尧图网页设计 
简介这份资源是面向计算机、人工智能、自动化等专业学生与教师的YOLOv8目标检测实战项目以智慧农场作物病虫害识别为主题可用于毕业设计、课程设计或大作业。项目包含训练与推理源码、可视化界面、完整数据集及部署说明部署流程简单运行后能生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果和标签分布图便于答辩展示与结果分析。压缩包共8个文件以3个py脚本、3个pt权重文件和2个txt说明文档为主脚本负责模型训练、视频检测与可视化界面权重文件可直接加载推理整体约15.91MB结构精简。目前已有41人学习适合希望快速上手YOLOv8目标检测、需要完整可运行方案的学习者参考也可在现有代码基础上修改以扩展其他识别功能。1. 从一份能跑起来的 YOLOv8 作物病虫害识别项目说起智慧农场里的病虫害识别最怕的不是模型精度不够而是拿到一份源码之后环境装不上、数据集对不上、界面点不动。标题里这套「基于 YOLOv8 的智慧农场作物病虫害识别」把源码、可视化界面、完整数据集和部署教程打包在一起核心卖点就一句话简单部署即可运行。它面向的是要交毕设、做课程设计、或者想快速验证农业 AI 落地的人不是让你从零推导卷积反向传播。YOLOv8 本身是 Ultralytics 维护的目标检测框架在农业场景里常被用来框出叶片上的病斑、虫体或果实异常区域配合一个可视化界面就能演示「上传图片—识别—显示结果」的完整链路。这一章先把这套东西的边界讲清楚它能解决什么、不能解决什么、你拿到手之后第一件事该干什么。这套方案真正省事的地方在于数据集已经标注好界面已经写好部署教程把常见坑填过一遍。你不需要自己用 labelme 标几千张叶片图也不需要从零写 PyQt 或 Streamlit 界面。但要注意病虫害识别和通用目标检测有区别病斑往往很小、颜色和健康组织接近、不同作物不同病害的形态差异极大。所以拿到项目后先别急着改模型结构先跑通推理看看它在验证集上的实际表现再决定要不要做数据增强或换更大的模型。适合谁适合有 Python 基础、能看懂 YOLO 训练命令、需要在一个月内交出可演示系统的人。不适合谁不适合想发顶会论文或做多模态农业大模型的人这套东西的定位是工程落地和教学演示。2. 环境搭建与 YOLOv8 最小推理链路2.1 为什么优先选 CPU 版先跑通很多人一上来就装 CUDA、cuDNN、PyTorch GPU 版结果驱动版本对不上卡在torch.cuda.is_available()返回 False 上耗掉两天。我的习惯是先用 CPU 版把推理链路跑通确认模型文件、数据集路径、界面调用都没问题再切 GPU 训练。Ubuntu 20.04 和 Windows 10/11 都可以CPU 版对显卡没要求GTX 1660 Ti 这种卡后面训练也够用。先建虚拟环境别用系统 Python避免依赖污染。# 创建并激活虚拟环境Python 建议 3.8 到 3.10 python -m venv venv_yolo source venv_yolo/bin/activate # Windows 用 venv_yolo\Scripts\activate # 安装 CPU 版 PyTorch先不碰 CUDA pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 Ultralytics 和界面常用依赖 pip install ultralytics opencv-python pillow pyqt5这段命令的逻辑是虚拟环境隔离依赖CPU 版 PyTorch 体积小、安装快、不挑驱动Ultralytics 提供 YOLOv8 的训练和推理接口opencv 和 pillow 处理图像pyqt5 对应可视化界面。参数上唯一要注意的是 Python 版本3.11 以上有些旧版 PyQt5 轮子不全建议 3.8 到 3.10。装完之后用yolo checks看一眼环境它会打印出 PyTorch 版本、是否可用 GPU、依赖是否齐全。2.2 用一条命令验证模型能不能推理环境装好之后别急着打开界面先用官方预训练权重跑一张图确认推理链路是通的。这一步能排除掉 80% 的「界面报错其实是模型加载失败」问题。# 下载 yolov8n.pt 并对单张图片推理保存结果 yolo predict modelyolov8n.pt source./test_leaf.jpg saveTrue conf0.25modelyolov8n.pt指定 nano 版权重体积小、CPU 推理也快source可以是单张图、文件夹或摄像头编号saveTrue把带框结果写到runs/detect/predict目录conf0.25是置信度阈值低于它的框不显示。农业病斑目标小实际项目里这个值常调到 0.15 到 0.2否则漏检会很明显。如果这条命令能出图说明 PyTorch、Ultralytics、图像读取都没问题接下来换成项目自带的best.pt和病虫害图片即可。2.3 把项目自带权重接进推理脚本项目里的权重通常叫best.pt或last.pt放在weights/或runs/train/exp/weights/下。写一个最小推理脚本方便后面界面调用。from ultralytics import YOLO import cv2 # 加载项目自带的病虫害识别权重 model YOLO(weights/best.pt) # 对单张图片推理conf 调低适配小病斑 results model.predict(data/test/leaf_01.jpg, conf0.2, iou0.45) # 取出带框图像并保存 annotated results[0].plot() cv2.imwrite(output/leaf_01_result.jpg, annotated) # 打印检测到的类别和置信度 for box in results[0].boxes: cls_id int(box.cls[0]) print(model.names[cls_id], float(box.conf[0]))逻辑说明YOLO(weights/best.pt)加载自定义权重类别名从model.names取conf0.2和iou0.45是农业小目标常用的折中值iou 太低会保留大量重叠框太高会合并掉相邻病斑results[0].plot()直接生成带框和标签的图像省去手动画框。参数上如果发现同一片病斑被框了好几次把 iou 降到 0.4 左右如果漏检严重先降 conf 到 0.15 看效果再考虑重新训练。3. 数据集结构、标注格式与训练参数怎么定3.1 病虫害数据集的目录长什么样YOLOv8 要求的数据集结构很固定常见做法是根目录下放images和labels各自再分train、val、test。项目自带的完整数据集一般已经按这个结构整理好你只需要确认路径和data.yaml对得上。dataset/ ├── images/ │ ├── train/ # 训练图片jpg/png │ ├── val/ # 验证图片 │ └── test/ # 测试图片 ├── labels/ │ ├── train/ # 与图片同名的 txt 标注 │ ├── val/ │ └── test/ └── data.yaml # 数据集配置文件data.yaml里通常写三样东西train、val的路径nc类别数names类别名列表。病虫害类别可能是「稻瘟病、锈病、蚜虫、健康」这种。注意图片和标注必须同名比如leaf_01.jpg对应leaf_01.txt否则训练时会被当成无标注图片跳过损失曲线会异常。3.2 标注格式转换与检查YOLO 的标注是归一化的class x_center y_center width height每行一个目标取值 0 到 1。如果你手头是 labelme 的 json 或 VOC 的 xml需要转。项目自带数据集一般已经转好但自己补标时容易出错。import os # 检查标注文件是否有越界或空文件 label_dir dataset/labels/train for name in os.listdir(label_dir): path os.path.join(label_dir, name) with open(path) as f: lines f.readlines() if not lines: print(空标注:, name) continue for line in lines: parts line.strip().split() if len(parts) ! 5: print(格式错误:, name, line) continue cls, x, y, w, h parts vals list(map(float, [x, y, w, h])) if any(v 0 or v 1 for v in vals): print(越界:, name, line)这段脚本做三件事发现空标注文件、发现字段数不对的行、发现归一化坐标越界。空标注在农业数据集里很常见因为有些图片确实没有病斑但 YOLO 训练时如果整批都是空标注会出问题建议保留少量作为负样本别全删。越界通常是标注工具导出时没归一化需要重新处理。3.3 训练参数怎么设才不白跑训练命令本身不复杂难的是参数怎么定。下面是一条常用的训练命令适合单卡或 CPU 小规模跑。yolo train modelyolov8n.pt datadataset/data.yaml epochs100 imgsz640 batch16 lr00.01 patience20modelyolov8n.pt从预训练权重开始比从头训快很多epochs100是上限配合patience20表示 20 轮没提升就早停imgsz640是输入尺寸病斑小可以提到 800 或 1024但显存和速度会变batch16在 8G 显存上比较稳CPU 训练就降到 4 或 8lr00.01是初始学习率微调自定义数据集时常用 0.001 到 0.01。如果损失曲线震荡厉害先降 lr0如果验证集精度一直不涨检查标注质量和类别是否均衡。3.4 训练过程要看哪几条曲线训练完在runs/train/exp/下会生成results.csv和一堆曲线图。重点看三条train/box_loss是否稳定下降val/box_loss是否跟着降metrics/mAP50是否上升后趋于平稳。如果 train loss 降但 val loss 上升是过拟合加数据增强或减模型复杂度如果两条都不降是学习率或标注有问题。YOLOv8 画损失函数曲线图可以直接用 Ultralytics 自带的可视化也可以自己读 csv 用 matplotlib 画项目里一般已经包含。4. 可视化界面怎么接模型才不卡4.1 界面与推理线程分离可视化界面最容易翻车的地方是把推理放在 UI 主线程里点一下按钮界面就卡死直到推理结束才恢复。正确做法是推理放子线程主线程只负责显示。from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO class InferThread(QThread): finished pyqtSignal(object) def __init__(self, img_path): super().__init__() self.img_path img_path self.model YOLO(weights/best.pt) def run(self): # 子线程里做推理不阻塞界面 results self.model.predict(self.img_path, conf0.2) self.finished.emit(results[0])逻辑说明QThread子类在run里执行推理完成后通过finished信号把结果传回主线程更新界面。模型在__init__里加载一次不要每次推理都重新加载否则光加载权重就要好几秒。参数上如果界面要支持视频把predict换成逐帧读取并控制帧率别让推理速度拖垮显示。4.2 结果渲染与置信度显示界面显示结果时除了画框最好把类别和置信度一起标出来方便演示时讲解。results[0].plot()已经包含这些信息但如果要自定义颜色或字体可以自己用 OpenCV 画。import cv2 def draw_result(image_path, result): img cv2.imread(image_path) for box in result.boxes: x1, y1, x2, y2 map(int, box.xyxy[0]) conf float(box.conf[0]) cls_name result.names[int(box.cls[0])] cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, f{cls_name} {conf:.2f}, (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) return img这段代码把框和标签画到原图上conf:.2f保留两位小数。注意 OpenCV 读进来是 BGRPyQt 显示要转 RGB否则颜色会偏。如果界面显示模糊检查是否在缩放时用了最近邻插值改成双线性会好很多。4.3 批量测试与结果导出演示时经常需要一次跑一个文件夹的图片界面里加个「批量识别」按钮把结果导出到指定目录方便写报告。import os def batch_infer(model, img_dir, out_dir): os.makedirs(out_dir, exist_okTrue) for name in os.listdir(img_dir): if not name.lower().endswith((.jpg, .png, .jpeg)): continue path os.path.join(img_dir, name) result model.predict(path, conf0.2)[0] annotated result.plot() cv2.imwrite(os.path.join(out_dir, name), annotated)逻辑上就是遍历目录、逐张推理、保存带框图。参数上注意conf和单张推理保持一致否则批量结果和单张结果对不上演示时会被问住。导出目录建议按时间戳命名避免覆盖上一次结果。5. 部署与推理加速的避坑清单5.1 模型加载慢或报找不到权重现象界面启动后点识别等很久才出结果或者直接报FileNotFoundError。原因通常是权重路径写成了相对路径而工作目录变了或者每次推理都重新YOLO()加载一次。解决权重用绝对路径或者在配置里统一管理模型在程序启动时加载一次全局复用。如果用的是项目自带best.pt先确认文件确实存在且没被压缩包损坏。5.2 CPU 推理太慢一张图要好几秒现象没有 GPU 的机器上单张图推理超过 3 秒界面像卡住。原因用了yolov8l或yolov8x这种大模型或者输入尺寸设成了 1280。解决换yolov8n或yolov8s输入尺寸降到 640开启半精度在 CPU 上没用但可以用halfFalse明确关掉。如果还慢考虑导出 ONNX 或 OpenVINO 格式CPU 上通常能快一倍以上。5.3 验证集精度高但实际图片漏检严重现象训练报告里 mAP50 有 0.9但拿真实农田照片测试病斑基本没框出来。原因验证集和训练集来自同一批数据分布太像真实图片光照、角度、背景差异大。解决补一批真实场景图片重新标注加入训练集推理时把 conf 从 0.25 降到 0.15做颜色抖动、随机裁剪等增强。别只看验证集数字一定要留一批「没见过」的图做最终测试。5.4 界面打包成 exe 后找不到模型现象Python 里跑得好好的用 PyInstaller 打包后双击闪退或提示模型不存在。原因打包时权重文件没被包含进去或者路径用了__file__相对定位但打包后结构变了。解决用--add-data把weights和data.yaml一起打包代码里用sys._MEIPASS判断运行环境统一拼路径。打包前先在干净虚拟环境里跑一遍确认没有漏依赖。5.5 类别不平衡导致只识别常见病现象某种病害样本少模型几乎不识别全预测成样本多的那类。原因数据集中长尾分布损失被多数类主导。解决对少样本类别做过采样或复制增强训练时用cls权重调整或者改用 Focal Loss 思路的变体评估时看每类 AP不只看总体 mAP。农业病虫害天然不平衡这一步不能省。6. 把项目改成自己的作物换数据集与调参的实操技巧拿到这套源码之后最有价值的动作不是原样跑一遍而是换成你自己课题的作物和病害。具体做法先按第 3 章的结构整理新数据集类别名改成你的病害名称nc改成实际类别数然后用yolov8n.pt做迁移学习先冻结主干训 20 轮再解冻全量训 80 轮这样小数据集上更稳。我一般会留 10% 的图片完全不参与训练最后只跑一次测试避免「调参调到测试集上」这种自欺欺人的做法。调参上病斑小就把imgsz提到 800但 batch 要相应降到 8 或 4类别少且差异大lr0可以设 0.01类别多且相似降到 0.001 并加更多增强。验证时别只看 mAP把混淆矩阵打出来看看哪些类别互相误判往往能发现标注问题。最后部署教程里的步骤建议自己重走一遍把每个命令的输出记下来答辩或汇报时被问到「你怎么部署的」能直接答。这套方案值不值得做如果你要的是一个能演示、能改、能写进报告的农业 AI 项目它省掉了最耗时的数据标注和界面开发值得如果你要的是刷 SOTA那得换更大的数据集和更深的模型。希望帮到你。本文还有配套的精品资源点击获取 基于YOLOv8的智慧农场作物病虫害识别：源码、数据集与可视化界面部署指南
简介这份资源是面向计算机、人工智能、自动化等专业学生与教师的YOLOv8目标检测实战项目以智慧农场作物病虫害识别为主题可用于毕业设计、课程设计或大作业。项目包含训练与推理源码、可视化界面、完整数据集及部署说明部署流程简单运行后能生成核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果和标签分布图便于答辩展示与结果分析。压缩包共8个文件以3个py脚本、3个pt权重文件和2个txt说明文档为主脚本负责模型训练、视频检测与可视化界面权重文件可直接加载推理整体约15.91MB结构精简。目前已有41人学习适合希望快速上手YOLOv8目标检测、需要完整可运行方案的学习者参考也可在现有代码基础上修改以扩展其他识别功能。1. 从一份能跑起来的 YOLOv8 作物病虫害识别项目说起智慧农场里的病虫害识别最怕的不是模型精度不够而是拿到一份源码之后环境装不上、数据集对不上、界面点不动。标题里这套「基于 YOLOv8 的智慧农场作物病虫害识别」把源码、可视化界面、完整数据集和部署教程打包在一起核心卖点就一句话简单部署即可运行。它面向的是要交毕设、做课程设计、或者想快速验证农业 AI 落地的人不是让你从零推导卷积反向传播。YOLOv8 本身是 Ultralytics 维护的目标检测框架在农业场景里常被用来框出叶片上的病斑、虫体或果实异常区域配合一个可视化界面就能演示「上传图片—识别—显示结果」的完整链路。这一章先把这套东西的边界讲清楚它能解决什么、不能解决什么、你拿到手之后第一件事该干什么。这套方案真正省事的地方在于数据集已经标注好界面已经写好部署教程把常见坑填过一遍。你不需要自己用 labelme 标几千张叶片图也不需要从零写 PyQt 或 Streamlit 界面。但要注意病虫害识别和通用目标检测有区别病斑往往很小、颜色和健康组织接近、不同作物不同病害的形态差异极大。所以拿到项目后先别急着改模型结构先跑通推理看看它在验证集上的实际表现再决定要不要做数据增强或换更大的模型。适合谁适合有 Python 基础、能看懂 YOLO 训练命令、需要在一个月内交出可演示系统的人。不适合谁不适合想发顶会论文或做多模态农业大模型的人这套东西的定位是工程落地和教学演示。2. 环境搭建与 YOLOv8 最小推理链路2.1 为什么优先选 CPU 版先跑通很多人一上来就装 CUDA、cuDNN、PyTorch GPU 版结果驱动版本对不上卡在torch.cuda.is_available()返回 False 上耗掉两天。我的习惯是先用 CPU 版把推理链路跑通确认模型文件、数据集路径、界面调用都没问题再切 GPU 训练。Ubuntu 20.04 和 Windows 10/11 都可以CPU 版对显卡没要求GTX 1660 Ti 这种卡后面训练也够用。先建虚拟环境别用系统 Python避免依赖污染。# 创建并激活虚拟环境Python 建议 3.8 到 3.10 python -m venv venv_yolo source venv_yolo/bin/activate # Windows 用 venv_yolo\Scripts\activate # 安装 CPU 版 PyTorch先不碰 CUDA pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 安装 Ultralytics 和界面常用依赖 pip install ultralytics opencv-python pillow pyqt5这段命令的逻辑是虚拟环境隔离依赖CPU 版 PyTorch 体积小、安装快、不挑驱动Ultralytics 提供 YOLOv8 的训练和推理接口opencv 和 pillow 处理图像pyqt5 对应可视化界面。参数上唯一要注意的是 Python 版本3.11 以上有些旧版 PyQt5 轮子不全建议 3.8 到 3.10。装完之后用yolo checks看一眼环境它会打印出 PyTorch 版本、是否可用 GPU、依赖是否齐全。2.2 用一条命令验证模型能不能推理环境装好之后别急着打开界面先用官方预训练权重跑一张图确认推理链路是通的。这一步能排除掉 80% 的「界面报错其实是模型加载失败」问题。# 下载 yolov8n.pt 并对单张图片推理保存结果 yolo predict modelyolov8n.pt source./test_leaf.jpg saveTrue conf0.25modelyolov8n.pt指定 nano 版权重体积小、CPU 推理也快source可以是单张图、文件夹或摄像头编号saveTrue把带框结果写到runs/detect/predict目录conf0.25是置信度阈值低于它的框不显示。农业病斑目标小实际项目里这个值常调到 0.15 到 0.2否则漏检会很明显。如果这条命令能出图说明 PyTorch、Ultralytics、图像读取都没问题接下来换成项目自带的best.pt和病虫害图片即可。2.3 把项目自带权重接进推理脚本项目里的权重通常叫best.pt或last.pt放在weights/或runs/train/exp/weights/下。写一个最小推理脚本方便后面界面调用。from ultralytics import YOLO import cv2 # 加载项目自带的病虫害识别权重 model YOLO(weights/best.pt) # 对单张图片推理conf 调低适配小病斑 results model.predict(data/test/leaf_01.jpg, conf0.2, iou0.45) # 取出带框图像并保存 annotated results[0].plot() cv2.imwrite(output/leaf_01_result.jpg, annotated) # 打印检测到的类别和置信度 for box in results[0].boxes: cls_id int(box.cls[0]) print(model.names[cls_id], float(box.conf[0]))逻辑说明YOLO(weights/best.pt)加载自定义权重类别名从model.names取conf0.2和iou0.45是农业小目标常用的折中值iou 太低会保留大量重叠框太高会合并掉相邻病斑results[0].plot()直接生成带框和标签的图像省去手动画框。参数上如果发现同一片病斑被框了好几次把 iou 降到 0.4 左右如果漏检严重先降 conf 到 0.15 看效果再考虑重新训练。3. 数据集结构、标注格式与训练参数怎么定3.1 病虫害数据集的目录长什么样YOLOv8 要求的数据集结构很固定常见做法是根目录下放images和labels各自再分train、val、test。项目自带的完整数据集一般已经按这个结构整理好你只需要确认路径和data.yaml对得上。dataset/ ├── images/ │ ├── train/ # 训练图片jpg/png │ ├── val/ # 验证图片 │ └── test/ # 测试图片 ├── labels/ │ ├── train/ # 与图片同名的 txt 标注 │ ├── val/ │ └── test/ └── data.yaml # 数据集配置文件data.yaml里通常写三样东西train、val的路径nc类别数names类别名列表。病虫害类别可能是「稻瘟病、锈病、蚜虫、健康」这种。注意图片和标注必须同名比如leaf_01.jpg对应leaf_01.txt否则训练时会被当成无标注图片跳过损失曲线会异常。3.2 标注格式转换与检查YOLO 的标注是归一化的class x_center y_center width height每行一个目标取值 0 到 1。如果你手头是 labelme 的 json 或 VOC 的 xml需要转。项目自带数据集一般已经转好但自己补标时容易出错。import os # 检查标注文件是否有越界或空文件 label_dir dataset/labels/train for name in os.listdir(label_dir): path os.path.join(label_dir, name) with open(path) as f: lines f.readlines() if not lines: print(空标注:, name) continue for line in lines: parts line.strip().split() if len(parts) ! 5: print(格式错误:, name, line) continue cls, x, y, w, h parts vals list(map(float, [x, y, w, h])) if any(v 0 or v 1 for v in vals): print(越界:, name, line)这段脚本做三件事发现空标注文件、发现字段数不对的行、发现归一化坐标越界。空标注在农业数据集里很常见因为有些图片确实没有病斑但 YOLO 训练时如果整批都是空标注会出问题建议保留少量作为负样本别全删。越界通常是标注工具导出时没归一化需要重新处理。3.3 训练参数怎么设才不白跑训练命令本身不复杂难的是参数怎么定。下面是一条常用的训练命令适合单卡或 CPU 小规模跑。yolo train modelyolov8n.pt datadataset/data.yaml epochs100 imgsz640 batch16 lr00.01 patience20modelyolov8n.pt从预训练权重开始比从头训快很多epochs100是上限配合patience20表示 20 轮没提升就早停imgsz640是输入尺寸病斑小可以提到 800 或 1024但显存和速度会变batch16在 8G 显存上比较稳CPU 训练就降到 4 或 8lr00.01是初始学习率微调自定义数据集时常用 0.001 到 0.01。如果损失曲线震荡厉害先降 lr0如果验证集精度一直不涨检查标注质量和类别是否均衡。3.4 训练过程要看哪几条曲线训练完在runs/train/exp/下会生成results.csv和一堆曲线图。重点看三条train/box_loss是否稳定下降val/box_loss是否跟着降metrics/mAP50是否上升后趋于平稳。如果 train loss 降但 val loss 上升是过拟合加数据增强或减模型复杂度如果两条都不降是学习率或标注有问题。YOLOv8 画损失函数曲线图可以直接用 Ultralytics 自带的可视化也可以自己读 csv 用 matplotlib 画项目里一般已经包含。4. 可视化界面怎么接模型才不卡4.1 界面与推理线程分离可视化界面最容易翻车的地方是把推理放在 UI 主线程里点一下按钮界面就卡死直到推理结束才恢复。正确做法是推理放子线程主线程只负责显示。from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO class InferThread(QThread): finished pyqtSignal(object) def __init__(self, img_path): super().__init__() self.img_path img_path self.model YOLO(weights/best.pt) def run(self): # 子线程里做推理不阻塞界面 results self.model.predict(self.img_path, conf0.2) self.finished.emit(results[0])逻辑说明QThread子类在run里执行推理完成后通过finished信号把结果传回主线程更新界面。模型在__init__里加载一次不要每次推理都重新加载否则光加载权重就要好几秒。参数上如果界面要支持视频把predict换成逐帧读取并控制帧率别让推理速度拖垮显示。4.2 结果渲染与置信度显示界面显示结果时除了画框最好把类别和置信度一起标出来方便演示时讲解。results[0].plot()已经包含这些信息但如果要自定义颜色或字体可以自己用 OpenCV 画。import cv2 def draw_result(image_path, result): img cv2.imread(image_path) for box in result.boxes: x1, y1, x2, y2 map(int, box.xyxy[0]) conf float(box.conf[0]) cls_name result.names[int(box.cls[0])] cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, f{cls_name} {conf:.2f}, (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) return img这段代码把框和标签画到原图上conf:.2f保留两位小数。注意 OpenCV 读进来是 BGRPyQt 显示要转 RGB否则颜色会偏。如果界面显示模糊检查是否在缩放时用了最近邻插值改成双线性会好很多。4.3 批量测试与结果导出演示时经常需要一次跑一个文件夹的图片界面里加个「批量识别」按钮把结果导出到指定目录方便写报告。import os def batch_infer(model, img_dir, out_dir): os.makedirs(out_dir, exist_okTrue) for name in os.listdir(img_dir): if not name.lower().endswith((.jpg, .png, .jpeg)): continue path os.path.join(img_dir, name) result model.predict(path, conf0.2)[0] annotated result.plot() cv2.imwrite(os.path.join(out_dir, name), annotated)逻辑上就是遍历目录、逐张推理、保存带框图。参数上注意conf和单张推理保持一致否则批量结果和单张结果对不上演示时会被问住。导出目录建议按时间戳命名避免覆盖上一次结果。5. 部署与推理加速的避坑清单5.1 模型加载慢或报找不到权重现象界面启动后点识别等很久才出结果或者直接报FileNotFoundError。原因通常是权重路径写成了相对路径而工作目录变了或者每次推理都重新YOLO()加载一次。解决权重用绝对路径或者在配置里统一管理模型在程序启动时加载一次全局复用。如果用的是项目自带best.pt先确认文件确实存在且没被压缩包损坏。5.2 CPU 推理太慢一张图要好几秒现象没有 GPU 的机器上单张图推理超过 3 秒界面像卡住。原因用了yolov8l或yolov8x这种大模型或者输入尺寸设成了 1280。解决换yolov8n或yolov8s输入尺寸降到 640开启半精度在 CPU 上没用但可以用halfFalse明确关掉。如果还慢考虑导出 ONNX 或 OpenVINO 格式CPU 上通常能快一倍以上。5.3 验证集精度高但实际图片漏检严重现象训练报告里 mAP50 有 0.9但拿真实农田照片测试病斑基本没框出来。原因验证集和训练集来自同一批数据分布太像真实图片光照、角度、背景差异大。解决补一批真实场景图片重新标注加入训练集推理时把 conf 从 0.25 降到 0.15做颜色抖动、随机裁剪等增强。别只看验证集数字一定要留一批「没见过」的图做最终测试。5.4 界面打包成 exe 后找不到模型现象Python 里跑得好好的用 PyInstaller 打包后双击闪退或提示模型不存在。原因打包时权重文件没被包含进去或者路径用了__file__相对定位但打包后结构变了。解决用--add-data把weights和data.yaml一起打包代码里用sys._MEIPASS判断运行环境统一拼路径。打包前先在干净虚拟环境里跑一遍确认没有漏依赖。5.5 类别不平衡导致只识别常见病现象某种病害样本少模型几乎不识别全预测成样本多的那类。原因数据集中长尾分布损失被多数类主导。解决对少样本类别做过采样或复制增强训练时用cls权重调整或者改用 Focal Loss 思路的变体评估时看每类 AP不只看总体 mAP。农业病虫害天然不平衡这一步不能省。6. 把项目改成自己的作物换数据集与调参的实操技巧拿到这套源码之后最有价值的动作不是原样跑一遍而是换成你自己课题的作物和病害。具体做法先按第 3 章的结构整理新数据集类别名改成你的病害名称nc改成实际类别数然后用yolov8n.pt做迁移学习先冻结主干训 20 轮再解冻全量训 80 轮这样小数据集上更稳。我一般会留 10% 的图片完全不参与训练最后只跑一次测试避免「调参调到测试集上」这种自欺欺人的做法。调参上病斑小就把imgsz提到 800但 batch 要相应降到 8 或 4类别少且差异大lr0可以设 0.01类别多且相似降到 0.001 并加更多增强。验证时别只看 mAP把混淆矩阵打出来看看哪些类别互相误判往往能发现标注问题。最后部署教程里的步骤建议自己重走一遍把每个命令的输出记下来答辩或汇报时被问到「你怎么部署的」能直接答。这套方案值不值得做如果你要的是一个能演示、能改、能写进报告的农业 AI 项目它省掉了最耗时的数据标注和界面开发值得如果你要的是刷 SOTA那得换更大的数据集和更深的模型。希望帮到你。本文还有配套的精品资源点击获取