深度学习基于YOLOv8的苹果叶片病害检测系统 Python + PyQt5可视化界面 苹果病害检测数据集的训练及应用

智慧农业巡检-基于YOLOv8的苹果叶片病害检测系统可以选择模型[钉子]内含苹果叶片病害数据集训练集18451验证集5270测试集2638Rust - 锈病Mosaic - 花叶病Grey_spot - 灰斑病Brown_Spot - 褐斑病Alternaria_Boltch - 链格孢枯萎病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可视化界面以下是构建该系统的详细代码分为环境配置、模型训练和PyQt5 界面实现三个部分。系统架构概览核心算法Ultralytics YOLOv8 (支持 n/s/m 等不同尺寸模型)GUI 框架PyQt5图像处理OpenCV数据结构Pandas (用于表格展示)第一步环境配置与依赖你需要创建一个 Python 环境并安装必要的库。requirements.txtultralytics8.0.0 PyQt55.15.0 opencv-python4.5.0 matplotlib3.3.0 pandas1.1.0 seaborn0.11.0 numpy1.18.5安装命令pipinstall-rrequirements.txt第二步数据集配置与模型训练假设你已经按照描述整理好了数据集目录结构datasets/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml(数据集配置文件)path:../datasets# 数据集根路径train:images/train# 训练集路径val:images/val# 验证集路径test:images/test# 测试集路径# 类别数量和名称nc:5names:[Rust,Mosaic,Grey_spot,Brown_Spot,Alternaria_Boltch]train.py(训练脚本)fromultralyticsimportYOLOdeftrain_model():# 1. 加载预训练模型 (n, s, m 等)modelYOLO(yolov8n.pt)# 2. 开始训练# 根据你的描述150 epochs, imgsz640 (默认)resultsmodel.train(datadatasets/data.yaml,epochs150,imgsz640,batch16,nameexp-apple-disease,device0# 如果有GPU设置为0否则为cpu)if__name____main__:train_model()第三步PyQt5 可视化界面代码这是系统的核心部分对应你提供的截图界面。代码实现了图片加载、模型推理、结果显示绘图表格以及参数设置功能。MainProgram.pyimportsysimportcv2importtorchimportnumpyasnpimportpandasaspdfromPyQt5.QtWidgetsimport(QApplication,QMainWindow,QMessageBox,QFileDialog,QTableWidgetItem,QHeaderView)fromPyQt5.QtGuiimportQImage,QPixmap,QFontfromPyQt5.QtCoreimportQt,QThread,pyqtSignalfromultralyticsimportYOLO# --- 全局变量 ---CLASSES[Rust,Mosaic,Grey_spot,Brown_Spot,Alternaria_Boltch]COLORS[(255,0,0),(0,255,0),(0,0,255),(255,255,0),(255,0,255)]# 对应类别的颜色classDetectionThread(QThread):# 自定义信号用于传输处理后的图像和结果数据signal_update_uipyqtSignal(np.ndarray,list)def__init__(self,model,image_path,conf_thres):super().__init__()self.modelmodel self.image_pathimage_path self.conf_thresconf_thresdefrun(self):# 读取图片imgcv2.imread(self.image_path)img_rgbcv2.cvtColor(img,cv2.COLOR_BGR2RGB)# 推理resultsself.model(img_rgb,confself.conf_thres)resultresults[0]# 解析结果并绘图boxesresult.boxes detections[]forboxinboxes:# 获取坐标和类别x1,y1,x2,y2map(int,box.xyxy[0].tolist())confbox.conf[0].item()clsint(box.cls[0].item())labelCLASSES[cls]# 记录数据用于表格显示detections.append({序号:len(detections)1,类别:label,置信度:f{conf:.2%},坐标:f[{x1},{y1},{x2},{y2}]})# 在图像上绘制矩形框和标签colorCOLORS[cls%len(COLORS)]cv2.rectangle(img,(x1,y1),(x2,y2),color,2)cv2.putText(img,f{label}{conf:.2f},(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,color,2)self.signal_update_ui.emit(img,detections)classMainWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(基于YOLOV8的苹果叶片病害检测系统)self.setGeometry(100,100,1200,800)# --- 初始化模型 ---# 默认加载 yolov8n实际使用时请替换为你训练好的 best.pt 路径self.modelYOLO(runs/detect/exp-apple-disease/weights/best.pt)self.current_image_path# --- 初始化UI (简化版布局逻辑) ---# 注意实际代码中建议使用 Qt Designer 生成 .ui 文件并加载# 这里为了演示逻辑使用纯代码构建核心功能self.init_ui()definit_ui(self):# 这里省略繁琐的布局代码重点展示按钮连接逻辑# 假设你有按钮btn_open_img, btn_detect, table_result 等# 示例打开图片# self.btn_open_img.clicked.connect(self.open_image)# 示例开始检测# self.btn_detect.clicked.connect(self.start_detection)passdefopen_image(self):path,_QFileDialog.getOpenFileName(self,选择图片,.,Image Files (*.png *.jpg *.bmp))ifpath:self.current_image_pathpath# 显示原图逻辑...print(f已加载图片:{path})defstart_detection(self):ifnotself.current_image_path:QMessageBox.warning(self,警告,请先选择图片)return# 获取置信度阈值 (假设有个输入框 self.input_conf)# conf float(self.input_conf.text())conf0.25# 开启子线程进行检测防止界面卡顿self.threadDetectionThread(self.model,self.current_image_path,conf)self.thread.signal_update_ui.connect(self.update_results)self.thread.start()defupdate_results(self,img,detections):# 1. 显示检测后的图片# 将 OpenCV 图像转换为 Qt 图像height,width,channelimg.shape bytes_per_line3*width q_imgQImage(img.data,width,height,bytes_per_line,QImage.Format_RGB888)pixmapQPixmap.fromImage(q_img)# 假设 self.label_show 是显示图片的控件# self.label_show.setPixmap(pixmap.scaled(self.label_show.size(), Qt.KeepAspectRatio))# 2. 填充表格self.table_result.setRowCount(len(detections))forrow,datainenumerate(detections):self.table_result.setItem(row,0,QTableWidgetItem(str(data[序号])))self.table_result.setItem(row,1,QTableWidgetItem(data[类别]))self.table_result.setItem(row,2,QTableWidgetItem(data[置信度]))self.table_result.setItem(row,3,QTableWidgetItem(data[坐标]))# 3. 更新统计信息# self.label_count.setText(f总目标数: {len(detections)})if__name____main__:appQApplication(sys.argv)windowMainWindow()window.show()sys.exit(app.exec_())代码说明DetectionThread 类继承自QThread用于在后台运行 YOLO 推理。如果不使用多线程在处理高分辨率图片或视频时界面会卡死无响应。signal_update_ui信号将处理好的 OpenCV 图像带框和解析出的数据列表发送回主界面。MainWindow 类模型加载在初始化时加载.pt模型文件。图片处理使用cv2.imread读取cv2.cvtColor转换颜色空间OpenCV是BGRQt是RGB。结果可视化图像使用cv2.rectangle和cv2.putText绘制边界框和标签。表格使用QTableWidget动态插入行显示类别、置信度和坐标。扩展性代码中CLASSES列表定义了类别名称。如果你想做其他检测如口罩检测只需更换模型文件并修改这个列表即可。以上代码展示了基于PyQt5和YOLOv8构建病害检测系统的核心实现逻辑。