文章目录

项目介绍大全（可点击查看，不定时更新中）
概要
一、整体资源介绍
- 技术要点
- 功能展示：
- - 功能1 支持单张图片识别
  - 功能2 支持遍历文件夹识别
  - 功能3 支持识别视频文件
  - 功能4 支持摄像头识别
  - 功能5 支持结果文件导出（xls格式）
  - 功能6 支持切换检测到的目标查看
二、系统环境与依赖配置说明
三、数据集
四、算法介绍
- 1. YOLOv8 概述
- - 简介
- 2. YOLOv5 概述
- - 简介
- 3. YOLO11 概述
- - YOLOv11：Ultralytics 最新目标检测模型
🌟 五、模型训练步骤
🌟 六、模型评估步骤
🌟 七、训练结果
🌟八、完整代码

往期经典回顾

项目	项目
基于yolov8的车牌检测识别系统	基于yolov8/yolov5/yolo11的动物检测识别系统
基于yolov8的人脸表情检测识别系统	基于深度学习的PCB板缺陷检测系统
基于yolov8/yolov5的茶叶等级检测系统	基于yolov8/yolov5的农作物病虫害检测识别系统
基于yolov8/yolov5的交通标志检测识别系统	基于yolov8/yolov5的课堂行为检测识别系统
基于yolov8/yolov5的海洋垃圾检测识别系统	基于yolov8/yolov5的垃圾检测与分类系统
基于yolov8/yolov5的行人摔倒检测识别系统	基于yolov8/yolov5的草莓病害检测识别系统

具体项目资料请看项目介绍大全

项目介绍大全（可点击查看，不定时更新中）

概要

人工智能 (AI) 在设施农业领域的应用日益广泛，其中基于深度学习的大棚黄瓜检测成为一个备受关注的研究方向。通过利用计算机视觉和深度学习技术，我们可以自动识别大棚黄瓜果实数量、品质等级，提高大棚黄瓜种植的精细化管理水平、产量把控效率与农产品商品价值。本文将介绍基于深度学习的大棚黄瓜检测系统，并提供一个简单的 Python 代码实现，以便读者更好地了解这一技术。

大棚黄瓜是全球重要的设施蔬菜作物，凭借生长周期短、产量高、市场需求稳定的特点，成为大棚种植的核心品类之一，其果实品质与产量直接关系到种植户的经济收益、生鲜市场的供应稳定性及食品加工产业（如腌黄瓜、黄瓜汁制作）的原料质量。然而，大棚黄瓜在种植过程中易面临多重检测需求与挑战：一方面，大棚封闭环境下作物密度高，人工统计果实数量、判断成熟度耗时耗力，且易因主观判断差异导致采收时机偏差，影响果实口感与保鲜期；另一方面，大棚内高温高湿环境易诱发病害（如黄瓜霜霉病导致叶片枯黄、白粉病影响光合作用）与虫害（如蚜虫吸食汁液导致植株衰弱），这些问题初期症状隐蔽，若未及时发现会快速扩散，导致产量锐减、果实品质下降，严重时甚至造成整棚作物绝收。因此，及早检测和准确识别大棚黄瓜的生长状态、果实品质与植株健康问题，对于大棚种植户、设施农业管理团队及农产品收购企业来说至关重要。

此外，我们开发了一款带有UI界面的大棚黄瓜检测识别系统，支持实时检测黄瓜数量的识别，并能够直观地展示检测结果。系统采用Python与PyQt5开发，可以对图片、视频及摄像头输入进行目标检测，同时支持检测结果的保存。本文还提供了完整的Python代码和详细的使用指南，供有兴趣的读者学习参考。获取完整代码资源，请参见文章末尾。

yolov8/yolov5界面如下

在这里插入图片描述

yolo11界面如下
在这里插入图片描述

关键词：大棚黄瓜检测；深度学习；特征融合；注意力机制；卷积神经网络

在这里插入图片描述

一、整体资源介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：
yolov8、yolov8 + SE注意力机制 或 yolov5、yolov5 + SE注意力机制 或 yolo11、yolo11 + SE注意力机制

数据集：
网上下载的数据集，格式都已转好，可直接使用。

以上是本套代码算法的简单说明，添加注意力机制是本套系统的创新点 。

技术要点

OpenCV：主要用于实现各种图像处理和计算机视觉相关任务。
Python：采用这种编程语言，因其简洁易学且拥有大量丰富的资源和库支持。
数据增强技术：翻转、噪点、色域变换，mosaic等方式，提高模型的鲁棒性。

功能展示：

部分核心功能如下：

功能1： 支持单张图片识别
功能2： 支持遍历文件夹识别
功能3： 支持识别视频文件
功能4： 支持摄像头识别
功能5： 支持结果文件导出（xls格式）
功能6： 支持切换检测到的目标查看

功能1 支持单张图片识别

系统支持用户选择图片文件进行识别。通过点击图片选择按钮，用户可以选择需要检测的图片，并在界面上查看所有识别结果。该功能的界面展示如下图所示：

在这里插入图片描述

功能2 支持遍历文件夹识别

系统支持选择整个文件夹进行批量识别。用户选择文件夹后，系统会自动遍历其中的所有图片文件，并将识别结果实时更新显示在右下角的表格中。该功能的展示效果如下图所示：

在这里插入图片描述

功能3 支持识别视频文件

在许多情况下，我们需要识别视频中的目标。因此，系统设计了视频选择功能。用户点击视频按钮即可选择待检测的视频，系统将自动解析视频并逐帧识别多个目标，同时将识别结果记录在右下角的表格中。以下是该功能的展示效果：
在这里插入图片描述

在这里插入图片描述

功能4 支持摄像头识别

在许多场景下，我们需要通过摄像头实时识别目标。为此，系统提供了摄像头选择功能。用户点击摄像头按钮后，系统将自动调用摄像头并进行实时识别，识别结果会即时记录在右下角的表格中。
在这里插入图片描述

在这里插入图片描述

功能5 支持结果文件导出（xls格式）

本系统还添加了对识别结果的导出功能，方便后续查看，目前支持导出xls数据格式，功能展示如下：
在这里插入图片描述

在这里插入图片描述

功能6 支持切换检测到的目标查看

在这里插入图片描述

二、系统环境与依赖配置说明

本项目采用 Python 3.8.10 作为开发语言，整个后台逻辑均由 Python 编写，主要依赖环境如下：
图形界面框架：

PyQt5 5.15.9：用于搭建系统图形用户界面，实现窗口交互与组件布局。深度学习框架：
torch 1.9.0+cu111： PyTorch 深度学习框架，支持 CUDA 11.1 加速，用于模型构建与推理。
torchvision 0.10.0+cu111：用于图像处理、数据增强及模型组件辅助。 CUDA与 cuDNN（GPU 加速支持）：
CUDA 11.1.1（版本号：cuda_11.1.1_456.81）：用于 GPU 加速深度学习运算。
cuDNN 8.0.5.39（适用于 CUDA 11.1）：NVIDIA 深度神经网络库，用于加速模型训练与推理过程。图像处理与科学计算：
opencv-python 4.7.0.72：实现图像读取、显示、处理等功能。
numpy 1.24.4：用于高效数组计算及矩阵操作。
PIL (pillow) 9.5.0：图像文件读写与基本图像处理库。
matplotlib 3.7.1（可选）：用于结果图形化展示与可视化调试。

三、数据集

该数据集共包含 1932 张图像，主要用于大棚环境下黄瓜的目标检测任务。图像采集自实际种植场景，涵盖不同光照、角度、遮挡与密度条件，具有较高的场景复杂性与实用价值。

在这里插入图片描述

四、算法介绍

1. YOLOv8 概述

简介

YOLOv8算法的核心特性和改进如下：

全新SOTA模型
YOLOv8 提供了全新的最先进（SOTA）的模型，包括P5 640 和 P6 1280分辨率的目标检测网络，同时还推出了基于YOLACT的实例分割模型。与YOLOv5类似，它提供了N/S/M/L/X五种尺度的模型，以满足不同场景的需求。
Backbone
骨干网络和Neck部分参考了YOLOv7 ELAN的设计思想。
将YOLOv5的C3结构替换为梯度流更丰富的C2f结构。
针对不同尺度的模型，调整了通道数，使其更适配各种任务需求。

网络结构如下：

相比之前版本，YOLOv8对模型结构进行了精心微调，不再是“无脑”地将同一套参数应用于所有模型，从而大幅提升了模型性能。这种优化使得不同尺度的模型在面对多种场景时都能更好地适应。

然而，新引入的C2f模块虽然增强了梯度流，但其内部的Split等操作对特定硬件的部署可能不如之前的版本友好。在某些场景中，C2f模块的这些特性可能会影响模型的部署效率。

2. YOLOv5 概述

简介

YOLOV5有YOLOv5n，YOLOv5s，YOLOv5m，YOLOV5l、YOLO5x五个版本。这个模型的结构基本一样，不同的是deth_multiole模型深度和width_multiole模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOV5n网络是YOLOV5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。不过最常用的一般都是yolov5s模型。

在这里插入图片描述
本系统采用了基于深度学习的目标检测算法——YOLOv5。作为YOLO系列算法中的较新版本，YOLOv5在检测的精度和速度上相较于YOLOv3和YOLOv4都有显著提升。它的核心理念是将目标检测问题转化为回归问题，简化了检测过程并提高了性能。

YOLOv5引入了一种名为SPP (Spatial Pyramid Pooling)的特征提取方法。SPP能够在不增加计算量的情况下，提取多尺度特征，从而显著提升检测效果。

在检测流程中，YOLOv5首先通过骨干网络对输入图像进行特征提取，生成一系列特征图。然后，对这些特征图进行处理，生成检测框和对应的类别概率分数，即每个检测框内物体的类别和其置信度。

YOLOv5的特征提取网络采用了CSPNet (Cross Stage Partial Network)结构。它将输入特征图分成两部分，一部分通过多层卷积处理，另一部分进行直接下采样，最后再将两部分特征图进行融合。这种设计增强了网络的非线性表达能力，使其更擅长处理复杂背景和多样化物体的检测任务。

在这里插入图片描述

3. YOLO11 概述

YOLOv11：Ultralytics 最新目标检测模型

YOLOv11 是 Ultralytics 公司在 2024 年推出的 YOLO 系列目标检测模型的最新版本。以下是对 YOLOv11 的具体介绍：

主要特点

增强的特征提取：
- 采用改进的骨干和颈部架构，如在主干网络中引入了 c2psa 组件，并将 c2f 升级为 c3k2。
- c3k 允许用户自定义卷积模块的尺寸，提升了灵活性。
- c2psa 通过整合 psa（位置敏感注意力机制）来增强模型的特征提取效能。
- 颈部网络采用了 pan 架构，并集成了 c3k2 单元，有助于从多个尺度整合特征，并优化特征传递的效率。
针对效率和速度优化：
- 精细的架构设计和优化的训练流程，在保持准确性和性能最佳平衡的同时，提供更快的处理速度。
- 相比 YOLOv10，YOLOv11 的延迟降低了 25%-40%，能够达到每秒处理 60 帧 的速度，是目前最快的目标检测模型之一。
更少的参数，更高的准确度：
- YOLOv11m 在 COCO 数据集上实现了比 YOLOv8m 更高的 mAP，参数减少了 22%，提高了计算效率，同时不牺牲准确度。
跨环境的适应性：
- 可无缝部署在 边缘设备、云平台 和配备 NVIDIA GPU 的系统上，确保最大的灵活性。
支持广泛的任务范围：
- 支持多种计算机视觉任务，包括 目标检测、实例分割、图像分类、姿态估计 和 定向目标检测（OBB）。

架构改进

主干网络：
- 引入了 c2psa 组件，并将 c2f 升级为 c3k2。
- c3k 支持用户自定义卷积模块尺寸，增强灵活性。
- c2psa 整合了 psa（位置敏感注意力机制），提升特征提取效能。
颈部网络：
- 采用 pan 架构，并集成了 c3k2 单元，帮助从多个尺度整合特征并优化特征传递效率。
头部网络：
- YOLOv11 的检测头设计与 YOLOv8 大致相似。
- 在分类（cls）分支中，采用了 深度可分离卷积 来增强性能。

性能优势

精度提升：
- 在 COCO 数据集上取得了显著的精度提升：
  - YOLOv11x 模型的 mAP 得分高达 54.7%。
  - 最小的 YOLOv11n 模型也能达到 39.5% 的 mAP 得分。
- 与前代模型相比，精度有明显进步。
速度更快：
- 能够满足实时目标检测需求

🌟 五、模型训练步骤

提供封装好的训练脚本，如下图，更加详细的的操作步骤可以参考我的飞书在线文档：https://aax3oiawuo.feishu.cn/wiki/HLpVwQ4QWiTd4Ckdeifcvvdtnve ，强烈建议直接看文档去训练模型，文档是实时更新的，有任何的新问题，我都会实时的更新上去。另外B站也会提供视频。

使用pycharm打开代码，找到train.py打开，示例截图如下：
修改 model_yaml 的值，根据自己的实际情况修改，想要训练 yolov8s模型就修改为 model_yaml = yaml_yolov8s，训练添加SE注意力机制的模型就修改为 model_yaml = yaml_yolov8_SE
修改data_path 数据集路径，我这里默认指定的是traindata.yaml 文件，如果训练我提供的数据，可以不用改

修改 model.train()中的参数，按照自己的需求和电脑硬件的情况更改

# 文档中对参数有详细的说明
model.train(data=data_path,             # 数据集imgsz=640,                  # 训练图片大小epochs=200,                 # 训练的轮次batch=2,                    # 训练batchworkers=0,                  # 加载数据线程数device='0',                 # 使用显卡optimizer='SGD',            # 优化器project='runs/train',       # 模型保存路径name=name,                  # 模型保存命名)

修改traindata.yaml文件，打开 traindata.yaml 文件，如下所示：

在这里，只需修改 path 的值，其他的都不用改动（仔细看上面的黄色字体），我提供的数据集默认都是到 yolo 文件夹，设置到 yolo 这一级即可，修改完后，返回 train.py 中，执行train.py。
打开 train.py ，右键执行。
出现如下类似的界面代表开始训练了
训练完后的模型保存在runs/train文件夹下

🌟 六、模型评估步骤

打开val.py文件，如下图所示：
修改 model_pt 的值，是自己想要评估的模型路径
修改 data_path ，根据自己的实际情况修改，具体如何修改，查看上方模型训练中的修改步骤

修改 model.val()中的参数，按照自己的需求和电脑硬件的情况更改

model.val(data=data_path,           # 数据集路径imgsz=300,                # 图片大小，要和训练时一样batch=4,                  # batchworkers=0,                # 加载数据线程数conf=0.001,               # 设置检测的最小置信度阈值。置信度低于此阈值的检测将被丢弃。iou=0.6,                  # 设置非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。有助于减少重复检测。device='0',               # 使用显卡project='runs/val',       # 保存路径name='exp',               # 保存命名)