毕业项目推荐：83-基于yolov8/yolov5/yolo11的农作物杂草检测识别系统（Python+卷积神经网络）

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) 在智慧农业与作物田间管理领域应用广泛，基于深度学习的农作物杂草检测是重点研究方向。该系统依托无人机航拍，结合计算机视觉与深度学习模型，可自动识别农田中作物与杂草的类别、精准提取杂草位置坐标、覆盖范围等关键信息，大幅提升田间除草效率、施药精准度及作物生长保障能力，降低因杂草争夺养分导致的作物减产风险，本文还将提供简单 Python 代码实现以助理解。农作物杂草检测是农田管理、精准植保及产量保障的核心技术支撑，尤其在大面积规模化种植基地，或作物苗期与杂草形态相似的场景中，传统人工除草易受地块大小、作物密度影响，若检测不及时或除草不彻底，易导致杂草与作物争夺光照、水分和养分，造成作物品质下降、产量锐减，甚至引发病虫害滋生。

传统农作物杂草检测存在明显不足：人工巡查需农户或农技人员逐地块排查，耗时耗力且覆盖范围有限，难以满足大规模农田的快速检测需求，尤其在作物生长旺盛期，人工区分杂草与作物易出现视觉疲劳；人工判断杂草类型与密度依赖经验，对早期低矮杂草或与作物叶片形态相似的杂草（如禾本科作物田中的禾本科杂草）易出现漏判、误判，导致除草时机延误或误除作物；传统除草多为 “全域喷施农药”，无法根据杂草分布精准施药，既造成农药浪费与土壤污染，又增加农产品农药残留风险，且人工除草成本随种植面积扩大急剧上升。这些问题会降低农田管理效率，增加种植成本与环境压力，影响作物产量与农产品安全，因此高效精准的农作物杂草检测与精准防治指导，对种植户、农业合作社、植保服务企业及农产品质量监管机构意义重大。

此外，我们开发了一款带有UI界面的农作物杂草检测识别系统，支持实时检测农作物杂草的识别，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

yolo11界面如下

关键词：农作物杂草检测；深度学习；特征融合；注意力机制；卷积神经网络

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：

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：

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：

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。

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：

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

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

本数据集共包含 1300 张田间农作物影像，主要采集于自然田间环境，图像中包含农作物与杂草两大类目标，旨在为农业自动化和智能识别研究提供高质量的训练数据。

🌱 数据类别

• Crop（农作物）
• Weed（杂草）
  

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。

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。

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

1. 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。

2. 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。

3. 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。

4. 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。

5. 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

1. 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。

2. 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。

3. 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

1. 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。

2. 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。

1. 使用pycharm打开代码，找到train.py打开，示例截图如下：
   

2. 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

3. 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

4. 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)
   

5. 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。

6. 打开 train.py ，右键执行。
   

7. 出现如下类似的界面代表开始训练了
   

8. 训练完后的模型保存在runs/train文件夹下
   

---

🌟 六、模型评估步骤

1. 打开val.py文件，如下图所示：
   

2. 修改 model_pt 的值，是自己想要评估的模型路径

3. 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

4. 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)
   

5. 修改完后，即可执行程序，出现如下截图，代表成功（下图是示例，具体以自己的实际项目为准。）
   

6. 评估后的文件全部保存在在 runs/val/exp... 文件夹下
   

---

🌟 七、训练结果

我们每次训练后，会在 run/train 文件夹下出现一系列的文件，如下图所示：

   如果大家对于上面生成的这些内容（confusion_matrix.png、results.png等）不清楚是什么意思，可以在我的知识库里查看这些指标的具体含义，示例截图如下：

🌟八、完整代码

   如果您希望获取博文中提到的所有实现相关的完整资源文件（包括测试图片、视频、Python脚本、UI文件、训练数据集、训练代码、界面代码等），这些文件已被全部打包。以下是完整资源包的截图：

您可以通过下方演示视频的视频简介部分进行获取

演示视频：

83-基于深度学习的农作物杂草检测识别系统-yolov8/yolov5-经典版界面

83-基于深度学习的农作物杂草检测识别系统-yolo11-彩色版界面