往期经典回顾

项目	项目
基于yolov8的车牌检测识别系统	基于yolov8/yolov5的钢铁缺陷检测系统
基于yolov8的人脸表情检测识别系统	基于深度学习的PCB板缺陷检测系统
基于yolov8/yolov5的茶叶等级检测系统	基于yolov8/yolov5的农作物病虫害检测识别系统
基于yolov8/yolov5的交通标志检测识别系统	基于yolov8/yolov5的课堂行为检测识别系统
基于yolov8/yolov5的海洋垃圾检测识别系统	基于yolov8/yolov5的垃圾检测与分类系统
基于yolov8/yolov5的行人摔倒检测识别系统	基于yolov8/yolov5的草莓病害检测识别系统
基于yolov8/yolov5/yolo11的动物检测识别系统

概要

本文将详细介绍如何以官方yolov8、yolov11为主干，实现对苹果叶片病害的检测识别，且利用PyQt5设计了两种简约的系统UI界面。在界面中，您可以选择自己的视频文件、图片文件进行检测。此外，您还可以更换自己训练的主干模型，进行自己数据的检测。

引言
苹果作为全球主要经济作物，其叶片病害的早期精准识别是保障果品质量与种植效益的关键。传统检测依赖人工经验，存在效率低、误判率高及难以应对复杂田间环境（如叶片遮挡、病害形态多变）等局限。基于深度学习的苹果叶片病害检测系统通过多尺度特征提取与细粒度分类，可高效识别褐斑病、锈病等多类病害，并适配不同生长阶段与光照条件，显著提升检测实时性与准确性。该系统为病害智能预警、精准施药及果园数字化管理提供技术支撑，对减少农药滥用、降低产量损失及推动智慧农业可持续发展具有重要意义。

我们的系统界面不仅外观优美，而且具备出色的检测精度和强大的功能。它支持多目标实时检测，并允许您自由选择感兴趣的检测目标。

yolov8界面如下

yolo11界面如下

关键词：苹果叶片病害检测；目标分类；深度学习；特征融合；注意力机制；卷积神经网络

一、整体资源介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：
    yolov8、yolov8 + SE注意力机制 或 yolo11、yolo11 + SE注意力机制

数据集：
    网上下载的数据集，格式都已转好，可直接使用。

以上是本套代码算法的简单说明，添加注意力机制是本套系统的创新点 。

技术要点

• OpenCV：主要用于实现各种图像处理和计算机视觉相关任务。
• Python：采用这种编程语言，因其简洁易学且拥有大量丰富的资源和库支持。
• 数据增强技术： 翻转、噪点、色域变换，mosaic等方式，提高模型的鲁棒性。

功能展示：

部分核心功能如下：

• 功能1： 支持单张图片识别
• 功能2： 支持遍历文件夹识别
• 功能3： 支持识别视频文件
• 功能4： 支持摄像头识别
• 功能5： 支持结果文件导出（xls格式）
• 功能6： 支持切换检测到的目标查看

功能1 支持单张图片识别

系统支持用户选择图片文件进行识别。通过点击图片选择按钮，用户可以选择需要检测的图片，并在界面上查看所有识别结果。该功能的界面展示如下图所示：

功能2 支持遍历文件夹识别

系统支持选择整个文件夹进行批量识别。用户选择文件夹后，系统会自动遍历其中的所有图片文件，并将识别结果实时更新显示在右下角的表格中。该功能的展示效果如下图所示：

功能3 支持识别视频文件

在许多情况下，我们需要识别视频中的目标。因此，系统设计了视频选择功能。用户点击视频按钮即可选择待检测的视频，系统将自动解析视频并逐帧识别多个目标，同时将识别结果记录在右下角的表格中。以下是该功能的展示效果：

功能4 支持摄像头识别

在许多场景下，我们需要通过摄像头实时识别目标。为此，系统提供了摄像头选择功能。用户点击摄像头按钮后，系统将自动调用摄像头并进行实时识别，识别结果会即时记录在右下角的表格中。

功能5 支持结果文件导出（xls格式）

本系统还添加了对识别结果的导出功能，方便后续查看，目前支持导出xls数据格式，功能展示如下：

功能6 支持切换检测到的目标查看

二、数据集

提供全面、结构化的数据集，它不仅包含了丰富的类别，而且已经细致地划分为训练集、验证集和测试集，以满足不同阶段的模型训练需求。而且数据集的格式，可直接支持YOLO训练，无需额外的格式转换工作。

11365张数据集，类别如下图文件夹截图。
黑斑病
褐斑病
蛙眼病
灰斑病
健康
白粉病
锈病
黑星病

部分数据样式如下：

三、算法介绍

1. YOLOv8 概述

简介

YOLOv8算法的核心特性和改进如下：

• 全新SOTA模型
  YOLOv8 提供了全新的最先进（SOTA）的模型，包括P5 640 和 P6 1280分辨率的目标检测网络，同时还推出了基于YOLACT的实例分割模型。与YOLOv5类似，它提供了N/S/M/L/X五种尺度的模型，以满足不同场景的需求。
• Backbone
  骨干网络和Neck部分参考了YOLOv7 ELAN的设计思想。
  将YOLOv5的C3结构替换为梯度流更丰富的C2f结构。
  针对不同尺度的模型，调整了通道数，使其更适配各种任务需求。
  
  网络结构如下：
  

相比之前版本，YOLOv8对模型结构进行了精心微调，不再是“无脑”地将同一套参数应用于所有模型，从而大幅提升了模型性能。这种优化使得不同尺度的模型在面对多种场景时都能更好地适应。

然而，新引入的C2f模块虽然增强了梯度流，但其内部的Split等操作对特定硬件的部署可能不如之前的版本友好。在某些场景中，C2f模块的这些特性可能会影响模型的部署效率。

2. YOLO11 概述

YOLOv11：Ultralytics 最新目标检测模型

YOLOv11 是 Ultralytics 公司在 2024 年推出的 YOLO 系列目标检测模型的最新版本。以下是对 YOLOv11 的具体介绍：

主要特点

1. 增强的特征提取：

   • 采用改进的骨干和颈部架构，如在主干网络中引入了 c2psa 组件，并将 c2f 升级为 c3k2。
   • c3k 允许用户自定义卷积模块的尺寸，提升了灵活性。
   • c2psa 通过整合 psa（位置敏感注意力机制）来增强模型的特征提取效能。
   • 颈部网络采用了 pan 架构，并集成了 c3k2 单元，有助于从多个尺度整合特征，并优化特征传递的效率。

2. 针对效率和速度优化：

   • 精细的架构设计和优化的训练流程，在保持准确性和性能最佳平衡的同时，提供更快的处理速度。
   • 相比 YOLOv10，YOLOv11 的延迟降低了 25%-40%，能够达到每秒处理 60 帧 的速度，是目前最快的目标检测模型之一。

3. 更少的参数，更高的准确度：

   • YOLOv11m 在 COCO 数据集上实现了比 YOLOv8m 更高的 mAP，参数减少了 22%，提高了计算效率，同时不牺牲准确度。

4. 跨环境的适应性：

   • 可无缝部署在 边缘设备、云平台 和配备 NVIDIA GPU 的系统上，确保最大的灵活性。

5. 支持广泛的任务范围：

   • 支持多种计算机视觉任务，包括 目标检测、实例分割、图像分类、姿态估计 和 定向目标检测（OBB）。

---

架构改进

1. 主干网络：

   • 引入了 c2psa 组件，并将 c2f 升级为 c3k2。
   • c3k 支持用户自定义卷积模块尺寸，增强灵活性。
   • c2psa 整合了 psa（位置敏感注意力机制），提升特征提取效能。

2. 颈部网络：

   • 采用 pan 架构，并集成了 c3k2 单元，帮助从多个尺度整合特征并优化特征传递效率。

3. 头部网络：

   • YOLOv11 的检测头设计与 YOLOv8 大致相似。
   • 在分类（cls）分支中，采用了 深度可分离卷积 来增强性能。

---

性能优势

1. 精度提升：

   • 在 COCO 数据集上取得了显著的精度提升：
     • YOLOv11x 模型的 mAP 得分高达 54.7%。
     • 最小的 YOLOv11n 模型也能达到 39.5% 的 mAP 得分。
   • 与前代模型相比，精度有明显进步。

2. 速度更快：

   • 能够满足实时目标检测需求

🌟 四、模型训练步骤

1. 使用pycharm打开代码，找到train.py打开，示例截图如下：
   

2. 修改 model_yaml 的值，根据自己的实际情况修改，想要训练 yolov8s模型 就 修改为 model_yaml = yaml_yolov8s， 训练 添加SE注意力机制的模型就修改为 model_yaml = yaml_yolov8_SE

3. 修改data_path 数据集路径，我这里默认指定的是traindata.yaml 文件，如果训练我提供的数据，可以不用改

4. 修改 model.train()中的参数，按照自己的需求和电脑硬件的情况更改

   # 文档中对参数有详细的说明
   model.train(data=data_path,             # 数据集imgsz=640,                  # 训练图片大小epochs=200,                 # 训练的轮次batch=2,                    # 训练batchworkers=0,                  # 加载数据线程数device='0',                 # 使用显卡optimizer='SGD',            # 优化器project='runs/train',       # 模型保存路径name=name,                  # 模型保存命名)
   

5. 修改traindata.yaml文件， 打开 traindata.yaml 文件，如下所示：
   
   在这里，只需修改 path 的值，其他的都不用改动（仔细看上面的黄色字体），我提供的数据集默认都是到 yolo 文件夹，设置到 yolo 这一级即可，修改完后，返回 train.py 中，执行train.py。

6. 打开 train.py ，右键执行。
   

7. 出现如下类似的界面代表开始训练了
   

8. 训练完后的模型保存在runs/train文件夹下
   

---

🌟 五、模型评估步骤

1. 打开val.py文件，如下图所示：
   

2. 修改 model_pt 的值，是自己想要评估的模型路径

3. 修改 data_path ，根据自己的实际情况修改，具体如何修改，查看上方模型训练中的修改步骤

4. 修改 model.val()中的参数，按照自己的需求和电脑硬件的情况更改

   model.val(data=data_path,           # 数据集路径imgsz=300,                # 图片大小，要和训练时一样batch=4,                  # batchworkers=0,                # 加载数据线程数conf=0.001,               # 设置检测的最小置信度阈值。置信度低于此阈值的检测将被丢弃。iou=0.6,                  # 设置非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。有助于减少重复检测。device='0',               # 使用显卡project='runs/val',       # 保存路径name='exp',               # 保存命名)
   

5. 修改完后，即可执行程序，出现如下截图，代表成功（下图是示例，具体以自己的实际项目为准。）
   

6. 评估后的文件全部保存在在 runs/val/exp... 文件夹下
   

---

🌟 六、训练结果

我们每次训练后，会在 run/train 文件夹下出现一系列的文件，如下图所示：

   如果大家对于上面生成的这些内容（confusion_matrix.png、results.png等）不清楚是什么意思，可以在我的知识库里查看这些指标的具体含义，示例截图如下：

🌟完整代码

   如果您希望获取博文中提到的所有实现相关的完整资源文件（包括测试图片、视频、Python脚本、UI文件、训练数据集、训练代码、界面代码等），这些文件已被全部打包。以下是完整资源包的截图：

您可以通过下方演示视频的视频简介部分进行获取：

演示视频：
基于深度学习的苹果叶片病害检测识别系统（v8）

基于深度学习的苹果叶片病害检测识别系统（v11）