基于 YOLOv8 的智慧农业农作物病虫害检测系统 农业无人机自动巡检 102类虫害检测数据集 YOLOV8模型如何训练农业虫害检测数据集

智慧农业农作物病虫害检测数据集

病虫害检测数据集，包含100余种病虫害类型，YOLO格式标注，支持YOLOv5-12等直接训练。
数据集已经划分处理：
train集: 15182个文件（占比: 80.0%）
val集: 1897个文件（占比: 10.0%）
test集: 1897个文件（占比: 10.0%）

共标注了 102 种农作物相关害虫，按作物类型与害虫特性可分为六大类，具体如下：水稻相关害虫（12 种），稻作及其他作物害虫（12 种），麦类作物害虫（11 种），甜菜及十字花科害虫（6 种），豆类及牧草害虫（13 种

智慧农业农作物病虫害检测数据集的详细分类统计表格，按作物类型与害虫特性划分为六大类，共102 种害虫，并附带各子类数量及占比：

🌾 智慧农业农作物病虫害数据集分类统计表

✅数据集规模

• 训练集（train）：15,182 张图像（80.0%）
• 验证集（val）：1,897 张图像（10.0%）
• 测试集（test）：1,897 张图像（10.0%）
• 标注格式：YOLO 格式（每张图对应.txt文件，含class_id cx cy w h）
• 兼容模型：YOLOv5 / YOLOv6 / YOLOv7 / YOLOv8 / YOLOv9 / YOLOv10 / YOLOv11（社区版）等

📁 数据集目录结构示例

agriculture_pest_dataset/ ├── images/ │ ├── train/# 15,182 images (.jpg)│ ├── val/# 1,897 images│ └── test/# 1,897 images├── labels/ │ ├── train/# 15,182 label files (.txt)│ ├── val/ │ └── test/ ├── classes.txt# 102 行，每行一个害虫类别名称（英文或中文拼音）└── dataset.yaml# YOLO 训练配置文件

📄dataset.yaml示例

# agriculture_pest_dataset/dataset.yamltrain:./images/trainval:./images/valtest:./images/testnc:102names:['rice_planthopper','stem_borer','leaf_folder',...,'aphid','spider_mite'# 共102个类别名称，与 classes.txt 一致]

该数据集适用于：

• 农业无人机巡检
• 手机端病虫害识别 App
• 智慧农场 AI 预警系统
• 科研与竞赛（如 AI+农业挑战赛）

1

基于 YOLOv8 的智慧农业农作物病虫害检测系统的完整实现，包含：

✅训练代码（含数据集配置）
✅推理与可视化系统代码
✅训练结果分析（结合你提供的损失曲线图）
✅模型部署与使用说明

📊 一、训练结果分析（基于损失图）

你提供的图表显示了YOLOv8 在 102 类病虫害数据集上的训练过程，关键指标如下：

✅结论：模型在100 个 epoch 内收敛良好，mAP50 达到50%，适合用于实际农业场景。

🧩 二、训练代码（train.py）

# train.pyfromultralyticsimportYOLOif__name__=='__main__':# 加载预训练模型（推荐使用 yolov8s.pt）model=YOLO('yolov8s.pt')# 可选: yolov8n, yolov8m, yolov8x# 训练参数设置results=model.train(data='dataset.yaml',# 数据集配置文件epochs=100,# 训练轮数imgsz=640,# 输入图像大小batch=16,# 批次大小（根据 GPU 调整）name='agriculture_pest_v8s',# 实验名称workers=4,# 多进程数量optimizer='AdamW',# 优化器lr0=0.001,# 初始学习率weight_decay=0.0005,# 权重衰减mosaic=0.5,# Mosaic 数据增强比例mixup=0.2,# MixUp 比例save_period=10,# 每10轮保存一次模型device=0,# 使用 GPU 0val=True,# 每轮验证plot=True,# 绘制训练曲线augment=True# 启用数据增强)

📁 三、数据集结构与dataset.yaml

# dataset.yamltrain:./images/trainval:./images/valtest:./images/testnc:102names:['rice_planthopper','stem_borer','leaf_folder','aphid','spider_mite','corn_borer','cotton_bollworm','beetle','weevil','cutworm','loopers','whitefly',...]

✅ 确保目录结构：

agriculture_pest_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── dataset.yaml

🔍 四、推理与可视化系统（detect.py）

# detect.pyfromultralyticsimportYOLOimportcv2importos model=YOLO('runs/detect/agriculture_pest_v8s/best.pt')defdetect_image(image_path):results=model(image_path)annotated=results[0].plot()# 自动绘制边界框和标签cv2.imwrite('output.jpg',annotated)print(f"检测完成，结果保存为 output.jpg")defdetect_video(video_path):cap=cv2.VideoCapture(video_path)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=model(frame)annotated=results[0].plot()cv2.imshow('Pest Detection',annotated)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()# 示例调用detect_image('test.jpg')# 或 detect_video('field.mp4')

🖥️ 五、PyQt5 图形界面（app.py）

# app.pyfromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QPushButton,QVBoxLayout,QWidget,QFileDialogfromPyQt5.QtGuiimportQPixmapfromultralyticsimportYOLOimportsys,cv2classPestDetectionApp(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("智慧农业病虫害检测系统")self.model=YOLO('runs/detect/agriculture_pest_v8s/best.pt')self.init_ui()definit_ui(self):layout=QVBoxLayout()self.label=QLabel("请选择待检测图像")self.btn=QPushButton("选择图像")self.btn.clicked.connect(self.select_image)layout.addWidget(self.label)layout.addWidget(self.btn)self.setCentralWidget(QWidget())self.centralWidget().setLayout(layout)defselect_image(self):path,_=QFileDialog.getOpenFileName(self,"选择图像","","Images (*.jpg *.png)")ifpath:results=self.model(path)annotated=results[0].plot()cv2.imwrite("temp_result.jpg",annotated)self.label.setPixmap(QPixmap("temp_result.jpg").scaled(640,480))if__name__=='__main__':app=QApplication(sys.argv)window=PestDetectionApp()window.show()sys.exit(app.exec_())

📈 六、训练后图片解释（以results.png为例）

你提供的训练曲线图（results.png）可由 Ultralytics 自动生成，包含以下内容：

✅结论：模型在100 轮内稳定收敛，无明显过拟合，适合部署。

💡 七、部署建议

1. 导出 ONNX 模型（用于边缘设备）

model.export(format='onnx',opset=12)

2. 移动端部署（Android/iOS）

• 使用TFLite或Core ML
• 推荐工具：torchscript+ONNX Runtime

3. 无人机集成

• 使用 NVIDIA Jetson Nano/Orin
• 部署 YOLOv8s + TensorRT 加速

📦 八、项目交付内容