深度学习基于YOLOv11+pyqt5的农作物识别检测系统 智慧农业CWC数据集 包含蓝草、藜、刺菜、玉米、莎草、棉花、茄属植物、番茄、天鹅绒、生菜、萝卜，11类农作物

智慧农业基于YOLOv11pyqt5的农作物识别检测系统内含CWC数据集包含蓝草、藜、刺菜、玉米、莎草、棉花、茄属植物、番茄、天鹅绒、生菜、萝卜11类农作物也可自行替换模型使用该界面做其他实现检测目标自定义完整源码源文件已标注的数据集训练好的模型环境配置教程程序运行说明文档Python PyQt5可视化界面可对图片视频摄像头进行识别这是一个非常典型的基于深度学习的农业视觉检测项目。结合你提供的 CWC 数据集信息11类作物和参考的 YOLOv11 架构构建这套“农作物识别检测系统”的核心流程可以分为环境准备、模型训练、PyQt5 界面开发三个主要阶段。以下是基于YOLOv11 PyQt5构建该系统的详细实施步骤第一阶段环境配置与依赖安装首先需要搭建 Python 环境并安装必要的库。# 1. 创建虚拟环境 (推荐)conda create-nyolo11_cropspython3.9conda activate yolo11_crops# 2. 安装 PyTorch (请根据你的CUDA版本选择参考网页中使用的是CUDA 11.8/12.1)# 示例 (CUDA 11.8):pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 3. 安装核心依赖pipinstallultralytics# 包含 YOLOv11pipinstallpyqt5# GUI界面pipinstallpandas matplotlib seaborn opencv-python# 辅助库第二阶段数据集准备 (CWC 数据集)你需要将下载的 CWC 数据集整理为 YOLO 格式。假设你的数据集已经包含图片和 YOLO 格式的标签.txt。1. 数据集目录结构CWC_Dataset/ ├── images/ │ ├── train/ (存放训练图片) │ ├── val/ (存放验证图片) │ └── test/ (可选存放测试图片) ├── labels/ │ ├── train/ (存放训练标签) │ ├── val/ (存放验证标签) │ └── test/ (可选) └── crops_cwc.yaml (数据配置文件)2. 创建配置文件crops_cwc.yaml在数据集根目录或代码目录下创建此文件内容如下# 训练和验证集路径train:./CWC_Dataset/images/trainval:./CWC_Dataset/images/val# 类别数量nc:11# 类别名称 (必须与数据集标签的ID顺序严格对应)names:[Blue_grass,Lambsquarters,Thistle,Corn,Sedge,Cotton,Nightshade,Tomato,Velvet,Lettuce,Radish]第三阶段模型训练 (YOLOv11)使用 Ultralytics API 进行训练。YOLOv11 会自动处理数据加载和训练循环。训练脚本train.pyfromultralyticsimportYOLOimportargparsedefmain():# 解析参数 (方便后续打包或命令行调用)parserargparse.ArgumentParser()parser.add_argument(--data,typestr,defaultcrops_cwc.yaml,help数据集配置文件路径)parser.add_argument(--weights,typestr,defaultyolo11n.pt,help预训练权重)parser.add_argument(--epochs,typeint,default150)parser.add_argument(--batch,typeint,default32)parser.add_argument(--imgsz,typeint,default640,help训练图像大小)parser.add_argument(--device,typestr,default0,helpcuda device, i.e. 0 or 0,1,2,3 or cpu)parser.add_argument(--project,typestr,defaultruns/train)parser.add_argument(--name,typestr,defaultcrops_exp)optparser.parse_args()# 1. 加载模型modelYOLO(opt.weights)# 加载预训练模型# 2. 开始训练resultsmodel.train(dataopt.data,epochsopt.epochs,batchopt.batch,imgszopt.imgsz,deviceopt.device,projectopt.project,nameopt.name,exist_okTrue,patience20,# 早停optimizerAdamW,# 农业数据推荐使用AdamWlr00.001,# 可视化plotsTrue)# 3. 验证模型metricsmodel.val()print(fmAP50:{metrics.box.map50})print(fmAP50-95:{metrics.box.map})if__name____main__:main()第四阶段PyQt5 可视化界面开发这是系统的核心交互部分参考了你提供的网页结构实现图片、视频、摄像头的检测。GUI 主程序main_window.pyimportsysimportcv2fromPyQt5.QtWidgetsimport*fromPyQt5.QtCoreimport*fromPyQt5.QtGuiimport*fromultralyticsimportYOLOclassMainWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(农作物识别检测系统 - YOLOv11)self.setGeometry(100,100,1000,700)# 加载训练好的模型 (训练结束后生成的 best.pt)self.modelYOLO(runs/train/crops_exp/weights/best.pt)# 检测状态self.is_runningFalseself.capNoneself.init_ui()definit_ui(self):# 主中心部件central_widgetQWidget()self.setCentralWidget(central_widget)main_layoutQHBoxLayout(central_widget)# 左侧控制面板left_panelself.create_control_panel()main_layout.addLayout(left_panel,1)# 右侧视频显示区域self.video_labelQLabel(检测画面将显示在这里)self.video_label.setAlignment(Qt.AlignCenter)self.video_label.setStyleSheet(QLabel { background-color : #000; color : #FFF; })self.video_label.setMinimumSize(640,480)main_layout.addWidget(self.video_label,3)defcreate_control_panel(self):layoutQVBoxLayout()# 标题titleQLabel(农作物检测控制系统)title.setStyleSheet(font-size: 18px; font-weight: bold; color: #2E8B57;)layout.addWidget(title)layout.addSpacing(20)# --- 图片检测 ---layout.addWidget(QLabel( 图片检测))self.btn_imgQPushButton(选择图片)self.btn_img.clicked.connect(lambda:self.load_media(image))layout.addWidget(self.btn_img)# --- 视频检测 ---layout.addWidget(QLabel( 视频检测))self.btn_videoQPushButton(选择视频)self.btn_video.clicked.connect(lambda:self.load_media(video))layout.addWidget(self.btn_video)# --- 摄像头检测 ---layout.addWidget(QLabel( 实时检测))self.btn_cameraQPushButton(打开摄像头)self.btn_camera.clicked.connect(self.toggle_camera)layout.addWidget(self.btn_camera)# --- 检测参数 ---layout.addWidget(QLabel(⚙️ 检测参数))# 置信度layout.addWidget(QLabel(置信度阈值 (Conf):))self.conf_sliderQSlider(Qt.Horizontal)self.conf_slider.setRange(0,100)self.conf_slider.setValue(25)# 默认 0.25layout.addWidget(self.conf_slider)# IoU 阈值layout.addWidget(QLabel(IoU 阈值 (NMS):))self.iou_sliderQSlider(Qt.Horizontal)self.iou_slider.setRange(0,100)self.iou_slider.setValue(45)# 默认 0.45layout.addWidget(self.iou_slider)# --- 结果显示 ---layout.addWidget(QLabel( 检测结果))self.result_tableQTableWidget()self.result_table.setColumnCount(2)self.result_table.setHorizontalHeaderLabels([类别,置信度])layout.addWidget(self.result_table)# --- 日志输出 ---self.log_textQTextEdit()self.log_text.setMaximumHeight(100)self.log_text.setReadOnly(True)layout.addWidget(self.log_text)layout.addStretch()returnlayoutdefload_media(self,media_type):ifself.is_running:self.stop_detection()ifmedia_typeimage:file_path,_QFileDialog.getOpenFileName(self,选择图片,,Image Files (*.png *.jpg *.bmp))iffile_path:self.detect_image(file_path)elifmedia_typevideo:file_path,_QFileDialog.getOpenFileName(self,选择视频,,Video Files (*.mp4 *.avi *.mov))iffile_path:self.video_sourcefile_path self.start_detection()defdetect_image(self,img_path):# 使用 YOLOv11 进行推理resultsself.model.predict(sourceimg_path,confself.conf_slider.value()/100,iouself.iou_slider.value()/100)# 获取带有框的图像result_imgresults[0].plot()# 转换为 QImage 显示在 QLabel 上height,width,channelresult_img.shape bytes_per_line3*width q_imgQImage(result_img.data,width,height,bytes_per_line,QImage.Format_RGB888).rgbSwapped()self.video_label.setPixmap(QPixmap.fromImage(q_img).scaled(self.video_label.size(),Qt.KeepAspectRatio))# 更新表格结果self.update_result_table(results[0])defstart_detection(self):# 这里需要启动一个 QTimer 或 QThread 来循环读取帧# 伪代码逻辑self.is_runningTrueself.timerQTimer()self.timer.timeout.connect(self.update_frame)self.timer.start(30)# 约 30ms 一帧defupdate_frame(self):# 读取摄像头或视频帧ret,frameself.cap.read()ifnotret:self.stop_detection()return# YOLOv11 推理resultsself.model.predict(sourceframe,confself.conf_slider.value()/100,iouself.iou_slider.value()/100)result_frameresults[0].plot()# 显示self.display_image(result_frame)self.update_result_table(results[0])defdisplay_image(self,img):# 图像显示转换逻辑 (同 detect_image)passdefupdate_result_table(self,result):# 清空表格self.result_table.setRowCount(0)# 填充数据forboxinresult.boxes:cls_idint(box.cls[0])conffloat(box.conf[0])class_nameself.model.names[cls_id]row_positionself.result_table.rowCount()self.result_table.insertRow(row_position)self.result_table.setItem(row_position,0,QTableWidgetItem(class_name))self.result_table.setItem(row_position,1,QTableWidgetItem(f{conf:.2f}))defstop_detection(self):self.is_runningFalseifself.timer:self.timer.stop()ifself.cap:self.cap.release()defcloseEvent(self,event):self.stop_detection()event.accept()# --- 主程序入口 ---if__name____main__:appQApplication(sys.argv)windowMainWindow()window.show()sys.exit(app.exec_())第五阶段系统运行与打包运行系统先运行train.py训练模型确保runs/train/crops_exp/weights/best.pt生成。修改main_window.py中的模型路径指向你生成的best.pt。运行python main_window.py启动 GUI。打包成可执行文件 (可选)如果你需要像参考网页描述中那样“免环境”分发可以使用 PyInstaller 打包。pipinstallpyinstaller pyinstaller-F-w-iicon.ico main_window.py注意打包后的文件体积较大约 1GB因为它包含了 Python 解释器和 PyTorch 库。关键点说明CWC 数据集这是一个专门针对农田杂草与作物区分的数据集。在训练时如果背景复杂如泥土、阴影建议在train.py中增加augmentTrue来增强数据的鲁棒性。实时性如果你的硬件是普通 CPU检测速度可能会很慢。YOLOv11n 模型在 GPU (如 RTX 3060/4060) 上可以轻松达到 100 FPS适合实时检测。界面交互参考代码中实现了表格动态更新这是为了展示如何将 YOLO 的Results对象解析为可视化的数据方便用户查看具体的检测结果。