基於YOLOv8的番茄葉片病害識別系統｜完整源碼數據集+PyQt5界面+完整訓練流程+開箱即用！
源碼包含：完整YOLOv8訓練代碼+數據集(帶標註)+權重文件+直接可允許檢測的yolo檢測程序+直接部署教程/訓練教程
源碼在文末嗶哩嗶哩視頻簡介處獲取。
基本功能演示
支持 圖片檢測、視頻檢測、實時攝像頭檢測
支持 界面一鍵加載模型與快速預測
支持 目標框 + 類別名稱 + 置信度可視化顯示
支持 批量檢測並自動保存檢測結果
支持 模型自定義替換與快速重新訓練
項目摘要
本項目針對番茄葉片常見病害難以人工快速識別的問題，構建了一個基於 YOLOv8 的智能病害識別系統。系統利用深度學習模型對葉片圖像進行檢測與分類，可自動分辨細菌、真菌、病毒引起的多種病害類型，並支持實時檢測與可視化展示。通過結合 PyQt5 圖形化界面，系統可直接作為農業大棚監測、農技人員巡檢、科研教學示範等場景的 開箱即用智能工具。
基於YOLOv8的番茄葉片病害識別系統，可檢測下面10種疾病
'番茄細菌性斑點病',
'番茄早疫病',
'番茄晚疫病',
'番茄葉黴病',
'番茄褐斑病',
'番茄紅蜘蛛（雙斑葉蟎）',
'番茄靶斑病',
'番茄黃化卷葉病毒病',
'健康番茄',
'番茄花葉病毒病'前言
番茄是全球重要的經濟作物之一，但其葉片病害類型多、病原複雜、症狀相似，傳統依賴人工診斷經驗，存在 效率低、識別難、延誤最佳防治時機 等問題。隨着深度學習的發展，基於圖像的病害識別技術已經能夠達到穩定高效的識別精度。
本項目基於 YOLOv8 目標檢測模型，在 帶標籤葉片圖像 上進行了系統訓練與優化，並結合 PyQt5 實現了界面化部署，使得 非 AI 技術人員也可直接使用，在農業生產中具有較高落地價值。
一、軟件核心功能介紹及效果演示
| 功能模塊 | 描述 |
|---|---|
| 病害自動檢測 | 支持對番茄葉片圖像進行多類別病害識別，並輸出目標框和類別標籤 |
| 實時視頻/攝像頭識別 | 支持 USB 攝像頭、工控機相機或本地視頻流實時識別 |
| 批量圖片檢測 | 支持選擇文件夾一鍵處理並保存結果 |
| PyQt5 圖形界面 | 支持無需命令行，用户可直接操作 |
| 模型可替換 / 可再訓練 | 支持更換權重、重新訓練、自定義數據擴展 |
| 自動保存結果 | 檢測標註框、預測數據與結果圖自動保存 |
二、軟件效果演示
為了直觀展示本系統基於 YOLOv8 模型的檢測能力，我們設計了多種操作場景，涵蓋靜態圖片、批量圖片、視頻以及實時攝像頭流的檢測演示。
（1）單圖片檢測演示
用户點擊“選擇圖片”，即可加載本地圖像並執行檢測：
（2）多文件夾圖片檢測演示
用户可選擇包含多張圖像的文件夾，系統會批量檢測並生成結果圖。
（3）視頻檢測演示
支持上傳視頻文件，系統會逐幀處理並生成目標檢測結果，可選保存輸出視頻：
（4）攝像頭檢測演示
實時檢測是系統中的核心應用之一，系統可直接調用攝像頭進行檢測。由於原理和視頻檢測相同，就不重複演示了。
（5）保存圖片與視頻檢測結果
用户可通過按鈕勾選是否保存檢測結果，所有檢測圖像自動加框標註並保存至指定文件夾，支持後續數據分析與複審。
三、模型的訓練、評估與推理
YOLOv8是Ultralytics公司發佈的新一代目標檢測模型，採用更輕量的架構、更先進的損失函數（如CIoU、TaskAlignedAssigner）與Anchor-Free策略，在COCO等數據集上表現優異。
其核心優勢如下：
- 高速推理，適合實時檢測任務
- 支持Anchor-Free檢測
- 支持可擴展的Backbone和Neck結構
- 原生支持ONNX導出與部署
3.1 YOLOv8的基本原理
YOLOv8 是 Ultralytics 發佈的新一代實時目標檢測模型，具備如下優勢：
- 速度快：推理速度提升明顯；
- 準確率高：支持 Anchor-Free 架構；
- 支持分類/檢測/分割/姿態多任務；
- 本項目使用 YOLOv8 的 Detection 分支，訓練時每類表情均標註為獨立目標。
YOLOv8 由Ultralytics 於 2023 年 1 月 10 日發佈，在準確性和速度方面具有尖端性能。在以往YOLO 版本的基礎上，YOLOv8 引入了新的功能和優化，使其成為廣泛應用中各種物體檢測任務的理想選擇。
YOLOv8原理圖如下：
3.2 數據集準備與訓練
採用 YOLO 格式的數據集結構如下：
dataset/
├── images/
│ ├── train/
│ └── val/
├── labels/
│ ├── train/
│ └── val/每張圖像有對應的 .txt 文件，內容格式為：
4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757分類包括（可自定義）：
3.3. 訓練結果評估
訓練完成後，將在 runs/detect/train 目錄生成結果文件，包括：
results.png：損失曲線和 mAP 曲線；weights/best.pt：最佳模型權重；confusion_matrix.png：混淆矩陣分析圖。
若 mAP@0.5 達到 90% 以上，即可用於部署。
在深度學習領域，我們通常通過觀察損失函數下降的曲線來評估模型的訓練狀態。YOLOv8訓練過程中，主要包含三種損失：定位損失（box_loss）、分類損失（cls_loss）和動態特徵損失（dfl_loss）。訓練完成後，相關的訓練記錄和結果文件會保存在runs/目錄下，具體內容如下：
3.4檢測結果識別
使用 PyTorch 推理接口加載模型：
import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel
# 加入可信模型結構
safe_globals().add(DetectionModel)
# 加載模型並推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)
# 獲取保存後的圖像路徑
# 默認保存到 runs/detect/predict/ 目錄
save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加載並顯示圖像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
預測結果包含類別、置信度、邊框座標等信息。
四.YOLOV8+YOLOUI完整源碼打包
本文涉及到的完整全部程序文件：包括python源碼、數據集、訓練代碼、UI文件、測試圖片視頻等（見下圖），獲取方式見【4.2 完整源碼下載】：
4.1 項目開箱即用
作者已將整個工程打包。包含已訓練完成的權重，讀者可不用自行訓練直接運行檢測。
運行項目只需輸入下面命令。
python main.py讀者也可自行配置訓練集，或使用打包好的數據集直接訓練。
自行訓練項目只需輸入下面命令。
yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.0014.2 完整源碼
至項目實錄視頻下方獲取：
https://www.bilibili.com/video/BV1P111BJEjk/
包含：
📦完整項目源碼
📦 預訓練模型權重
🗂️ 數據集地址（含標註腳本）
總結
本項目基於 YOLOv8 模型構建了一個 可直接落地使用的番茄葉片病害智能識別系統。通過對大規模番茄病害圖像進行標註與訓練，系統能夠精準識別包括細菌、真菌、病毒等在內的多種典型葉片病害類型，並支持 圖片、視頻、攝像頭實時檢測與批量處理。同時，結合 PyQt5 圖形化界面實現了真正的 “零代碼上手”，即使沒有深度學習經驗的農業從業者、農技人員或科研人員也能輕鬆部署與使用。
相比傳統人工巡檢方式，本系統在 識別效率、準確性、可擴展性與自動化能力 方面都具有明顯優勢，能夠有效減少誤診漏診、提升病害防治時效，有助於農業生產過程向 智能化、精準化、現代化 方向發展。未來，本系統可進一步拓展到更多作物病害場景，或結合無人機、智能大棚等設備實現自動化監控，為數字農業提供更加完整的智能解決方案。
