《博主簡(jiǎn)介》

小伙伴們好，我是阿旭。專注于人工智能、AIGC、python、計(jì)算機(jī)視覺(jué)相關(guān)分享研究。
?更多學(xué)習(xí)資源，可關(guān)注公-仲-hao:【阿旭算法與機(jī)器學(xué)習(xí)】，共同學(xué)習(xí)交流~
??感謝小伙伴們點(diǎn)贊、關(guān)注！

《------往期經(jīng)典推薦------》

一、AI應(yīng)用軟件開(kāi)發(fā)實(shí)戰(zhàn)專欄【鏈接】

二、機(jī)器學(xué)習(xí)實(shí)戰(zhàn)專欄【鏈接】，已更新31期，歡迎關(guān)注，持續(xù)更新中~~
三、深度學(xué)習(xí)【Pytorch】專欄【鏈接】
四、【Stable Diffusion繪畫(huà)系列】專欄【鏈接】

《------正文------》

基本功能演示

摘要：葡萄簇目標(biāo)檢測(cè)系統(tǒng)能夠自動(dòng)檢測(cè)葡萄園中的葡萄簇對(duì)象，這對(duì)于精確農(nóng)業(yè)和數(shù)據(jù)驅(qū)動(dòng)的作物管理是一大助力，同時(shí)有助于實(shí)現(xiàn)可持續(xù)發(fā)展的農(nóng)業(yè)實(shí)踐。本文基于YOLOv8深度學(xué)習(xí)框架，訓(xùn)練了一個(gè)進(jìn)行葡萄簇的目標(biāo)檢測(cè)模型,可檢測(cè)葡萄園中的葡萄簇對(duì)象。并基于此模型開(kāi)發(fā)了一款帶UI界面的葡萄簇目標(biāo)檢測(cè)系統(tǒng)，可用于實(shí)時(shí)檢測(cè)場(chǎng)景中的葡萄簇，也更方便進(jìn)行功能的展示。該系統(tǒng)是基于python與PyQT5開(kāi)發(fā)的，支持圖片、視頻以及攝像頭進(jìn)行目標(biāo)檢測(cè)，并保存檢測(cè)結(jié)果。本文提供了完整的Python代碼和使用教程，給感興趣的小伙伴參考學(xué)習(xí)，完整的代碼資源文件獲取方式見(jiàn)文末。

點(diǎn)擊跳轉(zhuǎn)至文末《完整相關(guān)文件及源碼》獲取

前言

葡萄簇目標(biāo)檢測(cè)系統(tǒng)能夠自動(dòng)檢測(cè)葡萄園中的葡萄簇對(duì)象，這一技術(shù)的開(kāi)發(fā)對(duì)現(xiàn)代農(nóng)業(yè)尤為重要。它不僅能夠提高葡萄園的管理效率，而且還可以提升果實(shí)質(zhì)量、優(yōu)化收成時(shí)機(jī)和方法，進(jìn)而提高整體產(chǎn)量和降低生產(chǎn)成本。系統(tǒng)對(duì)于精確農(nóng)業(yè)和數(shù)據(jù)驅(qū)動(dòng)的作物管理是一大助力，同時(shí)有助于實(shí)現(xiàn)可持續(xù)發(fā)展的農(nóng)業(yè)實(shí)踐。

葡萄簇目標(biāo)檢測(cè)系統(tǒng)的應(yīng)用場(chǎng)景有很多，例如：
產(chǎn)量預(yù)估：通過(guò)檢測(cè)葡萄簇，系統(tǒng)可以幫助估計(jì)葡萄園的整體產(chǎn)量，從而做出更好的市場(chǎng)策略和資源分配。
病蟲(chóng)害檢測(cè)：自動(dòng)識(shí)別可能暗示病害或蟲(chóng)害的跡象，為防治措施提供實(shí)時(shí)數(shù)據(jù)支持。
自動(dòng)化收獲：在安裝于自動(dòng)化采摘機(jī)器或無(wú)人機(jī)上時(shí)，可以精確識(shí)別成熟葡萄簇，輔助或完全實(shí)現(xiàn)收獲自動(dòng)化。
成熟度評(píng)估：定期監(jiān)測(cè)葡萄簇的生長(zhǎng)狀態(tài)，確定最佳采摘時(shí)機(jī)，以確保果實(shí)的品質(zhì)。
精細(xì)化管理：詳細(xì)記錄葡萄生長(zhǎng)情況，幫助農(nóng)場(chǎng)主做出基于數(shù)據(jù)的灌溉、施肥等決策。
科研與教學(xué)：為葡萄生長(zhǎng)研究提供照片資料，支持農(nóng)業(yè)科研和教育工作。
簡(jiǎn)單總結(jié)，葡萄簇目標(biāo)檢測(cè)系統(tǒng)的引入對(duì)于現(xiàn)代葡萄栽培具有顯著意義，它不僅可以優(yōu)化生產(chǎn)管理，降低人力成本，還能夠通過(guò)精確監(jiān)控提高葡萄產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力。此系統(tǒng)代表了信息技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的積極趨勢(shì)，有助于推動(dòng)農(nóng)業(yè)自動(dòng)化和智能化的發(fā)展。

博主通過(guò)搜集實(shí)際葡萄園場(chǎng)景中的葡萄簇相關(guān)數(shù)據(jù)圖片，根據(jù)YOLOv8的目標(biāo)檢測(cè)技術(shù)，基于python與Pyqt5開(kāi)發(fā)了一款界面簡(jiǎn)潔的葡萄簇目標(biāo)檢測(cè)系統(tǒng)，可支持圖片、視頻以及攝像頭檢測(cè)，同時(shí)可以將圖片或者視頻檢測(cè)結(jié)果進(jìn)行保存。

軟件初始界面如下圖所示：

檢測(cè)結(jié)果界面如下：

一、軟件核心功能介紹及效果演示

軟件主要功能

1. 可對(duì)實(shí)際圖像中的葡萄簇對(duì)象進(jìn)行檢測(cè);
2. 支持圖片、視頻及攝像頭進(jìn)行檢測(cè)，同時(shí)支持圖片的批量檢測(cè)；
3. 界面可實(shí)時(shí)顯示目標(biāo)位置、目標(biāo)總數(shù)、置信度、用時(shí)等信息;
4. 支持圖片或者視頻的檢測(cè)結(jié)果保存；

（1）圖片檢測(cè)演示

點(diǎn)擊圖片圖標(biāo)，選擇需要檢測(cè)的圖片，或者點(diǎn)擊文件夾圖標(biāo)，選擇需要批量檢測(cè)圖片所在的文件夾，操作演示如下：
點(diǎn)擊目標(biāo)下拉框后，可以選定指定目標(biāo)的結(jié)果信息進(jìn)行顯示。 點(diǎn)擊保存按鈕，會(huì)對(duì)視頻檢測(cè)結(jié)果進(jìn)行保存，存儲(chǔ)路徑為：save_data目錄下。
注：1.右側(cè)目標(biāo)位置默認(rèn)顯示置信度最大一個(gè)目標(biāo)位置。所有檢測(cè)結(jié)果均在左下方表格中顯示。
單個(gè)圖片檢測(cè)操作如下：

批量圖片檢測(cè)操作如下：

（2）視頻檢測(cè)演示

點(diǎn)擊視頻圖標(biāo)，打開(kāi)選擇需要檢測(cè)的視頻，就會(huì)自動(dòng)顯示檢測(cè)結(jié)果。點(diǎn)擊保存按鈕，會(huì)對(duì)視頻檢測(cè)結(jié)果進(jìn)行保存，存儲(chǔ)路徑為：save_data目錄下。

（3）攝像頭檢測(cè)演示

點(diǎn)擊攝像頭圖標(biāo)，可以打開(kāi)攝像頭，可以實(shí)時(shí)進(jìn)行檢測(cè)，再次點(diǎn)擊攝像頭圖標(biāo)，可關(guān)閉攝像頭。

（4）保存圖片與視頻檢測(cè)結(jié)果

點(diǎn)擊保存按鈕后，會(huì)將當(dāng)前選擇的圖片【含批量圖片】或者視頻的檢測(cè)結(jié)果進(jìn)行保存。檢測(cè)的圖片與視頻結(jié)果會(huì)存儲(chǔ)在save_data目錄下。

二、模型的訓(xùn)練、評(píng)估與推理

1.YOLOv8的基本原理

YOLOv8是一種前沿的目標(biāo)檢測(cè)技術(shù)，它基于先前YOLO版本在目標(biāo)檢測(cè)任務(wù)上的成功，進(jìn)一步提升了性能和靈活性。主要的創(chuàng)新點(diǎn)包括一個(gè)新的骨干網(wǎng)絡(luò)、一個(gè)新的 Ancher-Free 檢測(cè)頭和一個(gè)新的損失函數(shù)，可以在從 CPU 到 GPU 的各種硬件平臺(tái)上運(yùn)行。
其主要網(wǎng)絡(luò)結(jié)構(gòu)如下：

2. 數(shù)據(jù)集準(zhǔn)備與訓(xùn)練

本文使用的數(shù)據(jù)集實(shí)際葡萄園場(chǎng)景中拍攝的圖片，并使用Labelimg標(biāo)注工具對(duì)每張圖片中的目標(biāo)邊框（Bounding Box）及類別進(jìn)行標(biāo)注。部分圖像及標(biāo)注如下圖所示。：

圖片數(shù)據(jù)的存放格式如下，在項(xiàng)目目錄中新建datasets目錄，同時(shí)將檢測(cè)的圖片分為訓(xùn)練集與驗(yàn)證集放入GrapeData目錄下。

同時(shí)我們需要新建一個(gè)data.yaml文件，用于存儲(chǔ)訓(xùn)練數(shù)據(jù)的路徑及模型需要進(jìn)行檢測(cè)的類別。YOLOv8在進(jìn)行模型訓(xùn)練時(shí)，會(huì)讀取該文件的信息，用于進(jìn)行模型的訓(xùn)練與驗(yàn)證。data.yaml的具體內(nèi)容如下：

train: E:\MyCVProgram\GrapeDetection\datasets\GrapeData\train  # train images (relative to 'path') 128 images
val: E:\MyCVProgram\GrapeDetection\datasets\GrapeData\val  # val images (relative to 'path') 128 images

# number of classes
nc: 1

# Classes
names: ['Grape']

注：train與val后面表示需要訓(xùn)練圖片的路徑，建議直接寫(xiě)自己文件的絕對(duì)路徑。
數(shù)據(jù)準(zhǔn)備完成后，通過(guò)調(diào)用train.py文件進(jìn)行模型訓(xùn)練，epochs參數(shù)用于調(diào)整訓(xùn)練的輪數(shù)，batch參數(shù)用于調(diào)整訓(xùn)練的批次大小【根據(jù)內(nèi)存大小調(diào)整，最小為1】，代碼如下：

#coding:utf-8
from ultralytics import YOLO

# 加載預(yù)訓(xùn)練模型
model = YOLO("yolov8n.pt")
# Use the model
if __name__ == '__main__':
    # Use the model
    results = model.train(data='datasets/GrapeData/data.yaml', epochs=300, batch=4)  # 訓(xùn)練模型
    # 將模型轉(zhuǎn)為onnx格式
    # success = model.export(format='onnx')

3. 訓(xùn)練結(jié)果評(píng)估

在深度學(xué)習(xí)中，我們通常用損失函數(shù)下降的曲線來(lái)觀察模型訓(xùn)練的情況。YOLOv8在訓(xùn)練時(shí)主要包含三個(gè)方面的損失：定位損失(box_loss)、分類損失(cls_loss)和動(dòng)態(tài)特征損失（dfl_loss），在訓(xùn)練結(jié)束后，可以在runs/目錄下找到訓(xùn)練過(guò)程及結(jié)果文件，如下所示：

各損失函數(shù)作用說(shuō)明：
定位損失box_loss：預(yù)測(cè)框與標(biāo)定框之間的誤差（GIoU），越小定位得越準(zhǔn)；
分類損失cls_loss：計(jì)算錨框與對(duì)應(yīng)的標(biāo)定分類是否正確，越小分類得越準(zhǔn)；
動(dòng)態(tài)特征損失（dfl_loss）：DFLLoss是一種用于回歸預(yù)測(cè)框與目標(biāo)框之間距離的損失函數(shù)。在計(jì)算損失時(shí)，目標(biāo)框需要縮放到特征圖尺度，即除以相應(yīng)的stride，并與預(yù)測(cè)的邊界框計(jì)算Ciou Loss，同時(shí)與預(yù)測(cè)的anchors中心點(diǎn)到各邊的距離計(jì)算回歸DFLLoss。這個(gè)過(guò)程是YOLOv8訓(xùn)練流程中的一部分，通過(guò)計(jì)算DFLLoss可以更準(zhǔn)確地調(diào)整預(yù)測(cè)框的位置，提高目標(biāo)檢測(cè)的準(zhǔn)確性。
本文訓(xùn)練結(jié)果如下：

我們通常用PR曲線來(lái)體現(xiàn)精確率和召回率的關(guān)系，本文訓(xùn)練結(jié)果的PR曲線如下。mAP表示Precision和Recall作為兩軸作圖后圍成的面積，m表示平均，@后面的數(shù)表示判定iou為正負(fù)樣本的閾值。mAP@.5：表示閾值大于0.5的平均mAP，可以看到本文模型4目標(biāo)檢測(cè)的mAP@0.5值為0.84，結(jié)果還是很不錯(cuò)的。

4. 檢測(cè)結(jié)果識(shí)別

模型訓(xùn)練完成后，我們可以得到一個(gè)最佳的訓(xùn)練結(jié)果模型best.pt文件，在runs/trian/weights目錄下。我們可以使用該文件進(jìn)行后續(xù)的推理檢測(cè)。
圖片檢測(cè)代碼如下：

#coding:utf-8
from ultralytics import YOLO
import cv2

# 所需加載的模型目錄
path = 'models/best.pt'
# 需要檢測(cè)的圖片地址
img_path = "TestFiles/IMG_0209_0.jpg"

# 加載預(yù)訓(xùn)練模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')
# model = YOLO(path, task='detect',conf=0.5)


# 檢測(cè)圖片
results = model(img_path)
res = results[0].plot()
res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

執(zhí)行上述代碼后，會(huì)將執(zhí)行的結(jié)果直接標(biāo)注在圖片上，結(jié)果如下：

以上便是關(guān)于此款葡萄簇目標(biāo)檢測(cè)系統(tǒng)的原理與代碼介紹?；诖四Ｐ?，博主用python與Pyqt5開(kāi)發(fā)了一個(gè)帶界面的軟件系統(tǒng)，即文中第二部分的演示內(nèi)容，能夠很好的支持圖片、視頻及攝像頭進(jìn)行檢測(cè)，同時(shí)支持檢測(cè)結(jié)果的保存。

關(guān)于該系統(tǒng)涉及到的完整源碼、UI界面代碼、數(shù)據(jù)集、訓(xùn)練代碼、測(cè)試圖片視頻等相關(guān)文件，均已打包上傳，感興趣的小伙伴可以通過(guò)下載鏈接自行獲取。

【獲取方式】

關(guān)注下方名片G-Z-H：【阿旭算法與機(jī)器學(xué)習(xí)】，并發(fā)送【源碼】即可獲取下載方式

本文涉及到的完整全部程序文件：包括python源碼、數(shù)據(jù)集、訓(xùn)練代碼、UI文件、測(cè)試圖片視頻等（見(jiàn)下圖），獲取方式見(jiàn)文末：

注意：該代碼基于Python3.9開(kāi)發(fā)，運(yùn)行界面的主程序?yàn)?code>MainProgram.py，其他測(cè)試腳本說(shuō)明見(jiàn)上圖。為確保程序順利運(yùn)行，請(qǐng)按照程序運(yùn)行說(shuō)明文檔txt配置軟件運(yùn)行所需環(huán)境。

關(guān)注下方名片GZH:【阿旭算法與機(jī)器學(xué)習(xí)】，并發(fā)送【源碼】即可獲取下載方式

結(jié)束語(yǔ)

以上便是博主開(kāi)發(fā)的基于YOLOv8深度學(xué)習(xí)的葡萄簇目標(biāo)檢測(cè)系統(tǒng)的全部?jī)?nèi)容，由于博主能力有限，難免有疏漏之處，希望小伙伴能批評(píng)指正。
關(guān)于本篇文章大家有任何建議或意見(jiàn)，歡迎在評(píng)論區(qū)留言交流！

覺(jué)得不錯(cuò)的小伙伴，感謝點(diǎn)贊、關(guān)注加收藏哦！文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-804130.html

到了這里，關(guān)于基于YOLOv8深度學(xué)習(xí)的葡萄簇目標(biāo)檢測(cè)系統(tǒng)【python源碼+Pyqt5界面+數(shù)據(jù)集+訓(xùn)練代碼】目標(biāo)檢測(cè)、深度學(xué)習(xí)實(shí)戰(zhàn)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！