简介面向玉米叶片病害智能检测应用场景这份资源包将深度学习模型、标注数据集与桌面端交互界面整合在一起覆盖普通锈病、灰叶斑病、枯萎病及健康叶片四种类别支持直接开展模型训练、效果验证与可视化识别。压缩包内共包含两千个文件总大小约一百八十二兆字节以文本格式标签文件为主体同时配有多种脚本、配置说明、样本图片以及训练好的权重文件。数据集已经划分好训练集、验证集和测试集并附带数据配置文件适用于多种主流检测算法方便科研人员与开发者快速替换或迁移到自己的项目中。目前已有四百余人学习下载适合农业信息化研究者、算法工程师及研究生作为玉米叶部病害检测实验的基础材料。借助已训练权重和界面代码可以直接加载模型识别图像或视频中的病斑也能够基于自带数据集重新训练省去繁琐的数据整理和界面搭建工作。1. 玉米叶病害检测为什么自己训练权重再套个PyQt界面值得做一个人手里攥着1500张玉米叶病害照片想用yolov8训练一套能识别病斑的权重再包一个pyqt界面让不会敲命令的同事也能用这一整套组合拳在当前农业植保场景里相当常见。标题里的三块内容各管一段yolov8负责把“叶片上有没有病斑、属于哪种病”变成检测框和类别1500数据集是训练原料决定模型能学到什么颗粒度的特征pyqt界面则是把模型从命令行里捞出来变成打开就能点的工具。这个方案适合植保方向的研究生、做农业物联网的开发者、以及想给田间巡检配离线检测工具的小团队。难的地方不在于某个单点跑通而是数据集、训练、界面三件事能不能连贯地串成一个可用系统。2. 1500张病害图怎么建数据集目录组织、划分与格式校验2.1 类目怎么定、图怎么拍决定训练上限的事先说一个很多人不爱听的结论1500张图的规模不算大类目设置必须克制。玉米叶病害里最常见的是大斑病、小斑病、锈病加一类健康叶片做负样本顶多再补一个“其它叶部异常”兜底四五类是比较舒服的配置。类目太细比如把病斑按面积再分几个等级1500张图分到每类只有一两百张训练出来的权重经常是“跑起来正常一到现场就翻车”的状态。反过来如果只分“有病”和“没病”后面用界面判断是哪种病时又没法回答等于白做。拍图质量直接影响训练上限。采集时尽量覆盖三个变量光照晴天、阴天、早晚、距离全叶、半叶、病斑特写、背景纯色纸、土壤、杂草丛。我一般要求同一张叶片保留至少三个尺度的照片模型对尺度变化的适应会明显好。标注时框住整个病斑区域别把整片叶子全框进去否则类别特征被大面积健康组织稀释。这一步是纯体力活但做得好后面训练一百轮都省心。2.2 目录组织yolov8训练时怎么找图片和标签训练自己的数据集时yolov8对目录结构有约定玉米叶病害项目也一样。我常用的组织方式是这样datasets/ └── corn_leaf/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── corn_leaf.yaml这套结构里yolov8只认yaml里给的路径训练时会自动到images/train找jpg、到labels/train找同名txt。图片和标签文件名必须一一对应后缀可以不同主名必须一致。很多人在yolov8环境配置阶段就报错大部分是“目录不存在”或“图片和标签对不上”这类低级问题跑之前先核对一遍目录能省很多时间。corn_leaf.yaml内容如下path: D:/datasets/corn_leaf train: images/train val: images/val test: images/test names: 0: healthy 1: northern_leaf_blight 2: southern_leaf_blight 3: common_rustpath建议写绝对路径免得在jupyter或命令行里工作目录不一致时找不到数据。train、val、test写相对路径yolov8会自动拼在path后面。names字典里的类别顺序必须和标注txt里第一个数字一一对应一旦标反训练时loss正常但指标混乱属于隐蔽性很强的故障。2.3 划分脚本与格式校验训练前最后一道工序1500张图准备好后先把整体数据划分成训练、验证、测试三份。我习惯写成脚本一次性完成拷贝和划分而不是手动拖文件。import os import random import shutil from pathlib import Path src_images Path(raw_images) # 原始图片目录 src_labels Path(raw_labels) # 原始标签目录.txt dst Path(datasets/corn_leaf) split_ratio (0.8, 0.1, 0.1) random.seed(42) # 固定随机种子保证可复现 all_images list(src_images.glob(*.jpg)) random.shuffle(all_images) n_train int(len(all_images) * split_ratio[0]) n_val int(len(all_images) * split_ratio[1]) for idx, img_path in enumerate(all_images): if idx n_train: subset train elif idx n_train n_val: subset val else: subset test label_path src_labels / (img_path.stem .txt) if not label_path.exists(): print(fmissing label: {img_path.stem}) continue shutil.copy(img_path, dst / images / subset / img_path.name) shutil.copy(label_path, dst / labels / subset / label_path.name) print(ftrain{n_train}, val{n_val}, test{len(all_images)-n_train-n_val})这段脚本做三件事固定随机种子、按8:1:1切分、把图片和同名标签拷到对应子目录。遇到缺标签的图片会打印missing label不要忽略这个输出缺标签的图进训练集等于教模型学一张没有目标的背景。如果1500张图来自多个采集批次最好先把所有图片混在一起再划分避免某一批照片全部进了训练集而测试集恰好都是另一光照条件下的图。划分完检查标签内容是否合法。YOLO格式的txt每行是 class x y w hxywh都是0到1的归一化值from pathlib import Path label_dirs [ Path(datasets/corn_leaf/labels/train), Path(datasets/corn_leaf/labels/val), ] bad_count 0 for label_dir in label_dirs: for txt in label_dir.glob(*.txt): with open(txt, r) as f: for line in f: parts line.strip().split() if len(parts) ! 5: bad_count 1 print(fbad line: {txt} - {line.strip()}) continue cls, x, y, w, h parts w float(w) h float(h) if w 0 or h 0 or w 1 or h 1: bad_count 1 print(fbad size: {txt} - {line.strip()}) print(ftotal bad: {bad_count})这里检查两类典型问题行内字段数不是5或者宽高小于等于0、大于1。w或h为0往往是标注工具导出出错训练时loss会跳出一个奇怪的inf而且这种坏数据不容易定位到具体文件。这个脚本跑完数据准备才算真正结束。数据增强放在训练参数里用默认值就行不要把上下翻转概率人为调高。玉米叶片有明确的方向性增强过度时验证集mAP看着不错一到真实场景虚检会变多。1500张的训练集保持默认增强、把训练轮数适度增多是更可靠的做法。3. 用yolov8训练玉米病害模型GTX 1660 Ti上的命令与参数设置3.1 模型选型yolov8n还是yolov8syolov8按规模分为n、s、m、l、x几个版本n最小最快s是标准版。做玉米叶病害检测这种任务病斑特征不算极其细微yolov8n在很多场景下已经够用。我常被问“GTX 1660 Ti跑yolov8会不会吃力”这块卡是6GB显存跑yolov8n非常宽裕跑yolov8s把batch调小一点也能顺畅训练。选型的核心依据是部署端的硬件如果PyQt界面跑在带独显的台式机上s模型推理也就几十毫秒如果要放到rk3588这类边缘板子上n模型几乎是唯一选择。n和s在结构上只差宽度和深度倍数训练出来的权重文件大小有明显差异。1500张图不多s模型容易发生过拟合需要更早上早停n模型参数少反而对数据量不敏感。我的习惯是先跑一轮n模型做基线把数据、标注、yaml配置都验证通了再决定要不要换s模型追精度。3.2 训练命令与参数epoch、batch、imgsz的给法数据yaml准备好后训练命令是这样的yolo train datacorn_leaf.yaml modelyolov8n.pt epochs150 batch16 imgsz640 project../runs namecorn_leaf_exp1 patience20 device0几个关键参数拆开讲。epochs设150是给足余量实际训练会在patience20的中断机制下提前结束patience表示连续20个epoch验证指标没有提升就自动停止这是防止过拟合的后悔药。batch16在GTX 1660 Ti上跑n模型不会爆显存如果换成s模型或显存更低把batch降到8。imgsz640是yolov8的默认输入尺寸玉米病斑是局部特征640分辨率不会丢细节不建议为了省显存降到416小目标容易被压没。device0指定用第一块GPU。训练过程里真正值得盯的是results.csv和results.png。每轮epoch结束ultralytics会自动更新这两个文件打开能实时看到loss曲线和mAP曲线。有个容易踩坑的点是workers参数。Windows环境下workers默认值偶尔会引发DataLoader报错如果训练在第一个epoch就崩先试着把workers设为0yolo train datacorn_leaf.yaml modelyolov8n.pt epochs150 batch16 imgsz640 workers0workers0表示主进程直接加载数据速度会慢一些但能绕开Windows多进程的兼容性问题。这个坑在刚配好yolov8环境时很常见尤其用了Anaconda的Python 3.10以上版本。3.3 损失曲线怎么看yolov8画损失函数曲线图很多人训练完第一件事是把结果目录里的results.png发给别人看这张图包含train/box_loss、val/box_loss、mAP50、mAP50-95四条子图。也可以用pandas读取results.csv自己画import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/detect/corn_leaf_exp1/results.csv) plt.figure(figsize(12, 4)) plt.subplot(1, 2, 1) plt.plot(df[epoch], df[train/box_loss], labeltrain box) plt.plot(df[epoch], df[val/box_loss], labelval box) plt.legend() plt.subplot(1, 2, 2) plt.plot(df[epoch], df[metrics/mAP50(B)], labelmAP50) plt.plot(df[epoch], df[metrics/mAP50-95(B)], labelmAP50-95) plt.legend() plt.show()读曲线的时候三条标准如果train loss和val loss同步下降继续训练如果train loss还在降而val loss开始反弹这是过拟合信号靠早停机制截断如果两条线从头到尾都不怎么动先别急着改网络结构回去查标签或学习率。对1500张这种小数据集val loss在60到80轮之间出现小反弹是正常波动不用太紧张。mAP50和mAP50-95的区别要心里有数。mAP50只看IoU阈值0.5下的检测精度比较宽容mAP50-95把0.5到0.95多个阈值平均更严格。玉米叶病害检测的框不要求像素级精准mAP50是主要参考mAP50-95能到0.5以上就算不错。4. 权重筛选与导出best.pt怎么验证、怎么转成ONNX4.1 results.csv里的指标怎么看训练结束后runs/detect/corn_leaf_exp1/weights/目录下会有best.pt和last.pt两个权重文件。best.pt是验证集mAP最高的那一轮last.pt是最后一个epoch的权重。大多数时候选best.pt没错但有个例外如果best出现得很早而last在后续轮次里loss继续下降说明验证集可能有波动我会手动用两个权重各跑一遍测试集再决定。results.csv里每列的含义先用表格理清。指标列名含义对玉米叶病害的意义metrics/precision(B)预测为正例中有多少是真病斑高精度意味着检测框很少误报metrics/recall(B)真实病斑中有多少被检出来高召回意味着漏检少metrics/mAP50(B)IoU阈值0.5下的平均精度病检测框到没到位的直观指标metrics/mAP50-95(B)多阈值平均精度对框定位质量更严格做玉米叶病害检测precision和recall要一起看。如果precision高、recall低说明模型很保守只挑明显的病斑检漏掉大量早期小病斑反过来recall高、precision低界面里会出现一堆没有意义的框用户很快就会失去耐心。4.2 单张图和一批图的验证脚本选好best.pt后先跑一遍测试集验证。用ultralytics的predict接口可以一次性处理整个目录from ultralytics import YOLO model YOLO(runs/detect/corn_leaf_exp1/weights/best.pt) results model.predict( sourcedatasets/corn_leaf/images/test, conf0.25, iou0.45, saveTrue, projectruns/validate, namecorn_leaf_test ) for r in results: img_name r.path.split(/)[-1] print(img_name, len(r.boxes), detections)conf0.25表示置信度低于0.25的检测框直接丢弃这个值在演示界面里可以调高到0.4或0.5来减少误检。iou0.45是NMS的IoU阈值两个框重叠超过这个比例就合并保持默认即可。saveTrue会把带框的结果图存到runs/validate/corn_leaf_test/直接打开图片看效果比看数字直观得多。验证时除了看mAP数值还要人工扫一遍结果图。注意三类问题有没有大量重复框叠加在同一个病斑上有没有把叶脉阴影或露珠当成病斑有没有漏检叶片边缘的小病斑。第一类调高iou阈值第二类调高conf阈值第三类说明训练数据里缺小病斑样本。4.3 导出ONNX的时机与注意事项PyQt界面里加载.pt权重没问题但如果后续要把模型转到其他框架或rk3588这类边缘设备ONNX格式是绕不开的一步。导出命令很简单yolo export modelruns/detect/corn_leaf_exp1/weights/best.pt formatonnx imgsz640导出后在同一目录下会得到best.onnx。opset版本一般用ultralytics默认值。需要注意导出时imgsz必须和训练时一致否则推理时输入尺寸不匹配。我建议按固定尺寸导出而不要用动态尺寸这样在PyQt里预处理逻辑简单直接把图片resize到640x640再送进去。动态尺寸虽然灵活但在onnxruntime里会引入额外的形状处理和性能开销。还有一个容易疏忽的点ONNX文件里没有类别名称只有类别索引。在PyQt里推理时要自己准备一个names列表顺序必须和训练yaml里一致。我的习惯是把corn_leaf.yaml和导出的onnx放在同一个目录界面代码读取yaml里的names字段而不是写死在代码里。这样换权重时不需要改界面代码。5. 三端踩坑记录训练、权重加载、PyQt界面的典型问题5.1 训练不收敛或精度上不去先查标签再查学习率现象是跑了100多轮mAP50一直低于0.4val/box_loss在高位震荡不下降。原因是多方面的按照排查顺序来。第一是标签和names不对应标注时的编号和yaml里写的类别顺序错位模型学会了把A类特征对应到B类标签loss正常但mAP上不去。第二是训练集里混入大量没有目标的空图这些图让loss里的cls部分一直存在一个底噪。第三是学习率不合理yolov8默认lr00.01数据量小的时候可以调低到0.005试试。解决手段很直接。先用2.3节的脚本重新校验标签确认每个txt都能对应到正确类别然后数一下训练集里空标注图的占比超过5%就把它们移到专门目录最后把lr0调低重新训练。多数时候前面两步就能解决问题调学习率属于玄学操作放在最后试。5.2 权重文件加载失败路径、版本与设备不一致现象是界面里加载best.pt时报错有的报FileNotFoundError有的报RuntimeError还有的报torch.load的weights-related错误。原因有三类。第一相对路径问题PyQt界面运行时当前工作目录不是权重所在目录用相对路径加载权重时找不到文件。第二PyTorch版本不匹配训练时用PyTorch 2.x界面环境里装的是1.x权重里的key名对不上。第三显存不足模型加载到GPU失败但报错信息藏在后几行容易被忽略。解决手段对应三条。界面里一律用绝对路径或者在程序启动时先用os.chdir把工作目录切到权重目录。训练环境和部署环境用同一个conda环境或固定ultralytics版本不要一个装2.0一个装2.2就默认能直接换。推理时的device参数先设成cpu跑通一遍再切cuda这样能把环境问题从代码问题里分离出来。5.3 PyQt界面推理卡死把检测扔到工作线程现象是点击“选择图片”按钮后窗口一直在转圈标题栏显示“未响应”几秒后才恢复切到视频来源或连续多张图时直接卡死。原因是模型预测是耗时操作直接写在按钮的槽函数里等于把GUI主线程阻塞了。PyQt是事件循环模型主线程被model.predict占住按钮事件、重绘事件全部排队表现出来就是窗口无响应。解决手段是把推理放到QThread里用信号把结果传回主线程。from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO class DetectThread(QThread): result_ready pyqtSignal(object) def __init__(self, model_path, image_path, conf, parentNone): super().__init__(parent) self.model YOLO(model_path) self.image_path image_path self.conf conf def run(self): res self.model.predict( sourceself.image_path, confself.conf, verboseFalse ) self.result_ready.emit(res[0]) # 主窗口里调用 self.thread DetectThread(best.pt, leaf.jpg, 0.25) self.thread.result_ready.connect(self.show_result) self.thread.start()DetectThread继承QThreadrun方法里做推理通过result_ready信号把结果对象传回主线程的show_result方法。这个结构要注意两点模型在构造函数里就加载而不是每次run时加载一次加载权重本身也需要时间线程对象要保存为self.thread避免局部变量被垃圾回收导致线程半途消失。在ultralytics 8.0以上版本里predict内部已经做了不少优化但阻塞性质不改。只要把推理放进线程界面就顺畅了。5.4 界面里中文显示成方块现象是在Windows某些环境里标题栏、按钮文本、检测结果标签里的中文全部显示成方块英文和数字正常。原因是PyQt默认字体不含中文字形或者系统缺少对应字体的字库。解决手段是在程序入口设置全局字体from PyQt5.QtGui import QFont from PyQt5.QtWidgets import QApplication app QApplication([]) font QFont(Microsoft YaHei, 10) app.setFont(font)如果目标机器没有微软雅黑可以改回“SimHei”或“Noto Sans CJK”。这个坑不大但在现场演示时特别尴尬检测结果里“玉米大斑病”显示成方块等于直接告诉用户这个工具不成熟。6. 一个更接近现场使用的验证技巧检测结果落盘与批处理到这里数据、训练、界面都通了最后一步是让验证过程更有说服力。我一般会在交付界面之前先用脚本把测试集所有图片的检测结果落盘成CSV再按文件夹批量跑一遍这个习惯帮我提前暴露了不少边界问题。6.1 把检测结果和置信度写进CSV界面里看单张图很直观但要做数据统计时CSV比截图有效得多。from ultralytics import YOLO import csv import pathlib model YOLO(runs/detect/corn_leaf_exp1/weights/best.pt) results model.predict( sourcedatasets/corn_leaf/images/test, conf0.25, verboseFalse ) with open(results.csv, w, newline) as f: writer csv.writer(f) writer.writerow([image, class, conf, x1, y1, x2, y2]) for r in results: img_name pathlib.Path(r.path).name for box in r.boxes: cls int(box.cls[0]) conf float(box.conf[0]) x1, y1, x2, y2 [round(float(v), 1) for v in box.xyxy[0]] writer.writerow([img_name, model.names[cls], round(conf, 3), x1, y1, x2, y2]) print(done)这段脚本把每张测试图的每个检测框输出成一行包含文件名、类别名、置信度、坐标。有了这个CSV可以用Excel或pandas统计不同病害的检出数量也能快速排查“哪一类病害漏检最多”。我试过用这个方式给植保老师出“模型在测试集上的逐类表现”表格比一张一张翻图有说服力得多。6.2 对文件夹做批处理CSV脚本只处理测试集实际交付时经常要给一个新文件夹里的全部图片出结果。yolov8自带批处理能力yolo predict modelbest.pt sourcenew_images/ save_txtTrue save_confTrue projectruns/inference namefield_batchsave_txtTrue会为每张图输出一个同名txt格式和训练标签一致save_confTrue会额外写入置信度。这样跑完每个检测框都能被后续脚本读取不管是做统计还是对接上位机都有现成数据。批处理跑的时候注意输出目录别和训练目录混在一起project和name分开指定就不会覆盖。批处理比单张验证更能暴露数据分布问题。如果某次田野新拍的图片大量出现误检把误检图片单独收集进训练集再训练一轮这个迭代节奏能让模型越用越好。一个自己的小习惯我会把best.pt、best.onnx、corn_leaf.yaml放在同一个目录里造成一个完整可交付的模型包。换机器跑界面时只要把整个目录拷过去界面代码自动读yaml里的names和pt权重不会出现类别顺序错乱或权重找不到的问题。这个习惯救过我至少两次现场演示看起来不起眼但设备调试时最怕的就是这类低级故障耽误时间。希望帮到你。本文还有配套的精品资源点击获取