最常见的10类害虫样本分布较为均衡但也存在一定的长尾分布如稻叶卷虫数量较多稻茎虫较少适合训练模型识别不同尺度和形态的害虫。类别 ID英文名称中文名称标注数量备注0asiatic_rice_borer亚洲稻螟716常见钻蛀性害虫1brown_plant_hopper褐飞虱577迁飞性害虫危害严重2paddy_stem_maggot稻茎虫104样本较少建议增强3rice_gall_midge稻瘿蚊223幼虫危害生长点4rice_leaf_caterpillar稻叶螟187啃食叶片5rice_leaf_hopper稻叶蝉294吸食汁液6rice_leaf_roller稻叶卷虫930数量最多卷叶危害7rice_water_weevil稻水象甲492国际检疫性害虫8small_brown_plant_hopper小褐飞虱317传播病毒病9yellow_rice_borer黄稻螟307钻蛀茎秆训练代码示例 (基于 YOLOv8)以下代码使用 Ultralytics YOLOv8 框架。由于该数据集提供了 YOLO 格式标注可以直接用于训练。1. 数据集配置文件 (rice_pest.yaml)请在项目根目录创建此文件用于指定数据路径和类别名称。# 数据集根路径path:./rice_pest_dataset# 请修改为你的实际数据路径# 训练集和验证集路径train:images/trainval:images/val# 类别数量nc:10# 类别名称 (顺序需与标注文件一致)names:0:asiatic_rice_borer1:brown_plant_hopper2:paddy_stem_maggot3:rice_gall_midge4:rice_leaf_caterpillar5:rice_leaf_hopper6:rice_leaf_roller7:rice_water_weevil8:small_brown_plant_hopper9:yellow_rice_borer2. Python 训练脚本 (train.py)fromultralyticsimportYOLOdeftrain_pest_detection():# 1. 加载预训练模型# 推荐使用 yolov8n.pt (速度快) 或 yolov8m.pt (精度高)modelYOLO(yolov8n.pt)# 2. 开始训练resultsmodel.train(datarice_pest.yaml,# 指定配置文件epochs300,# 训练轮数 (建议300轮以上以收敛)imgsz640,# 图像尺寸batch16,# 批次大小 (根据显存调整)device0,# 使用GPU设备 (0表示第一张显卡)workers8,# 数据加载线程数namerice_pest_yolov8,# 实验名称patience50,# 早停机制 (50轮无提升则停止)augmentTrue# 开启数据增强 (针对小目标害虫很重要))print(训练完成模型保存在 runs/detect/rice_pest_yolov8/weights/best.pt)if__name____main__:train_pest_detection()3. 命令行训练 (可选)如果你更喜欢使用终端命令可以直接运行yolo detect traindatarice_pest.yamlmodelyolov8n.ptepochs300imgsz640训练建议数据增强由于paddy_stem_maggot(稻茎虫) 等类别样本较少仅104个建议在训练配置中开启mosaic和mixup增强或者在rice_pest.yaml中设置hsv_h,hsv_s,hsv_v等参数以增加样本多样性。小目标检测水稻害虫通常较小如果遇到检测精度不足的问题可以尝试使用更大的输入尺寸如imgsz1280或更换更大的模型如yolov8l.pt。水稻害虫数据集10类害虫YOLO/VOC格式需要结合深度学习模型YOLOv11和图形用户界面GUI两部分来实现。以下是详细的构建步骤和技术方案一、技术栈选择模型框架YOLOv11由 Ultralytics 发布目前是YOLO系列的最新版本之一速度快、精度高。GUI开发PyQt5 或 PySide6用于构建截图中的那种带有按钮、标签和表格的桌面窗口。核心依赖库ultralytics(YOLO),opencv-python(图像处理),pandas(表格显示),numpy(数值计算)。二、构建步骤详解1. 环境配置首先需要安装必要的 Python 库。pipinstallultralytics PyQt5 opencv-python pandas2. 数据集准备你需要将你下载的数据集整理成 YOLO 训练的标准格式。目录结构rice_pest_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/数据配置文件 (rice_pest.yaml)你需要创建一个 YAML 文件来告诉模型你的数据在哪里以及有哪些类别。# rice_pest.yamlpath:./rice_pest_dataset# 数据集根目录train:images/train# 训练集图片路径val:images/val# 验证集图片路径nc:10# 类别数量names:0:asiatic_rice_borer1:brown_plant_hopper2:paddy_stem_maggot3:rice_gall_midge4:rice_leaf_caterpillar5:rice_leaf_hopper6:rice_leaf_roller7:rice_water_weevil8:small_brown_plant_hopper9:yellow_rice_borer3. 模型训练使用 Ultralytics 的 API 进行训练。由于截图中显示的是 YOLOv11你可以直接指定模型版本。fromultralyticsimportYOLO# 加载预训练的 YOLOv11 模型modelYOLO(yolov11n.pt)# 或者 yolov11s.pt, yolov11m.pt 等# 开始训练resultsmodel.train(datarice_pest.yaml,# 指向你的数据配置文件epochs100,# 训练轮数imgsz640,# 图像尺寸batch16,# 批次大小namerice_pest_detect# 实验名称)# 训练完成后权重文件通常保存在 runs/train/rice_pest_detect/weights/best.pt4. GUI 界面开发 (PyQt5)这部分代码用于生成截图中那样的窗口。主要包含布局设计左侧显示图片右侧设置文件导入和结果显示。逻辑实现实现“选择文件”、“检测”、“保存”等功能。核心代码框架示例importsysimportcv2importpandasaspdfromPyQt5.QtWidgetsimport(QApplication,QMainWindow,QLabel,QPushButton,QVBoxLayout,QWidget,QFileDialog,QTextEdit,QTableWidget,QTableWidgetItem)fromPyQt5.QtGuiimportQPixmap,QImagefromPyQt5.QtCoreimportQtfromultralyticsimportYOLOclassPestDetectionApp(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(基于YOLOv11的水稻害虫检测系统)self.setGeometry(100,100,1200,800)# 1. 加载训练好的模型self.modelYOLO(runs/train/rice_pest_detect/weights/best.pt)# 2. 初始化界面组件 (对应截图中的布局)self.initUI()definitUI(self):central_widgetQWidget()main_layoutQVBoxLayout()# --- 顶部图片显示区域 ---self.image_labelQLabel(self)self.image_label.setAlignment(Qt.AlignCenter)main_layout.addWidget(self.image_label)# --- 底部功能与结果区域 ---# 这里可以添加按钮和表格 (代码省略部分布局细节)# 选择图片 按钮btn_selectQPushButton(请选择图片文件)btn_select.clicked.connect(self.select_image)main_layout.addWidget(btn_select)# 检测 按钮btn_detectQPushButton(开始检测)btn_detect.clicked.connect(self.run_detection)main_layout.addWidget(btn_detect)# 结果表格 (显示序号、类别、置信度、坐标)self.tableQTableWidget()self.table.setColumnCount(5)self.table.setHorizontalHeaderLabels([序号,文件路径,类别,置信度,坐标位置])main_layout.addWidget(self.table)central_widget.setLayout(main_layout)self.setCentralWidget(central_widget)defselect_image(self):# 打开文件对话框选择图片file_path,_QFileDialog.getOpenFileName(self,选择图片,,Images (*.png *.xpm *.jpg *.bmp *.jpeg))iffile_path:self.current_image_pathfile_path# 在界面上显示图片pixmapQPixmap(file_path)self.image_label.setPixmap(pixmap.scaled(640,480,Qt.KeepAspectRatio))defrun_detection(self):ifnothasattr(self,current_image_path):return# 读取图片imgcv2.imread(self.current_image_path)# 调用 YOLO 模型进行推理resultsself.model(img)# 5. 后处理与结果显示# 遍历检测结果forresultinresults:boxesresult.boxes# 检测框# 在图片上绘制框 (对应截图中的蓝色框)fori,boxinenumerate(boxes):# 获取坐标x1,y1,x2,y2map(int,box.xyxy[0].tolist())# 获取类别和置信度cls_idint(box.cls[0])confbox.conf[0]labelf{result.names[cls_id]}{conf:.2f}# 使用 OpenCV 在图像上绘制cv2.rectangle(img,(x1,y1),(x2,y2),(255,0,0),2)cv2.putText(img,label,(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(255,0,0),2)# 将结果添加到表格中row_countself.table.rowCount()self.table.insertRow(row_count)self.table.setItem(row_count,0,QTableWidgetItem(str(i1)))self.table.setItem(row_count,1,QTableWidgetItem(self.current_image_path))self.table.setItem(row_count,2,QTableWidgetItem(result.names[cls_id]))self.table.setItem(row_count,3,QTableWidgetItem(f{conf:.2f}))self.table.setItem(row_count,4,QTableWidgetItem(f[{x1},{y1},{x2},{y2}]))# 将带有检测框的图片显示回界面rgb_imagecv2.cvtColor(img,cv2.COLOR_BGR2RGB)h,w,chrgb_image.shape bytes_per_linech*w convert_to_Qt_formatQImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)pconvert_to_Qt_format.scaled(640,480,Qt.KeepAspectRatio)self.image_label.setPixmap(QPixmap.fromImage(p))if__name____main__:appQApplication(sys.argv)windowPestDetectionApp()window.show()sys.exit(app.exec_())三、关键点解析模型推理 (results self.model(img)):这是核心。YOLOv11 模型会自动处理图像的预处理缩放、归一化。results对象中包含了所有检测到的目标的坐标 (xyxy)、类别 (cls) 和置信度 (conf)。OpenCV 绘图:截图中的蓝色矩形框是使用 OpenCV 的cv2.rectangle函数绘制的。文字标签是使用cv2.putText绘制的。PyQt 表格更新:截图左下角的表格是QTableWidget。每检测到一个害虫就调用insertRow插入一行并填入类别名称和坐标信息。数据格式转换:OpenCV 读取的是 BGR 格式而 PyQt 显示需要 RGB 格式所以代码中需要做cvtColor转换。图像显示、检测框标注、置信度显示以及结果表格的动态更新。