项目包含：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

源码在文末演示视频内简介处获取。

基本功能演示

• 支持单张图片/ 文件夹批量图片/ 视频 / USB 摄像头实时流 检测；

• 检测类别：田间杂草种类识别，已支持多种常见杂草类别；

• 模型基础：YOLOv8n / YOLOv8s / YOLOv8m 可选；

• 界面展示：PyQt5 图形界面交互友好，可视化检测结果与置信度；

• 部署方式：Windows 一键运行可执行程序 + 脚本启动；

• 提供完整训练流程，支持自定义数据训练、迁移学习。

✅ 检测效果如下图所示（配图建议展示图片、视频、摄像头界面等多样场景）：

项目摘要

本项目集成了 YOLOv8 系列模型（可选 n/s/m） 与 PyQt5 图形化界面工具，旨在为农业场景中的田间杂草检测任务提供一套完整解决方案。项目涵盖了从数据采集、标注、训练、评估到界面化部署的完整流程。

项目亮点包括：

• 📁 开箱即用的源码结构与数据集

• 🖼️ 图像、视频与摄像头的多输入支持

• 🧠 使用 Ultralytics YOLOv8 进行快速推理

• 🧰 训练脚本/配置完整，支持自定义训练

• 💻 集成 PyQt5 图形界面，支持跨平台运行

• 🔍 适用于智慧农业、精准除草、植保辅助等场景

前言

随着现代农业智能化发展，对于农田中杂草的自动识别与检测需求日益增长。传统人工巡检方式效率低、成本高，而基于深度学习的图像识别技术，尤其是 YOLO 系列算法的出现，为农业场景下的实时目标检测提供了极大便利。

一、软件核心功能介绍及效果演示

本项目选用 Ultralytics 官方发布的 YOLOv8 作为核心模型，结合 PyQt5 打造桌面端可视化界面，提供了从训练到部署的完整链路，非常适合：

• 农业智能化相关科研/毕设项目；

• AI 应用落地初学者学习；

• 有杂草识别需求的企业或个人用户。

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

项目源码在实录视频下方获取：

https://www.bilibili.com/video/BV13iunzQEhk

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

本项目通过集成 YOLOv8 目标检测模型 与 PyQt5 图形化界面系统，实现了对田间杂草的高效识别与可视化检测，具备良好的实时性与实用性。无论是科研教学、农业智能化试点，还是毕业设计与工程应用，均具有良好参考价值。

项目提供了从 数据准备 → 模型训练 → 推理部署 → UI 可视化交互 的完整闭环方案，且附带源码、数据集、训练脚本、PyQt 界面及使用说明，真正做到了：

💡 开箱即用🧪 支持自定义扩展🛠 适合快速部署与二次开发

无论你是 AI 初学者，还是农业应用开发者，或是希望快速构建可用目标检测系统的技术人员，本项目都能助你一臂之力。