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2638
Rust - 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.txt

ultralytics>=8.0.0 PyQt5>=5.15.0 opencv-python>=4.5.0 matplotlib>=3.3.0 pandas>=1.1.0 seaborn>=0.11.0 numpy>=1.18.5

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.yaml

data.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)model=YOLO('yolov8n.pt')# 2. 开始训练# 根据你的描述：150 epochs, imgsz=640 (默认)results=model.train(data='datasets/data.yaml',epochs=150,imgsz=640,batch=16,name='exp-apple-disease',device=0# 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.py

importsysimportcv2importtorchimportnumpyasnpimportpandasaspdfromPyQt5.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_ui=pyqtSignal(np.ndarray,list)def__init__(self,model,image_path,conf_thres):super().__init__()self.model=model self.image_path=image_path self.conf_thres=conf_thresdefrun(self):# 读取图片img=cv2.imread(self.image_path)img_rgb=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)# 推理results=self.model(img_rgb,conf=self.conf_thres)result=results[0]# 解析结果并绘图boxes=result.boxes detections=[]forboxinboxes:# 获取坐标和类别x1,y1,x2,y2=map(int,box.xyxy[0].tolist())conf=box.conf[0].item()cls=int(box.cls[0].item())label=CLASSES[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color=COLORS[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.model=YOLO('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_path=path# 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())conf=0.25# 开启子线程进行检测，防止界面卡顿self.thread=DetectionThread(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,channel=img.shape bytes_per_line=3*width q_img=QImage(img.data,width,height,bytes_per_line,QImage.Format_RGB888)pixmap=QPixmap.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__':app=QApplication(sys.argv)window=MainWindow()window.show()sys.exit(app.exec_())

代码说明

1. 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。

2. 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BGR，Qt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。

3. 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。