# 基于YOLOv8的番茄叶片病害识别系统｜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。

## 基本功能演示

支持 **图片检测、视频检测、实时摄像头检测**

支持 **界面一键加载模型与快速预测**

支持 **目标框 + 类别名称 + 置信度可视化显示**

支持 **批量检测并自动保存检测结果**

支持 **模型自定义替换与快速重新训练**

## 项目摘要

本项目针对番茄叶片常见病害难以人工快速识别的问题，构建了一个基于 YOLOv8 的智能病害识别系统。系统利用深度学习模型对叶片图像进行检测与分类，可自动分辨细菌、真菌、病毒引起的多种病害类型，并支持实时检测与可视化展示。通过结合 PyQt5 图形化界面，系统可直接作为农业大棚监测、农技人员巡检、科研教学示范等场景的 **开箱即用智能工具**。

基于YOLOv8的番茄叶片病害识别系统，可检测下面10种疾病

```
'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'
```

## 前言

番茄是全球重要的经济作物之一，但其叶片病害类型多、病原复杂、症状相似，传统依赖人工诊断经验，存在 **效率低、识别难、延误最佳防治时机** 等问题。随着深度学习的发展，基于图像的病害识别技术已经能够达到稳定高效的识别精度。

本项目基于 **YOLOv8 目标检测模型**，在 **带标签叶片图像** 上进行了系统训练与优化，并结合 PyQt5 实现了界面化部署，使得 **非 AI 技术人员也可直接使用**，在农业生产中具有较高落地价值。

# 一、软件核心功能介绍及效果演示

| 功能模块              | 描述                                                         |
| --------------------- | ------------------------------------------------------------ |
| 病害自动检测          | 支持对番茄叶片图像进行多类别病害识别，并输出目标框和类别标签 |
| 实时视频/摄像头识别   | 支持 USB 摄像头、工控机相机或本地视频流实时识别              |
| 批量图片检测          | 支持选择文件夹一键处理并保存结果                             |
| PyQt5 图形界面        | 支持无需命令行，用户可直接操作                               |
| 模型可替换 / 可再训练 | 支持更换权重、重新训练、自定义数据扩展                       |
| 自动保存结果          | 检测标注框、预测数据与结果图自动保存                         |

# 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：

![image-20251107205716823](https://developer.qcloudimg.com/http-save/yehe-10730009/9d601b1ceb60111f4693b965c62a20ce.png)

------

## （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。

![image-20251107205528296](https://developer.qcloudimg.com/http-save/yehe-10730009/687727a4fd6536f617356654d666a70d.png)

------

## （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：

![image-20251107205814529](https://developer.qcloudimg.com/http-save/yehe-10730009/e187695f11b238c762152b7f1eb567f7.png)

------

## （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。

![image-20251107205836257](https://developer.qcloudimg.com/http-save/yehe-10730009/cf561e51f45907f15ad79d974386460b.png)

# 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。

![image-20250526165954475](https://developer.qcloudimg.com/http-save/yehe-10730009/b88739d769549fac699682f99afece8d.png)

YOLOv8原理图如下：

![image-20250526170118103](https://developer.qcloudimg.com/http-save/yehe-10730009/fbfbb77ab9882f8b19bc7d27ce425bb6.png)

## 3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

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

每张图像有对应的 `.txt` 文件，内容格式为：

```bash
4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757
```

分类包括（可自定义）：

![image-20251107210033613](https://developer.qcloudimg.com/http-save/yehe-10730009/8a5a1431a934aec38f0dcf4a2a9c87ac.png)

## 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：

![image-20251107210012432](https://developer.qcloudimg.com/http-save/yehe-10730009/1102a8301cf12985d18b456339568bb1.png)

## 3.4检测结果识别

使用 PyTorch 推理接口加载模型：

```python
import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from 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。

![image-20251107210054183](https://developer.qcloudimg.com/http-save/yehe-10730009/e8cf6673013e33c1aff560f9c65dd848.png)

![image-20251107210111005](https://developer.qcloudimg.com/http-save/yehe-10730009/64630fd44f0e819432049c8168776132.png)

# 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。

```bash
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。

```bash
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

至项目实录视频下方获取：
>[https://www.bilibili.com/video/BV1P111BJEjk/](https://www.bilibili.com/video/BV1P111BJEjk/)

![image-20250801135823301](https://developer.qcloudimg.com/http-save/yehe-10730009/cffcb21edd7180b3fca550859ea73a1b.png)

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

本项目基于 YOLOv8 模型构建了一个 **可直接落地使用的番茄叶片病害智能识别系统**。通过对大规模番茄病害图像进行标注与训练，系统能够精准识别包括细菌、真菌、病毒等在内的多种典型叶片病害类型，并支持 **图片、视频、摄像头实时检测与批量处理**。同时，结合 PyQt5 图形化界面实现了真正的 **“零代码上手”**，即使没有深度学习经验的农业从业者、农技人员或科研人员也能轻松部署与使用。

相比传统人工巡检方式，本系统在 **识别效率、准确性、可扩展性与自动化能力** 方面都具有明显优势，能够有效减少误诊漏诊、提升病害防治时效，有助于农业生产过程向 **智能化、精准化、现代化** 方向发展。未来，本系统可进一步拓展到更多作物病害场景，或结合无人机、智能大棚等设备实现自动化监控，为数字农业提供更加完整的智能解决方案。

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

基于YOLOv8的番茄叶片病害识别系统｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

本项目针对番茄叶片常见病害难以人工快速识别的问题，构建了一个基于 YOLOv8 的智能病害识别系统。系统利用深度学习模型对叶片图像进行检测与分类，可自动分辨细菌、真菌、病毒引起的多种病害类型，并支持实时检测与可视化展示。通过结合 PyQt5 图形化界面，系统可直接作为农业大棚监测、农技人员巡检、科研教学示范等场景的 开箱即用智能工具。

人工智能

客户端

职业发展

基于YOLOv8的番茄叶片病害识别系统，支持10种常见病害检测，包括细菌性斑点病、早疫病等。系统提供完整源码、数据集和预训练权重，集成PyQt5图形界面，支持图片/视频/摄像头实时检测，自动保存结果。开箱即用，适合农业巡检、科研教学等场景，提升病害识别效率与准确性。

智能识别

深度学习

2026采购季 | AI焕新·智启新局

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

基于YOLOv8的番茄叶片病害识别系统｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！-腾讯云开发者社区-腾讯云

基于YOLOv8的番茄叶片病害识别系统｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

基于YOLOv8的番茄叶片病害识别系统｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐