YOLO26实战：农业机械中的作物识别-编程阁

YOLO26实战：农业机械中的作物识别

1. 镜像环境说明

本镜像基于YOLO26 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用，特别适用于农业场景下的目标检测任务，如作物识别、杂草定位、果实计数等。

该镜像为农业智能化应用提供了高效、稳定的模型开发基础，支持从数据预处理到模型部署的全流程操作。

核心框架:pytorch == 1.10.0
CUDA版本:12.1
Python版本:3.9.5
主要依赖:torchvision==0.11.0,torchaudio==0.10.0,cudatoolkit=11.3,numpy,opencv-python,pandas,matplotlib,tqdm,seaborn等

所有依赖均已配置完成，用户无需手动安装，可直接进入模型训练与推理阶段。

2. 快速上手

2.1 激活环境与切换工作目录

在使用前，请先激活 Conda 环境：

conda activate yolo

镜像启动后，默认代码存放在系统盘。为便于修改和持久化保存，请将代码复制到数据盘：

cp -r /root/ultralytics-8.4.2 /root/workspace/

随后进入项目目录：

cd /root/workspace/ultralytics-8.4.2

此步骤确保后续训练过程中生成的日志、权重文件均保存在可持久化路径中，避免因系统盘清理导致数据丢失。

2.2 模型推理

YOLO26 支持多种任务类型，包括目标检测、实例分割、姿态估计等。以下以作物图像的目标检测为例，展示推理流程。

修改`detect.py`文件

# -*- coding: utf-8 -*- from ultralytics import YOLO if __name__ == '__main__': # 加载模型 model = YOLO(model=r'yolo26n.pt') # 可替换为其他尺寸模型（s/m/l/x） # 执行推理 results = model.predict( source=r'./ultralytics/assets/crop_test.jpg', # 输入源：图片/视频路径或摄像头编号（0） save=True, # 保存结果图像 show=False, # 不弹窗显示 imgsz=640, # 推理图像大小 conf=0.25, # 置信度阈值 device='0' # 使用GPU 0 )

参数说明

model: 模型权重文件路径，支持.pt格式，推荐使用预训练权重加速推理。
source: 支持本地图片、视频路径，或摄像头设备号（如0表示默认摄像头），适合田间实时监测场景。
save: 设置为True将自动保存带标注框的结果图至runs/detect/predict/目录。
show: 若需可视化输出（如调试时），设为True；部署时建议关闭以提升效率。
imgsz: 图像输入尺寸，影响精度与速度平衡，农业图像通常包含小目标，建议不低于640。
conf: 置信度阈值，过滤低置信预测，防止误检。

运行命令：

python detect.py

推理完成后，可在runs/detect/predict/查看带有边界框的输出图像，用于判断作物分布、生长状态等。

2.3 模型训练

针对特定农作物（如玉米、小麦、番茄）的识别需求，需进行定制化训练。以下是完整训练流程。

数据集准备

请将数据集组织为 YOLO 格式：

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

data.yaml示例：

train: ./dataset/images/train val: ./dataset/images/val nc: 3 names: ['wheat', 'weed', 'tomato']

上传数据集至/root/workspace/dataset，并更新data.yaml中的路径。

训练脚本配置

创建或修改train.py：

import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__': # 定义模型结构 model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml') # 加载预训练权重（可选） model.load('yolo26n.pt') # 开始训练 model.train( data=r'data.yaml', imgsz=640, epochs=200, batch=128, workers=8, device='0', optimizer='SGD', lr0=0.01, lrf=0.1, momentum=0.937, weight_decay=5e-4, warmup_epochs=3.0, close_mosaic=10, resume=False, project='runs/train', name='crop_detection_exp', single_cls=False, cache=False, augment=True, fraction=1.0 )

关键参数解析

batch: 批次大小，根据显存调整，农业图像分辨率高时建议降低 batch size。
epochs: 训练轮数，复杂场景建议 ≥200。
optimizer: 推荐使用 SGD 或 AdamW，SGD 更稳定。
close_mosaic: 在最后 N 个 epoch 关闭 Mosaic 增强，提升收敛稳定性。
augment: 是否启用数据增强（旋转、翻转、色彩扰动），对农田多变光照条件尤为重要。
project/name: 指定输出路径，便于管理不同实验。

启动训练：

python train.py

训练日志与最佳权重将保存在runs/train/crop_detection_exp/weights/下，best.pt为最优模型。

2.4 模型结果下载与本地部署

训练结束后，可通过 SFTP 工具（如 Xftp）将模型文件下载至本地设备，用于边缘计算设备（如农机嵌入式系统）部署。

操作方式：

打开 Xftp，连接服务器；
从右侧远程路径拖拽best.pt到左侧本地目录；
或双击文件直接下载。

建议对大文件夹进行压缩后再传输：
tar -czf crop_model.tar.gz runs/train/crop_detection_exp/

下载后的模型可用于 OpenVINO、TensorRT 或 ONNX Runtime 转换，实现高性能推理。

3. 已包含权重文件

镜像内置常用 YOLO26 预训练权重，位于项目根目录：

yolo26n.pt: 超轻量级模型，适合边缘设备部署
yolo26s.pt: 小型模型，精度与速度均衡
yolo26m.pt: 中型模型，适用于复杂农田环境
yolo26l.pt: 大型模型，高精度识别密集作物
yolo26x.pt: 超大型模型，科研级精度需求

此外还包含姿态估计、实例分割专用权重（如yolo26n-pose.pt），可用于农业机器人抓取指导、植株姿态分析等高级应用。

4. 农业场景优化建议

4.1 数据采集建议

时间多样性：覆盖早、中、晚不同光照条件下的图像
天气覆盖：包含晴天、阴天、轻雾等常见田间气象
角度丰富性：无人机航拍、地面机器人视角、手持拍摄结合
标注规范：严格区分作物与杂草，避免模糊标签

4.2 模型调优策略

问题	解决方案
小目标漏检	使用更高的输入分辨率（如 1280×1280），启用`multi_scale`
类别不平衡	在`data.yaml`中设置`class_weights`，或采用 Focal Loss
实时性不足	使用`yolo26n`+ TensorRT 加速，推理速度可达 50+ FPS（Jetson AGX）
过拟合	增加数据增强强度，添加 Dropout 层，早停机制

4.3 边缘部署方案

推荐将训练好的模型导出为 ONNX 格式，便于跨平台部署：

model = YOLO('runs/train/crop_detection_exp/weights/best.pt') model.export(format='onnx', dynamic=True, opset=13)

导出后可在以下平台运行：

NVIDIA Jetson 系列（农机自动驾驶）
Raspberry Pi + Google Coral（低成本监测节点）
工控机 + Intel Movidius（温室监控系统）

5. 总结

本文详细介绍了基于最新 YOLO26 官方版镜像，在农业机械中实现作物识别的完整技术路径。通过该镜像，开发者可以快速完成从环境搭建、模型训练到推理部署的全流程，显著缩短研发周期。

核心要点总结如下：

开箱即用：镜像预集成 PyTorch、CUDA 及全部依赖，省去繁琐配置。
灵活扩展：支持自定义数据集训练，适配各类农作物识别任务。
高效训练：提供标准化训练脚本，结合数据增强提升模型鲁棒性。
便捷部署：支持模型导出与远程下载，便于嵌入式设备集成。
场景适配：针对农田复杂环境提出优化建议，提升实际应用效果。

未来可进一步探索 YOLO26 在病虫害识别、产量预估、自动收割路径规划等方向的应用，推动智慧农业向纵深发展。

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

YOLO26实战：农业机械中的作物识别