茂名公司网站设计团队网站建设服务费

茂名公司网站设计团队,网站建设服务费,淘宝客绑定网站备案号,庭院景观设计智慧农业农作物病虫害检测数据集病虫害检测数据集#xff0c;包含100余种病虫害类型#xff0c;YOLO格式标注#xff0c;支持YOLOv5-12等直接训练。 数据集已经划分处理#xff1a; train集: 15182个文件#xff08;占比: 80.0%#xff09; val集: 1897个文件#xff08…智慧农业农作物病虫害检测数据集病虫害检测数据集包含100余种病虫害类型YOLO格式标注支持YOLOv5-12等直接训练。数据集已经划分处理train集: 15182个文件占比: 80.0%val集: 1897个文件占比: 10.0%test集: 1897个文件占比: 10.0%共标注了 102 种农作物相关害虫按作物类型与害虫特性可分为六大类具体如下水稻相关害虫12 种稻作及其他作物害虫12 种麦类作物害虫11 种甜菜及十字花科害虫6 种豆类及牧草害虫13 种智慧农业农作物病虫害检测数据集的详细分类统计表格按作物类型与害虫特性划分为六大类共102 种害虫并附带各子类数量及占比 智慧农业农作物病虫害数据集分类统计表序号害虫类别按作物/生态类型包含害虫种类数占总类数比例说明1水稻相关害虫1211.76%如稻飞虱、二化螟、稻纵卷叶螟等2稻作及其他作物害虫1211.76%跨水稻与其他作物的共生病虫害3麦类作物害虫1110.78%如麦蚜、吸浆虫、麦蜘蛛等4甜菜及十字花科害虫65.88%如菜青虫、小菜蛾、甜菜夜蛾等5豆类及牧草害虫1312.75%如豆荚螟、大豆食心虫、苜蓿盲蝽等6其他主要农作物害虫补充类4847.06%包括玉米、棉花、果树、蔬菜等常见害虫如棉铃虫、玉米螟、蚜虫、红蜘蛛等总计102100%—✅数据集规模训练集train15,182 张图像80.0%验证集val1,897 张图像10.0%测试集test1,897 张图像10.0%标注格式YOLO 格式每张图对应.txt文件含class_id cx cy w h兼容模型YOLOv5 / YOLOv6 / YOLOv7 / YOLOv8 / YOLOv9 / YOLOv10 / YOLOv11社区版等 数据集目录结构示例agriculture_pest_dataset/ ├── images/ │ ├── train/# 15,182 images (.jpg)│ ├── val/# 1,897 images│ └── test/# 1,897 images├── labels/ │ ├── train/# 15,182 label files (.txt)│ ├── val/ │ └── test/ ├── classes.txt# 102 行每行一个害虫类别名称英文或中文拼音└── dataset.yaml# YOLO 训练配置文件dataset.yaml示例# agriculture_pest_dataset/dataset.yamltrain:./images/trainval:./images/valtest:./images/testnc:102names:[rice_planthopper,stem_borer,leaf_folder,...,aphid,spider_mite# 共102个类别名称与 classes.txt 一致]该数据集适用于农业无人机巡检手机端病虫害识别 App智慧农场 AI 预警系统科研与竞赛如 AI农业挑战赛1基于 YOLOv8 的智慧农业农作物病虫害检测系统的完整实现包含✅训练代码含数据集配置✅推理与可视化系统代码✅训练结果分析结合你提供的损失曲线图✅模型部署与使用说明 一、训练结果分析基于损失图你提供的图表显示了YOLOv8 在 102 类病虫害数据集上的训练过程关键指标如下指标趋势分析train/box_loss快速下降 → 平稳边界框回归收敛良好train/cls_loss下降明显分类任务学习稳定train/dfl_loss下降趋势分布焦点损失优化良好val/mAP50(B)从 0.37 → 0.50验证集 mAP 提升显著模型泛化能力好val/mAP50-95(B)从 0.25 → 0.36小目标检测性能提升明显precisionrecall均稳步上升检测准确率与召回率平衡✅结论模型在100 个 epoch 内收敛良好mAP50 达到50%适合用于实际农业场景。 二、训练代码train.py# train.pyfromultralyticsimportYOLOif__name____main__:# 加载预训练模型推荐使用 yolov8s.ptmodelYOLO(yolov8s.pt)# 可选: yolov8n, yolov8m, yolov8x# 训练参数设置resultsmodel.train(datadataset.yaml,# 数据集配置文件epochs100,# 训练轮数imgsz640,# 输入图像大小batch16,# 批次大小根据 GPU 调整nameagriculture_pest_v8s,# 实验名称workers4,# 多进程数量optimizerAdamW,# 优化器lr00.001,# 初始学习率weight_decay0.0005,# 权重衰减mosaic0.5,# Mosaic 数据增强比例mixup0.2,# MixUp 比例save_period10,# 每10轮保存一次模型device0,# 使用 GPU 0valTrue,# 每轮验证plotTrue,# 绘制训练曲线augmentTrue# 启用数据增强) 三、数据集结构与dataset.yaml# dataset.yamltrain:./images/trainval:./images/valtest:./images/testnc:102names:[rice_planthopper,stem_borer,leaf_folder,aphid,spider_mite,corn_borer,cotton_bollworm,beetle,weevil,cutworm,loopers,whitefly,...]✅ 确保目录结构agriculture_pest_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── dataset.yaml 四、推理与可视化系统detect.py# detect.pyfromultralyticsimportYOLOimportcv2importos modelYOLO(runs/detect/agriculture_pest_v8s/best.pt)defdetect_image(image_path):resultsmodel(image_path)annotatedresults[0].plot()# 自动绘制边界框和标签cv2.imwrite(output.jpg,annotated)print(f检测完成结果保存为 output.jpg)defdetect_video(video_path):capcv2.VideoCapture(video_path)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame)annotatedresults[0].plot()cv2.imshow(Pest Detection,annotated)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()# 示例调用detect_image(test.jpg)# 或 detect_video(field.mp4)️ 五、PyQt5 图形界面app.py# app.pyfromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QPushButton,QVBoxLayout,QWidget,QFileDialogfromPyQt5.QtGuiimportQPixmapfromultralyticsimportYOLOimportsys,cv2classPestDetectionApp(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle(智慧农业病虫害检测系统)self.modelYOLO(runs/detect/agriculture_pest_v8s/best.pt)self.init_ui()definit_ui(self):layoutQVBoxLayout()self.labelQLabel(请选择待检测图像)self.btnQPushButton(选择图像)self.btn.clicked.connect(self.select_image)layout.addWidget(self.label)layout.addWidget(self.btn)self.setCentralWidget(QWidget())self.centralWidget().setLayout(layout)defselect_image(self):path,_QFileDialog.getOpenFileName(self,选择图像,,Images (*.jpg *.png))ifpath:resultsself.model(path)annotatedresults[0].plot()cv2.imwrite(temp_result.jpg,annotated)self.label.setPixmap(QPixmap(temp_result.jpg).scaled(640,480))if__name____main__:appQApplication(sys.argv)windowPestDetectionApp()window.show()sys.exit(app.exec_()) 六、训练后图片解释以results.png为例你提供的训练曲线图results.png可由 Ultralytics 自动生成包含以下内容子图含义train/box_loss边界框回归损失越低越好train/cls_loss分类损失反映类别预测准确性train/dfl_loss分布焦点损失Distribution Focal Loss用于定位精度metrics/precision(B)精确率TP / (TP FP)越高越好metrics/recall(B)召回率TP / (TP FN)越高越好val/box_loss,val/cls_loss,val/dfl_loss验证集损失判断是否过拟合metrics/mAP50(B)IoU0.5 时的平均精度最终 mAP50 ≈ 50%metrics/mAP50-95(B)IoU 从 0.5~0.95 的平均精度≈ 36%✅结论模型在100 轮内稳定收敛无明显过拟合适合部署。 七、部署建议1. 导出 ONNX 模型用于边缘设备model.export(formatonnx,opset12)2. 移动端部署Android/iOS使用TFLite或Core ML推荐工具torchscriptONNX Runtime3. 无人机集成使用 NVIDIA Jetson Nano/Orin部署 YOLOv8s TensorRT 加速 八、项目交付内容内容说明✅ 完整训练代码train.py,detect.py✅ 数据集组织模板dataset.yaml, 目录结构✅ 图形界面app.pyPyQt5✅ 训练结果分析损失曲线解读✅ 模型文件best.pt训练后生成✅ 使用文档如何运行、部署、调参