基开箱即用的番茄叶片病害识别平台｜YOLOv8+PyQt5实战指南
随着人工智能技术在农业领域的应用不断深入，作物病害识别正迎来全新的智能化解决方案。番茄作为全球广泛种植的重要经济作物，其叶片病害种类繁多、症状复杂，相似病症常导致人工判断误差。为提升病害检测效率与准确性，本项目构建了一个基于YOLOv8的番茄叶片智能病害识别系统，并通过 PyQt5 实现图形化界面，使用户无需编程经验即可快速部署使用。
本文将从系统功能、模型训练、数据集准备、推理方法及界面使用等方面进行详细介绍，并提供开箱即用的完整解决方案。
源码下载与效果演示
哔哩哔哩视频下方观看：
https://www.bilibili.com/video/BV1P111BJEjk/
包含：
📦完整项目源码
📦 预训练模型权重
🗂️ 数据集地址（含标注脚本）
系统功能概览
本系统针对番茄叶片病害进行多类别识别，支持图片、视频、摄像头实时检测，并提供结果自动保存与可视化功能。具体功能如下：
| 功能模块 | 功能说明 |
|---|---|
| 病害自动识别 | 针对叶片图像进行多类别检测，显示目标框和病害名称 |
| 批量图片检测 | 可选择文件夹一次性检测多张图像，自动保存结果 |
| 视频与摄像头实时识别 | 支持本地视频流或USB摄像头输入，实时输出检测结果 |
| 图形化操作界面 | PyQt5界面设计，用户无需命令行即可完成检测 |
| 模型权重可替换与再训练 | 支持加载新模型权重或使用自定义数据重新训练 |
| 检测结果可视化与保存 | 输出带目标框的图片或视频，便于后续分析或复审 |
通过这些功能，用户可以将系统应用于农技巡检、温室监控、科研教学及智能农业场景。
支持识别的病害类别
系统训练了以下10类番茄叶片状态和病害：
- 番茄细菌性斑点病 - 番茄早疫病 - 番茄晚疫病 - 番茄叶霉病 - 番茄褐斑病 - 番茄红蜘蛛（双斑叶螨） - 番茄靶斑病 - 番茄黄化卷叶病毒病 - 健康番茄 - 番茄花叶病毒病每类病害均在训练数据中进行了精确标注，保证模型能够有效区分相似症状。
模型原理与优势
YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，相比早期版本，其优势显著：
- 高效实时推理：适合视频流和摄像头实时检测；
- Anchor-Free 架构：简化训练并提升检测精度；
- 支持多任务扩展：可用于检测、分割、姿态估计等任务；
- 轻量高性能：适合资源受限的设备部署；
- 易于导出与部署：原生支持ONNX和PyTorch部署。
本项目使用 YOLOv8 的 Detection 分支，通过深度学习对叶片图像进行目标检测和病害分类。
数据集准备与训练流程
数据集结构
采用 YOLO 格式组织数据集，每张图片对应一个标注文件.txt：
dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/标注文件内容格式示例：
class_index x_center y_center width height其中坐标归一化到[0,1]区间。
训练命令示例
使用官方Ultralytics训练接口，示例命令如下：
yolo detect traindata=datasets/tomato_leaf.yaml\model=yolov8n.yaml\pretrained=yolov8n.pt\epochs=100\batch=16\lr0=0.001训练完成后，将生成最佳模型权重weights/best.pt和可视化结果图。
模型评估
训练过程中会生成以下指标和图表：
- 损失曲线：定位损失、分类损失、特征损失下降趋势；
- mAP曲线：模型整体精度；
- 混淆矩阵：各类别识别准确性分析。
一般当 mAP@0.5 达到 90% 以上，即可用于实际部署。
模型推理与结果展示
使用 Python PyTorch 接口可快速加载模型并进行推理：
importcv2fromultralyticsimportYOLO# 加载训练好的模型model=YOLO('runs/detect/train/weights/best.pt')# 单张图片推理results=model('test.jpg',save=True,conf=0.25)# 获取保存路径并显示save_path=results[0].save_dir/results[0].path.name img=cv2.imread(str(save_path))cv2.imshow('Detection Result',img)cv2.waitKey(0)cv2.destroyAllWindows()预测结果可直接显示目标框、类别名称及置信度，并自动保存至指定目录。
PyQt5 图形化界面
界面设计突出易用性和交互性，用户无需命令行操作即可完成以下操作：
- 单图片检测：选择图片后直接预测；
- 批量图片检测：选择文件夹，一键生成检测结果；
- 视频检测：上传本地视频文件逐帧预测；
- 实时摄像头检测：实时显示检测结果，并可保存视频或截图；
- 模型管理：可快速加载新模型或替换权重。
运行项目只需：
python main.py即可启动完整图形化界面。
开箱即用与扩展性
本项目提供了完整源码、数据集和预训练模型，可直接开箱使用，也可按需扩展：
- 直接使用预训练模型：无需自行训练即可进行病害识别；
- 自定义数据集训练：可增加其他作物或新病害类型；
- 界面功能扩展：可在PyQt5基础上添加统计分析、批量导出Excel等功能；
- 设备部署：支持普通PC、工控机或边缘设备部署。
总结
本系统通过 YOLOv8 模型与 PyQt5 界面结合，构建了一个高效、精准、易用的番茄叶片病害识别平台。与传统人工巡检相比，优势明显：
- 识别速度快，实时处理图片、视频和摄像头流；
- 准确率高，有效区分多类病害；
- 操作简单，非专业人员可快速上手；
- 可扩展性强，支持自定义数据与模型替换。
未来，本项目可拓展至更多作物类型、结合无人机监测或智能大棚系统，实现全流程数字化农业管理，推动农业生产向精准化、智能化、自动化方向发展。
)
