基于 YOLOv8 的农作物叶片病害、叶片病斑精准识别项目｜完整源码数据集+PyQt5 界面+完整训练流程+开箱即用！

源码包含：完整 YOLOv8 训练代码+数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程

源码在文末哔哩哔哩视频简介处获取。

✅ 图片识别（单张叶片图像上传检测）

✅ 批量识别（文件夹内所有叶片图片自动识别）

✅ 视频流检测（病害叶片监控视频实时检测）

✅ 摄像头检测（支持本地 USB/网络摄像头实时识别）

✅ 一键导出结果（检测框结果可自动保存）

✅ GUI 交互界面（基于 PyQt5 构建，适合无代码用户使用）

项目摘要

本项目集成了 YOLOv8 农作物叶片病害检测模型 与 PyQt5 图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的叶片病斑自动识别功能。项目支持用户自行训练，亦可直接加载我们训练好的权重模型进行推理。配套完整源码与详细训练部署说明，让你开箱即用、快速部署自己的农业 AI 识别系统。

前言

随着智能农业的发展，依靠人工巡查田间病害的传统方式已难以满足现代高效农业的要求。利用深度学习进行农作物叶片病害识别，不仅能大幅提高识别准确率，也可显著提升检测效率，成为智慧农业的重要应用之一。

本项目旨在帮助广大农技人员、农业企业和 AI 开发者，快速构建一个基于 YOLOv8 的叶片病害识别平台。结合 PyQt5 交互界面，用户无需编写代码，即可一键完成识别与结果展示。

一、软件核心功能介绍及效果演示

1. 多种输入方式支持

• 📷 图片识别：支持 JPG/PNG 等格式，自动检测并标注病斑区域；

• 📁 批量识别：可选择任意图片文件夹，系统自动批量处理；

• 📹 视频识别：支持 MP4 等格式视频文件，逐帧识别并输出；

• 📸 实时摄像头：可连接本地或远程摄像头进行实时检测。

2. 检测结果可视化与导出

• 模型识别后可在界面直接显示结果图像；

• 每张图像的检测框与类别信息可导出为 TXT 或 CSV 格式；

• 视频与摄像头检测结果可导出为带识别框的完整视频。

3. PyQt5 图形界面交互

• 提供用户友好的 UI 界面：

• 图像/视频导入按钮

• 一键识别按钮

• 检测框显示与保存路径配置

• 即使没有编程经验，也能轻松完成病斑识别任务。

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。其核心优势如下：

• 高速推理，适合实时检测任务

• 支持 Anchor-Free 检测

• 支持可扩展的 Backbone 和 Neck 结构

• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；

• 准确率高：支持 Anchor-Free 架构；

• 支持分类/检测/分割/姿态多任务；

• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；

• weights/best.pt：最佳模型权重；

• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2from ultralytics import YOLOimport torchfrom torch.serialization import safe_globalsfrom ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构safe_globals().add(DetectionModel)
# 加载模型并推理model = YOLO('runs/detect/train/weights/best.pt')results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像img = cv2.imread(str(save_path))cv2.imshow('Detection Result', img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI 完整源码打包

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码下载

至项目实录视频下方获取：https://www.bilibili.com/video/BV1n1uZzgEK6/

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）

总结

本项目以 YOLOv8 为核心目标检测模型，融合 PyQt5 图形界面交互系统，实现了农作物叶片病害和病斑的精准识别与实时检测。无论是科研教学、农业生产监控，还是 AI 开发学习，本系统都具备轻量、高效、可视化、一键运行等优势。

通过完整的数据集标注、训练流程与部署脚本，即便是零基础用户，也可以快速上手，训练并部署属于自己的农作物病害识别系统。你可以：

• 👨‍🌾 用于田间数据分析与病害监控；

• 🧑‍💻 用于人工智能模型训练与迁移学习；

• 🧑‍🏫 用于教学案例、实验演示或农业 AI 课题研究。

未来我们还将持续优化模型结构与界面系统，支持更多病害种类的多标签识别、多模态检测与边缘端部署等能力，欢迎大家关注项目并提出建议！