
# 基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

本项目提供 **完整可运行源码 + 完整数据集(已标注) + 训练脚本 + PyQt5 可视化图形界面 + 推理部署教程**，帮助你快速搭建一个可用于农业生产场景的 **水稻叶片病害识别系统**，无需从零开始配置环境或重新整理模型结构，直接开启训练或应用。

> 源码在文末哔哩哔哩视频简介处获取。

```
检测主要分为三类：
细菌性叶斑病，主要影响水稻等作物，表现为叶片上出现水状斑点；
褐斑病，常见于水稻，表现为叶片上出现褐色斑点，影响光合作用；
叶霉病，主要影响禾本科植物，表现为叶片上出现黑色霉斑。
```

## 基本功能演示
本项目支持 **多种输入模式识别**：

- 单张图片识别
- 文件夹批量识别
- 本地视频识别
- USB/笔记本摄像头实时识别
- 识别结果可视化叠加：预测框 + 类别名称 + 置信度
- 支持推理过程中动态调整置信度阈值

系统可直接运行，无需额外修改路径或代码。

用户界面采用 **PyQt5** 开发，界面清晰易用，一键选择输入源即可开始检测。

应用场景示例：

| 场景                | 功能说明                   |
| ------------------- | -------------------------- |
| 农田实时病害监控    | 连上摄像头即可边巡田边识别 |
| 农科论文 / 毕设项目 | 模型可直接扩容和迁移训练   |
| 智慧农业系统对接    | 推理模块可直接封装为API    |

可检测三类常见水稻病害：

1. 细菌性叶斑病：叶片出现水渍状斑块，逐渐扩散
2. 褐斑病：叶片产生褐色坏死斑点，对叶绿素合成影响明显
3. 叶霉病：叶片背面出现黑绿色霉层，抑制植物光合作用

## 项目摘要

本项目集成了 **YOLOv8 病害检测模型** 与 **PyQt5 图形界面可视化系统**，不仅支持离线识别，还可通过视频流进行实时病害检测。系统界面操作简单，无需专业深度学习经验即可快速上手运行模型，适用于农业实验、智慧农田监控、科研论文与课程设计等场景。

项目提供：

- **已标注水稻病害数据集**
- **训练完成的模型权重文件**
- **可继续训练或迁移训练的源码工程**
- **一键运行的图形化检测系统**
- **全套训练 / 推理 / 部署教程**


## 前言

随着农业智能化推进，病害识别逐渐从人工观察转向**传感器监控 + 视觉智能诊断**。传统人工巡田不仅效率低，而且容易受经验限制导致误判。本项目采用 **YOLOv8 轻量化目标检测算法**，在保持高识别准确率的同时，兼具速度快、部署轻的优点，能够适应边缘设备、无人机巡检、田间智能终端等应用环境。

与此同时，我们将模型封装为可视化界面，使得非算法背景的农技人员、科研助理、农业院校学生也能轻松使用该系统进行水稻健康状况分析。

# 一、软件核心功能介绍及效果演示

系统核心功能包括：

| 功能            | 描述                                 |
| --------------- | ------------------------------------ |
| YOLOv8 病害检测 | 可准确划分三类水稻病害类型           |
| PyQt5 图形界面  | 支持按钮操作，一键推理               |
| 多输入模式支持  | 图片 / 文件夹 / 视频 / 摄像头        |
| 动态参数可调    | 可实时调整置信度与NMS阈值            |
| 自动可视化结果  | 边检测边展示，支持保存截图           |
| 可继续训练      | 提供训练脚本和标注文件，可扩展数据集 |

识别示例效果（可在此放模型预测图）：

病害区域将自动框选，并给出类别与置信度。

通过 GUI 界面可直接完成所有操作，无需命令行。

# 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-20251109134746855](https://developer.qcloudimg.com/http-save/yehe-10730009/15fbb194168fca845c8a5bb1d3dd30a7.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-20251109141338465](https://developer.qcloudimg.com/http-save/yehe-10730009/da517528c090735c679fd49af1f73913.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-20251109141407236](https://developer.qcloudimg.com/http-save/yehe-10730009/3d7da6ab17b141bb6e7d503ac166bb34.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。

![image-20251109141440040](https://developer.qcloudimg.com/http-save/yehe-10730009/c7655437f2942a045991b5ade371ff08.png)

------

## （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-20251109141502324](https://developer.qcloudimg.com/http-save/yehe-10730009/9783e502e2562b3b3060694e7ddc3397.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/b3ccd0667271b4522af300493912d598.png)

YOLOv8原理图如下：

![image-20250526170118103](https://developer.qcloudimg.com/http-save/yehe-10730009/538f493e298d995049c92655b650351b.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-20251109141648698](https://developer.qcloudimg.com/http-save/yehe-10730009/f767bc12748a544f33a10ff11f20c49b.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-20251109141622539](https://developer.qcloudimg.com/http-save/yehe-10730009/7c3830555d0dff880e384431994d489c.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-20251109141552945](https://developer.qcloudimg.com/http-save/yehe-10730009/1c10df39587a2174ff8ce1bcdc29dbed.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：
哔哩哔哩视频演示：[https://www.bilibili.com/video/BV1TByjBqEPi](https://www.bilibili.com/video/BV1TByjBqEPi)
![image-20250801135823301](https://developer.qcloudimg.com/http-save/yehe-10730009/347cc4eac4b03dbb210c06738135ac54.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

本项目面向水稻病害智能识别应用场景，基于 YOLOv8 构建高精度目标检测模型，并结合 PyQt5 实现了**可直接运行的可视化检测系统**。项目不仅提供完整的已标注数据集和训练脚本，还包含训练完成的模型权重和全套部署流程，用户无需额外编写代码即可进行病害识别、模型复训或扩展应用。

系统实现了图片、批量文件夹、视频及实时摄像头的多输入检测方式，并支持动态阈值调节、检测结果可视化和自动保存，有效降低了农业场景中病害诊断的成本与门槛。通过轻量化模型结构和高效推理框架，本项目可灵活应用于科研教学、农业现场巡检以及智慧农田监测等多种实际业务需求。

本项目不仅展示了深度学习在农业病害检测领域的落地方案，也为后续的模型优化、病害种类扩展及智能农业系统集成提供了完整且可复用的工程模板。

本项目提供 完整可运行源码 + 完整数据集(已标注) + 训练脚本 + PyQt5 可视化图形界面 + 推理部署教程，帮助你快速搭建一个可用于农业生产场景的 水稻叶片病害识别系统，无需从零开始配置环境或重新整理模型结构，直接开启训练或应用。

基于YOLOv8的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

本项目面向水稻病害智能识别应用场景，基于 YOLOv8 构建高精度目标检测模型，并结合 PyQt5 实现了**可直接运行的可视化检测系统**。项目不仅提供完整的已标注数据集和训练脚本，还包含训练完成的模型权重和全套部署流程，用户无需额外编写代码即可进行病害识别、模型复训或扩展应用。

服务端开发

人工智能

职业发展

客户端

基于YOLOv8的水稻病害检测系统，提供完整源码+数据集+PyQt5界面，支持图片/视频/摄像头实时识别细菌性叶斑病、褐斑病、叶霉病。开箱即用，无需深度学习经验，适用于农田监控、科研教学等场景，助力智慧农业发展。

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

EdgeOne AI 安全实战专区

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的水稻病害检测项目｜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的水稻病害检测项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

基于YOLOv8的水稻病害检测项目｜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