68-基于深度学习的水稻虫害检测识别系统（yolo26、yolo12、yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）2027毕业版

关注

原创 2026-08-31 11:16:43 336 阅读 AI 写同款· GEO 优化 ›

YOLOV3林业病虫害数据集和数据预处理-paddle教程林业病虫害数据集和数据预处理方法介绍在本课程中，将使用百度与林业大学合作开发的林业病虫害防治项目中用到昆虫数据集。读取AI识虫数据集标注信息 AI识虫数据集结构如下：提供了2183张图片，其中训练集1693张，验证集245，测试集245张。包含7种昆虫，分别是Boerner、Leconte、Linnaeus、acuminatus、armandi、coleoptera和linnaeus。包含了图片和标注，请读者先将数据解压，并存放在insects目录下。 !conda list # packa 阅读详情

项目介绍

本项目基于 PyQt5 构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。

项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。

✨ 项目亮点

🔧 完整系统级项目： 包括pyqt5界面、后台检测逻辑、模型加载等模块
🧠 支持深度学习模型扩展： 源代码，支持个人添加改进、模型修改等
🚀 可用于毕（she）/课（she）/个人项目展示： 结构清晰，逻辑完整，便于演示

在这里插入图片描述

🎯 功能展示

本系统具备多个核心功能，支持图像、视频、摄像头等多种输入源的目标检测需求：

🎴功能1：支持单张图片识别
加载本地图片进行目标识别，支持多种图片格式（如 .jpg、.png 等）。
📁功能2：支持遍历文件夹识别
可批量读取指定文件夹中的所有图像，并依次完成目标检测任务。
🎫功能3：支持识别视频文件
支持导入本地视频文件，逐帧分析，实时显示检测效果。
📷功能4：支持摄像头识别
直接调用笔记本/外接USB摄像头进行实时目标检测。（此功能识别不准，仅仅是为了有这个功能。）
📤功能5：支持结果文件导出（.xls 格式）
自动保存检测结果为表格文件，包含类别、位置、置信度等信息，方便后续统计与分析。
🔄功能6：支持切换检测目标进行查看
可自定义选择或切换需要检测的目标种类，仅显示感兴趣的目标。

🎥 更多功能细节、代码演示效果获取请参考下方视频演示。此视频是必看的，里面的信息比文章要丰富，很多内容无法通过博客文字表达出来。

68-基于深度学习的水稻虫害检测识别系统-yolo11-彩色版界面（附赠任务书、开题报告模板课程）

68-基于深度学习的水稻虫害检测识别系统-yolov8/yolov5-经典版界面（附赠任务书、开题报告模板课程）

🌟 一、环境安装

🎆 环境配置说明

本项目已准备好 完整的环境安装资源包，包含：

Python、PyCharm
CUDA、PyTorch
其他依赖库（版本已适配）

所有依赖版本均已过验证，确保彼此兼容，可直接参考配套文档或视频教程一步步安装，无需手动调试。

📘 安装指南说明

本项目附带的环境配置文档及配套视频，文档是我在辅导上千名同学安装环境过程中，持续整理总结而成的经验合集，内容覆盖：

GPU 与 CPU 两种版本的详细安装流程
安装过程中常见问题汇总
每个问题对应的解决方案
实测可行的安装顺序建议与注意事项

🧩 无论你是新手还是有经验的开发者，相信这份文档都能为你省下大量踩坑时间！

🎥 环境安装教学视频

环境安装-03GPU版

🌟 二、数据集介绍

使用数据集一部分个人标注，一部分来源网络，已统一标注格式并完成预处理，可直接用于训练与测试。
数据集样式如下：

训练样例1	训练样例2

数据集制作流程
标注数据： 使用标注工具（LabelImg）对图像中的目标进行标注。每个目标需要标出边界框，并且标注类别。

转换格式： 将标注的数据转换为YOLO格式。YOLO标注格式为每行： <x_center> <y_center> ，这些坐标是相对于图像尺寸的比例。

分割数据集： 将数据集分为训练集、验证集和测试集，通常的比例是80%训练集、10%验证集和10%测试集。

准备标签文件： 为每张图片生成一个对应的标签文件，确保标签文件与图片的命名一致。

调整图像尺寸： 根据YOLO网络要求，统一调整所有图像的尺寸（如416x416或608x608）。

这里只是简单大概介绍，我实际的文档里，内容更要比这里丰富很多，保姆级的教程。这里放太多链接，大家容易看不到😂😂😂。

🌟 三、系统环境（框架/依赖库）说明

以下内容是简单的介绍，方便大家写文章，可直接套用。

🧱 系统环境与依赖配置说明

本项目采用 Python 3.8.10 作为开发语言，整个后台逻辑均由 Python 编写，主要依赖环境如下：

🎡 图形界面框架：

PyQt5 5.15.9：用于搭建系统图形用户界面，实现窗口交互与组件布局。

🧠 深度学习框架：

torch 1.9.0+cu111：PyTorch 深度学习框架，支持 CUDA 11.1 加速，用于模型构建与推理。
torchvision 0.10.0+cu111：用于图像处理、数据增强及模型组件辅助。

⚡ CUDA 与 cuDNN（GPU 加速支持）：

CUDA 11.1.1（版本号：cuda_11.1.1_456.81）：用于 GPU 加速深度学习运算。
cuDNN 8.0.5.39（适用于 CUDA 11.1）：NVIDIA 深度神经网络库，用于加速模型训练与推理过程。

🧪 图像处理与科学计算：

opencv-python 4.7.0.72：实现图像读取、显示、处理等功能。
numpy 1.24.4：用于高效数组计算及矩阵操作。
PIL (pillow) 9.5.0：图像文件读写与基本图像处理库。
matplotlib 3.7.1（可选）：用于结果图形化展示与可视化调试。

📈 模型训练参数说明

本项目中提供了两个训练好的模型，均基于如下参数完成训练。具体训练时的设置需根据您自己的硬件配置灵活调整：

🎯 基本训练参数

batch size：16
epoch：200
imgsz（输入尺寸）：640
优化器：SGD
学习率：初始学习率 0.01，最终学习率 0.0001
学习率衰减策略：余弦退火（Cosine Annealing）
激活函数：SiLU
损失函数：CIOU（Complete IOU）

🔁 实时数据增强策略

训练过程中使用了多种 在线增强 方法，包括：

HSV 色域变换
上下翻转、左右翻转
图像旋转
Mosaic 图像拼接增强

⚠️ 特别说明：
以上所有增强操作均为 实时数据增强，只在训练过程中动态生成，用作模型输入，不会将增强后的图像保存到本地。

这种策略具有以下优势：

节省磁盘空间
提高训练样本的多样性
增强模型的泛化能力

若需要可视化增强效果，可自行编写脚本或借助工具（如 Photoshop、美图秀秀等）生成示例图像进行展示。

🌟 四、YOLO相关介绍

🎀 yolov5相关介绍

YOLOV5有YOLOv5n，YOLOv5s，YOLOv5m，YOLOV5l、YOLO5x五个版本。这个模型的结构基本一样，不同的是deth_multiole模型深度和width_multiole模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOV5n网络是YOLOV5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。不过最常用的一般都是yolov5s模型。
在这里插入图片描述

本系统采用了基于深度学习的目标检测算法YOLOv5，该算法是YOLO系列算法的较新版本，相比于YOLOv3和YOLOv4，YOLOv5在检测精度和速度上都有很大的提升。YOLOv5算法的核心思想是将目标检测问题转化为一个回归问题。此外，YOLOv5还引入了一种称为SPP(Spatial Pyramid Pooling)的特征提取方法，这种方法可以在不增加计算量的情况下，有效地提取多尺度特征，提高检测性能。

在YOLOv5中，首先将输入图像通过骨干网络进行特征提取，得到一系列特征图。然后，通过对这些特征图进行处理，将其转化为一组检测框和相应的类别概率分数，即每个检测框所属的物体类别以及该物体的置信度。YOLOv5中的特征提取网络使用CSPNet(Cross Stage Partial Network)结构，它将输入特征图分为两部分，一部分通过一系列卷积层进行处理，另一部分直接进行下采样，最后将这两部分特征图进行融合。这种设计使得网络具有更强的非线性表达能力，可以更好地处理目标检测任务中的复杂背景和多样化物体。

在这里插入图片描述

在YOLOv5中，每个检测框由其左上角坐标(x,y)、宽度(w)、高度(h)和置信度(confidence)组成。同时，每个检测框还会预测C个类别的概率得分，即分类得分(ci)，每个类别的得分之和等于1。因此，每个检测框最终被表示为一个(C+5)维的向量。在训练阶段，YOLOv5使用交叉熵损失函数来优化模型。损失函数由定位损失、置信度损失和分类损失三部分组成，其中定位损失和置信度损失采用了Focal Loss和IoU Loss等优化方法，能够有效地缓解正负样本不平衡和目标尺寸变化等问题。

YOLOv5网络结构是由Input、Backbone、Neck、Prediction组成。Yolov5的Input部分是网络的输入端，采用Mosaic数据增强方式，对输入数据随机裁剪，然后进行拼接。Backbone是Yolov5提取特征的网络部分，特征提取能力直接影响整个网络性能。YOLOv5的Backbone相比于之前Yolov4提出了新的Focus结构。Focus结构是将图片进行切片操作，将W（宽）、H（高）信息转移到了通道空间中，使得在没有丢失任何信息的情况下，进行了2倍下采样操作。

🎑 yolov8相关介绍

YOLOv8 是一个 SOTA 模型，它建立在以前 YOLO 版本的成功基础上，并引入了新的功能和改进，以进一步提升性能和灵活性。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，可以在从 CPU 到 GPU 的各种硬件平台上运行。

不过 ultralytics 并没有直接将开源库命名为 YOLOv8，而是直接使用 ultralytics 这个词，原因是 ultralytics 将这个库定位为算法框架，而非某一个特定算法，一个主要特点是可扩展性。其希望这个库不仅仅能够用于 YOLO 系列模型，而是能够支持非 YOLO 模型以及分类分割姿态估计等各类任务。
总而言之，ultralytics 开源库的两个主要优点是：

融合众多当前 SOTA 技术于一体
未来将支持其他 YOLO 系列以及 YOLO 之外的更多算法

在这里插入图片描述

网络结构如下：
在这里插入图片描述

🎐 yolo11相关介绍

YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
在这里插入图片描述

Key Features 主要特点：

增强的特征提取：YOLO11采用改进的主干和颈部架构，增强了特征提取能力，以实现更精确的目标检测和复杂任务性能。
针对效率和速度进行优化：YOLO11 引入了精致的架构设计和优化的训练管道，提供更快的处理速度并保持准确性和性能之间的最佳平衡。
使用更少的参数获得更高的精度：随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度(mAP)，同时使用的参数比 YOLOv8m 少 22%，从而在不影响精度的情况下提高计算效率。
跨环境适应性：YOLO11可以无缝部署在各种环境中，包括边缘设备、云平台以及支持NVIDIA GPU的系统，确保最大的灵活性。
支持的任务范围广泛：无论是对象检测、实例分割、图像分类、姿态估计还是定向对象检测 (OBB)，YOLO11 旨在应对各种计算机视觉挑战。

🌟 五、模型训练步骤

以下操作步骤，每年我都会更新，所以下方操作步骤可跳过，可以去我文档里查看最新的操作步骤。

使用pycharm打开代码，找到train.py打开，示例截图如下：
修改 model_yaml 的值，根据自己的实际情况修改，想要训练 yolov5s模型就修改为 model_yaml = yaml_yolov5s，训练添加SE注意力机制的模型就修改为 model_yaml = yaml_yolov5_SE
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

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batch
            workers=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
            )

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。
打开 train.py ，右键执行。
出现如下类似的界面代表开始训练了
训练完后的模型保存在runs/train文件夹下

🌟 六、模型评估步骤

以下操作步骤，每年我都会更新，，所以下方操作步骤可跳过，可以去我文档里查看最新的操作步骤。

打开val.py文件，如下图所示：
修改 model_pt 的值，是自己想要评估的模型路径
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

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,                  # batch
          workers=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
          )