基于YOLOv8的南瓜叶片病害分类检测识别｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程
源码在文末哔哩哔哩视频简介处获取。
基本功能演示
https://www.bilibili.com/video/BV1Rc6oBJE3L/
项目摘要
在设施农业与智慧农业快速发展的背景下，作物病害的早期识别与精准防治已成为提高产量与减少农药使用的关键环节。南瓜作为重要的经济作物，其叶片在生长过程中极易受到细菌性叶斑病、霜霉病、白粉病及病毒性花叶病等多种病害侵袭，传统依赖人工经验的识别方式存在效率低、主观性强、难以规模化的问题。
近年来，随着深度学习在计算机视觉领域的成熟，目标检测模型在农业病害识别中的应用价值愈发凸显。YOLO 系列模型以其检测速度快、部署成本低、精度与实时性兼顾的特点，尤其适合农业生产一线场景。
基于此，本项目以 YOLOv8 为核心检测模型，结合 南瓜叶片病害数据集 与 PyQt5 桌面应用界面，构建了一套从数据训练到实际部署完整闭环的病害分类检测系统，旨在为农业科研、生产管理及教学实践提供一套可直接落地、可二次开发的参考方案。
@[toc]
前言
在系统运行层面，本项目围绕“病害可视化检测 + 分类结果直观呈现”这一核心目标，提供了完整且稳定的功能演示流程，覆盖实际农业应用中最常见的使用场景。
- 多输入源检测支持
系统基于 YOLOv8 推理接口，支持以下多种输入方式：- 单张图片检测（本地叶片照片）
- 文件夹批量检测（田间采集数据快速分析）
- 视频文件检测（连续病害变化观察）
- 实时摄像头检测（温室/大棚在线监测）
- 病害类别实时识别与标注
对输入的南瓜叶片图像，模型可自动完成：- 病害类别判定（细菌性叶斑病、霜霉病、白粉病、花叶病、健康）
- 目标框定位与置信度显示
检测结果以 Bounding Box + 类别标签 + 置信度 的形式实时叠加在原始图像上，便于人工复核与决策参考。
- PyQt5 图形化界面交互
项目配套提供基于 PyQt5 的桌面 GUI：- 一键加载模型权重
- 一键选择检测源
- 实时显示检测画面与结果
无需命令行操作，适合非算法背景的农业从业人员直接使用。
- 结果可保存与复用
支持将检测后的图像或视频结果导出保存，方便：- 农业病害档案留存
- 后续科研分析
- 教学演示与案例展示
一、软件核心功能介绍及效果演示
- 多源数据输入
- 单张图片检测：用户可选择本地图片进行快速识别，适合小规模样本分析。
- 批量文件夹检测：可一次性对整个文件夹的图像进行推理处理，便于田间样本或科研数据快速分析。
- 视频检测：支持本地视频文件的连续帧识别，用于观察叶片病害发展趋势。
- 实时摄像头检测：通过接入摄像头进行实时监控，适合温室或大棚动态监控。
- 智能病害分类
- 识别类别包括：
- 细菌性叶斑病
- 霜霉病
- 白粉病
- 花叶病
- 健康叶片
- 每个检测目标都会生成高精度边界框 (Bounding Box)、类别标签以及置信度评分。
- 识别类别包括：
- 可视化交互界面
- 基于 PyQt5 开发，提供直观、易用的操作界面。
- 功能包括：
- 模型权重加载
- 数据输入选择
- 实时显示检测结果
- 检测结果导出保存（图片或视频）
- 结果保存与分析
- 支持将检测后的图像或视频保存为本地文件，方便后续统计分析。
- 可将识别结果用于农业科研、病害档案管理或教育教学演示。
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/BV1Rc6oBJE3L/
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
本项目构建的南瓜叶片病害识别系统，集成了 YOLOv8 高精度检测模型与 PyQt5 图形界面，实现了从单张图片、批量文件夹到视频及实时摄像头的全场景病害检测。系统不仅能够准确识别细菌性叶斑病、霜霉病、白粉病、花叶病及健康叶片，还通过可视化界面将检测结果直观呈现，支持结果保存与后续分析。整体而言，该软件为农业生产、科研实验及教学演示提供了一套开箱即用、易操作、可扩展的完整解决方案，显著提升了病害识别效率，降低了人工判断误差，为智慧农业的推广与应用提供了有力支撑。
