使用YOLOv8构建农业害虫检测系统：从数据准备到模型部署

使用YOLOv8构建农业害虫检测系统：从数据准备到模型部署

引用

CSDN

1.

https://blog.csdn.net/2401_86822270/article/details/146144238

YOLOv8作为新一代的目标检测模型，在农业害虫检测领域展现出强大的应用潜力。本文将详细介绍如何使用YOLOv8构建一个农业害虫检测系统，包括环境准备、数据转换、模型训练、评估和推理等全流程操作。通过本文，读者将能够掌握基于深度学习的农业害虫检测系统的构建方法。

农业害虫检测数据集

本项目使用的农业害虫检测数据集包含三类害虫：蝗虫（locust）、毛毛虫（caterpillar）和甲虫（beetle）。数据集共包含4010张JPG图片及其对应的XML标签文件。

1. 环境准备

首先，确保安装了必要的依赖项。由于YOLOv8是较新的版本，请确保获取最新的安装指南。这里假设您已经设置好了Python环境：

pip install ultralytics

2. 数据转换

您的标签文件为VOC格式（XML），需要将其转换为YOLO格式（TXT）。以下是一个简单的Python脚本，用于将VOC XML标签转换为YOLO TXT格式：

import os
import xml.etree.ElementTree as ET

def convert_voc_to_yolo(xml_file, classes):
    tree = ET.parse(xml_file)
    root = tree.getroot()
    
    image_width = int(root.find('size/width').text)
    image_height = int(root.find('size/height').text)
    
    yolo_labels = []
    for obj in root.findall('object'):
        class_name = obj.find('name').text
        if class_name not in classes:
            continue
        
        class_id = classes.index(class_name)
        bbox = obj.find('bndbox')
        
        xmin = int(bbox.find('xmin').text)
        ymin = int(bbox.find('ymin').text)
        xmax = int(bbox.find('xmax').text)
        ymax = int(bbox.find('ymax').text)
        
        x_center = (xmin + xmax) / 2.0 / image_width
        y_center = (ymin + ymax) / 2.0 / image_height
        width = (xmax - xmin) / image_width
        height = (ymax - ymin) / image_height
        
        yolo_labels.append(f"{class_id} {x_center} {y_center} {width} {height}")
    
    return yolo_labels

# 主函数
def main():
    dataset_dir = './path/to/dataset'
    output_dir = './path/to/output'
    classes = ['locust', 'caterpillar', 'beetle']
    
    os.makedirs(output_dir, exist_ok=True)
    
    for xml_file in os.listdir(dataset_dir):
        if not xml_file.endswith('.xml'):
            continue
        
        yolo_labels = convert_voc_to_yolo(os.path.join(dataset_dir, xml_file), classes)
        
        txt_file = xml_file.replace('.xml', '.txt')
        with open(os.path.join(output_dir, txt_file), 'w') as f:
            for label in yolo_labels:
                f.write(f"{label}\n")

if __name__ == '__main__':
    main()

3. 创建 data.yaml 文件

创建一个 data.yaml 文件来定义数据集路径和类别信息：

train: ./path/to/train/images
val: ./path/to/val/images
nc: 3  # 类别数量
names: ['locust', 'caterpillar', 'beetle']

请根据实际情况调整路径。

4. 划分数据集

如果尚未划分训练集和验证集，可以使用以下脚本进行划分：

import os
import random
import shutil

dataset_dir = './path/to/dataset'
train_dir = './path/to/train'
val_dir = './path/to/val'
split_ratio = 0.8

os.makedirs(os.path.join(train_dir, 'images'), exist_ok=True)
os.makedirs(os.path.join(train_dir, 'labels'), exist_ok=True)
os.makedirs(os.path.join(val_dir, 'images'), exist_ok=True)
os.makedirs(os.path.join(val_dir, 'labels'), exist_ok=True)

image_files = [f for f in os.listdir(dataset_dir) if f.endswith('.jpg')]
random.shuffle(image_files)
split_idx = int(len(image_files) * split_ratio)

for i, image_file in enumerate(image_files):
    src_image = os.path.join(dataset_dir, image_file)
    src_label = os.path.join(dataset_dir, image_file.replace('.jpg', '.txt'))
    
    if i < split_idx:
        dst_dir = train_dir
    else:
        dst_dir = val_dir
    
    shutil.copy(src_image, os.path.join(dst_dir, 'images', image_file))
    shutil.copy(src_label, os.path.join(dst_dir, 'labels', image_file.replace('.jpg', '.txt')))

5. 模型训练

使用YOLOv8进行训练：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.yaml')  # 或者使用 'yolov8s.pt', 'yolov8m.pt' 等

# 开始训练
results = model.train(data='path/to/data.yaml', epochs=100, imgsz=640)

6. 评估

训练完成后，可以使用以下命令对验证集进行评估并生成预测结果的可视化：

# 评估模型性能
results = model.val()

7. 推理

对于新的图片或视频流，你可以使用类似的命令进行推理：

# 对新图片进行推理
results = model.predict(source='path/to/new/image.jpg', save_txt=True, save_conf=True)

通过以上步骤，可以有效地使用YOLOv8处理农业害虫检测任务。本文详细介绍了数据处理和模型训练的具体步骤，以及如何评估模型性能和对新数据进行推理的应用实例。