基于 YOLOv11 航拍农田及附着物检测系统 航拍高清农田及田内附着物检测数据集

航拍高清农田及田内附着物检测数据集 yolo目标检测模型 航拍高清农田及田内附着物目标检测系统界面
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/011c5089d0b0d58f94e1283190fc4690.png)


航拍高清农田及田内附着物检测数据集，961张图像，提供yolo，voc，coco三种标注方式
图像尺寸: 2160 * 3840
总类别数量: 2 类![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/c1054f9938079c57f81df4182fad7146.png)


===== 图像数量统计 =====
训练集图像总数：669
验证集图像总数：191
测试集图像总数：101
数据集全部图像总量：961![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/95fc7e9e1bfc93690b92c65eea0ce623.png)


===== 类别完整统计 =====
类别,训练图片数,训练标签数,验证图片数,验证标签数,测试图片数,测试标签数
FDQ-附着物，344,1634,87,459,45,251
YC-农田，532,887,148,231,74,127
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/a84deb237d0b917bb01d1a4e2638a5b0.png)


2，模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/daf8027485ae6aca90858795532278dd.png)

提供训练好的yolo11n模型，全部训练 + 测试源代码
训练精度 mAP 效果如图所示![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/97015abf49c7b727f27e6aee9a22f354.png)

3，PyQt5 界面功能![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/4008333de328bd0c3cc83f145d850602.png)

界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）
支持图片检测、视频检测、摄像头实时检测![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/b86fc33cf85a3b0d29b959584f3ab634.png)

界面实时显示：目标位置、目标总数、置信度等信息
支持检测结果保存导出
操作简单直观，无需命令行![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/63c1f9f77f48fa457d5361fa18a69379.png)
# 基于YOLOv11航拍农田及附着物检测系统完整代码
## 1、数据集yaml配置文件 `farm.yaml`
```yaml
# 类别：YC-农田，FDQ-附着物
path: ./dataset
train: images/train
val: images/val
test: images/test

names:
  0: YC
  1: FDQ
```

## 2、模型训练代码 `train.py`
```python
from ultralytics import YOLO

if __name__ == '__main__':
    # 加载YOLOv11模型
    model = YOLO("yolo11n.pt")
    # 开始训练
    results = model.train(
        data="farm.yaml",
        epochs=100,
        imgsz=640,
        batch=8,
        device=0,
        pretrained=True,
        patience=15
    )
    print("训练完成，权重保存在runs/detect/train/weights/best.pt")
```

## 3、单图推理代码 `predict.py`
```python
from ultralytics import YOLO
import cv2

model = YOLO("runs/detect/train/weights/best.pt")

def detect_img(img_path):
    img = cv2.imread(img_path)
    res = model(img, conf=0.25)
    for r in res:
        boxes = r.boxes
        for box in boxes:
            x1,y1,x2,y2 = map(int,box.xyxy[0])
            cls_id = int(box.cls[0])
            conf = float(box.conf[0])
            cls_name = model.names[cls_id]
            cv2.rectangle(img,(x1,y1),(x2,y2),(255,0,0),2)
            cv2.putText(img,f"{cls_name} {conf:.2f}",(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.6,(255,0,0),2)
    cv2.imwrite("result.jpg",img)
    return img

if __name__=="__main__":
    detect_img("test.jpg")
```

## 4、PyQt5可视化界面完整代码main_ui.py`
```python
import sys
import cv2
from PyQt5.QtWidgets import (QApplication, QMainWindow, QPushButton,QFileDialog,QLabel,QTableWidget,
                             QTableWidgetItem,QComboBox,QTextEdit)
from PyQt5.QtGui import QImage,QPixmap
from PyQt5.QtCore import Qt
from ultralytics import YOLO

class MainWin(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("基于YOLOv11的航拍农田及附着物检测系统")
        self.setGeometry(100,100,1240,870)
        self.model = YOLO("runs/detect/train/weights/best.pt")
        self.initUI()

    def initUI(self):
        #图片显示label
        self.img_label = QLabel(self)
        self.img_label.setGeometry(30,120,720,520)
        #按钮
        self.btn_open = QPushButton("导入图片",self)
        self.btn_open.setGeometry(780,160,180,40)
        self.btn_open.clicked.connect(self.load_image)
        self.btn_save = QPushButton("保存结果",self)
        self.btn_save.setGeometry(780,680,120,40)
        self.btn_exit = QPushButton("退出",self)
        self.btn_exit.setGeometry(920,680,120,40)
        self.btn_exit.clicked.connect(self.close)
        #下拉框
        self.combo = QComboBox(self)
        self.combo.addItem("全部")
        self.combo.setGeometry(780,420,180,30)
        #表格
        self.table = QTableWidget(self)
        self.table.setGeometry(30,660,720,160)
        self.table.setColumnCount(5)
        self.table.setHorizontalHeaderLabels(["序号","文件路径","类别","置信度","坐标位置"])
        self.result_img = None

    def load_image(self):
        fname,_ = QFileDialog.getOpenFileName(self,"选择图片",".","Image(*.jpg *.png)")
        if not fname:
            return
        img = cv2.imread(fname)
        res = self.model(img,conf=0.25)
        self.table.setRowCount(0)
        for r in res:
            boxes = r.boxes
            for idx,box in enumerate(boxes):
                x1,y1,x2,y2 = map(int,box.xyxy[0])
                cls_id = int(box.cls[0])
                conf = float(box.conf[0])
                cls_name = self.model.names[cls_id]
                cv2.rectangle(img,(x1,y1),(x2,y2),(255,0,0),2)
                cv2.putText(img,f"{cls_name} {conf:.2f}",(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,0.7,(255,0,0),2)
                #插入表格
                row = self.table.rowCount()
                self.table.insertRow(row)
                self.table.setItem(row,0,QTableWidgetItem(str(row+1)))
                self.table.setItem(row,1,QTableWidgetItem(fname))
                self.table.setItem(row,2,QTableWidgetItem(cls_name))
                self.table.setItem(row,3,QTableWidgetItem(f"{conf:.2f}"))
                self.table.setItem(row,4,QTableWidgetItem(f"[{x1},{y1},{x2},{y2}]"))
        #转Qt图像
        img_rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
        h,w,c = img_rgb.shape
        qimg = QImage(img_rgb.data,w,h,w*c,QImage.Format_RGB888)
        self.img_label.setPixmap(QPixmap.fromImage(qimg).scaled(self.img_label.size(),Qt.KeepAspectRatio))
        self.result_img = img

if __name__ == "__main__":
    app = QApplication(sys.argv)
    win = MainWin()
    win.show()
    sys.exit(app.exec_())
```

## 环境安装
```bash
pip install ultralytics opencv-python pyqt5
```



基于 YOLOv11 航拍农田及附着物检测系统 航拍高清农田及田内附着物检测数据集

人工智能

开发工具

客户端

基于YOLOv11的航拍农田及附着物检测系统，提供961张高清航拍图像数据集（含YC农田与FDQ附着物两类），支持YOLO/VOC/COCO三种标注格式。系统配备PyQt5图形界面，实现图片、视频及摄像头实时检测，可显示目标位置、总数与置信度，并支持结果保存。附带完整训练代码与预训练权重，便于快速部署。

代码训练

代码解释

YOLO

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 YOLOv11 航拍农田及附着物检测系统 航拍高清农田及田内附着物检测数据集-腾讯云开发者社区-腾讯云

基于 YOLOv11 航拍农田及附着物检测系统航拍高清农田及田内附着物检测数据集

基于 YOLOv11 航拍农田及附着物检测系统航拍高清农田及田内附着物检测数据集

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

基于 YOLOv11 航拍农田及附着物检测系统 航拍高清农田及田内附着物检测数据集

基于 YOLOv11 航拍农田及附着物检测系统 航拍高清农田及田内附着物检测数据集

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

基于 YOLOv11 航拍农田及附着物检测系统航拍高清农田及田内附着物检测数据集

基于 YOLOv11 航拍农田及附着物检测系统航拍高清农田及田内附着物检测数据集