基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
本项目提供 完整可运行源码 + 完整数据集(已标注) + 训练脚本 + PyQt5 可视化图形界面 + 推理部署教程，帮助你快速搭建一个可用于农业生产场景的 水稻叶片病害识别系统，无需从零开始配置环境或重新整理模型结构，直接开启训练或应用。
源码在文末哔哩哔哩视频简介处获取。
检测主要分为三类：
细菌性叶斑病，主要影响水稻等作物，表现为叶片上出现水状斑点；
褐斑病，常见于水稻，表现为叶片上出现褐色斑点，影响光合作用；
叶霉病，主要影响禾本科植物，表现为叶片上出现黑色霉斑。
基本功能演示
本项目支持 多种输入模式识别：
- 单张图片识别
- 文件夹批量识别
- 本地视频识别
- USB/笔记本摄像头实时识别
- 识别结果可视化叠加：预测框 + 类别名称 + 置信度
- 支持推理过程中动态调整置信度阈值
系统可直接运行，无需额外修改路径或代码。
用户界面采用 PyQt5 开发，界面清晰易用，一键选择输入源即可开始检测。
应用场景示例：
| 场景 | 功能说明 |
|---|---|
| 农田实时病害监控 | 连上摄像头即可边巡田边识别 |
| 农科论文 / 毕设项目 | 模型可直接扩容和迁移训练 |
| 智慧农业系统对接 | 推理模块可直接封装为API |
可检测三类常见水稻病害：
- 细菌性叶斑病：叶片出现水渍状斑块，逐渐扩散
- 褐斑病：叶片产生褐色坏死斑点，对叶绿素合成影响明显
- 叶霉病：叶片背面出现黑绿色霉层，抑制植物光合作用
项目摘要
本项目集成了 YOLOv8 病害检测模型 与 PyQt5 图形界面可视化系统，不仅支持离线识别，还可通过视频流进行实时病害检测。系统界面操作简单，无需专业深度学习经验即可快速上手运行模型，适用于农业实验、智慧农田监控、科研论文与课程设计等场景。
项目提供：
- 已标注水稻病害数据集
- 训练完成的模型权重文件
- 可继续训练或迁移训练的源码工程
- 一键运行的图形化检测系统
- 全套训练 / 推理 / 部署教程
前言
随着农业智能化推进，病害识别逐渐从人工观察转向传感器监控 + 视觉智能诊断。传统人工巡田不仅效率低，而且容易受经验限制导致误判。本项目采用 YOLOv8 轻量化目标检测算法，在保持高识别准确率的同时，兼具速度快、部署轻的优点，能够适应边缘设备、无人机巡检、田间智能终端等应用环境。
与此同时，我们将模型封装为可视化界面，使得非算法背景的农技人员、科研助理、农业院校学生也能轻松使用该系统进行水稻健康状况分析。
一、软件核心功能介绍及效果演示
系统核心功能包括：
| 功能 | 描述 |
|---|---|
| YOLOv8 病害检测 | 可准确划分三类水稻病害类型 |
| PyQt5 图形界面 | 支持按钮操作，一键推理 |
| 多输入模式支持 | 图片 / 文件夹 / 视频 / 摄像头 |
| 动态参数可调 | 可实时调整置信度与NMS阈值 |
| 自动可视化结果 | 边检测边展示，支持保存截图 |
| 可继续训练 | 提供训练脚本和标注文件，可扩展数据集 |
识别示例效果（可在此放模型预测图）：
病害区域将自动框选，并给出类别与置信度。
通过 GUI 界面可直接完成所有操作，无需命令行。
二、软件效果演示
为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。
（1）单图片检测演示
用户点击“选择图片”，即可加载本地图像并执行检测：
（2）多文件夹图片检测演示
用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。
（3）视频检测演示
支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：
（4）摄像头检测演示
实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。
（5）保存图片与视频检测结果
用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。
三、模型的训练、评估与推理
YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。 其核心优势如下：
- 高速推理，适合实时检测任务
- 支持Anchor-Free检测
- 支持可扩展的Backbone和Neck结构
- 原生支持ONNX导出与部署
3.1 YOLOv8的基本原理
YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：
- 速度快：推理速度提升明显；
- 准确率高：支持 Anchor-Free 架构；
- 支持分类/检测/分割/姿态多任务；
- 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。
YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。
YOLOv8原理图如下：
3.2 数据集准备与训练
采用 YOLO 格式的数据集结构如下：
dataset/
├── images/
│ ├── train/
│ └── val/
├── labels/
│ ├── train/
│ └── val/
每张图像有对应的 .txt 文件，内容格式为：
4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757
分类包括（可自定义）：
3.3. 训练结果评估
训练完成后，将在 runs/detect/train 目录生成结果文件，包括：
results.png：损失曲线和 mAP 曲线；weights/best.pt：最佳模型权重；confusion_matrix.png：混淆矩阵分析图。
若 mAP@0.5 达到 90% 以上，即可用于部署。
在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：
3.4检测结果识别
使用 PyTorch 推理接口加载模型：
import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构
safe_globals().add(DetectionModel)
# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
预测结果包含类别、置信度、边框坐标等信息。
四.YOLOV8+YOLOUI完整源码打包
本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：
4.1 项目开箱即用
作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。
运行项目只需输入下面命令。
python main.py
读者也可自行配置训练集，或使用打包好的数据集直接训练。
自行训练项目只需输入下面命令。
yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001
4.2 完整源码
至项目实录视频下方获取：
哔哩哔哩视频演示：www.bilibili.com/video/BV1TB…
包含：
📦完整项目源码
📦 预训练模型权重
🗂️ 数据集地址（含标注脚本）
总结
本项目面向水稻病害智能识别应用场景，基于 YOLOv8 构建高精度目标检测模型，并结合 PyQt5 实现了可直接运行的可视化检测系统。项目不仅提供完整的已标注数据集和训练脚本，还包含训练完成的模型权重和全套部署流程，用户无需额外编写代码即可进行病害识别、模型复训或扩展应用。
系统实现了图片、批量文件夹、视频及实时摄像头的多输入检测方式，并支持动态阈值调节、检测结果可视化和自动保存，有效降低了农业场景中病害诊断的成本与门槛。通过轻量化模型结构和高效推理框架，本项目可灵活应用于科研教学、农业现场巡检以及智慧农田监测等多种实际业务需求。
本项目不仅展示了深度学习在农业病害检测领域的落地方案，也为后续的模型优化、病害种类扩展及智能农业系统集成提供了完整且可复用的工程模板。
