当前位置：首页 > news >正文

【数据集+源码】基于yolov11+streamlit的玉米叶片病虫害检测系统

news 2025/11/10 7:57:49

文末附下载链接

在这里插入图片描述

开发目的

玉米作为全球重要的粮食作物之一，其健康生长直接关系到粮食安全与农业生产效益。然而，病虫害问题一直是制约玉米产量和品质提升的主要因素。传统的玉米叶片病虫害检测方法依赖人工巡检和经验判断，不仅效率低下、覆盖范围有限，还容易因主观因素导致漏检或误判，从而延误最佳防治时机。

为应对这一挑战，基于YOLOv11和Streamlit的玉米叶片病虫害检测系统应运而生。该系统结合了YOLOv11在目标检测领域的卓越性能与Streamlit快速构建交互式应用的优势，能够实现对玉米叶片病虫害的自动化、精准化识别与实时监测。通过深度学习算法的强大特征提取能力，系统能够在复杂自然环境下高效检测多种病虫害类型，并提供直观的可视化结果，帮助农户和农业技术人员快速掌握田间病虫害情况。

这不仅大幅提升了检测效率和准确性，还降低了对专业人力资源的依赖，尤其适用于大范围农田的高频次监测工作。同时，系统的实时性和便捷性使其在农业生产实践中具有重要应用价值，可为病虫害的早期预警和科学防治提供有力支持，从而减少农药使用量、降低环境污染，助力绿色农业发展与粮食安全保障。

YOLO介绍

YOLO11：新一代实时目标检测网络的全面进化

骨干网络（Backbone）

YOLO11采用了全新的CSPDarknet-11架构作为其骨干网络，通过优化的跨阶段部分连接（CSP）设计，在计算效率和特征提取能力之间实现了更好的平衡。相比YOLOv5的CSPDarknet-53和YOLOv7的E-ELAN结构，YOLO11在深层特征提取中引入了动态稀疏卷积模块，能够自适应地调整感受野大小，从而更有效地捕获多尺度信息。与YOLOv8的骨干网络相比，YOLO11进一步减少了冗余计算，同时提升了对小目标的特征表达能力。

Neck结构

YOLO11的Neck部分引入了改进版的PANet-Fusion结构，结合双向特征金字塔网络（BiFPN）的思想，增强了不同尺度特征图之间的信息流动。相较于YOLOv5的传统PANet和YOLOv7的辅助聚合路径，YOLO11通过引入自适应权重分配机制，使得高层语义信息和低层细节信息能够更高效地融合。此外，YOLO11在Neck中加入了轻量化的注意力模块（LAM），进一步提升了关键特征的筛选能力，这一设计是YOLO系列中的首次尝试。

检测头（Head）

YOLO11采用了全新的Decoupled Head设计，将分类任务和回归任务彻底解耦，分别通过独立的卷积分支进行处理。这种设计显著提高了模型的收敛速度和精度，特别是在密集场景下的检测效果。相比于YOLOv5的一体化检测头和YOLOv7的辅助头结构，YOLO11的检测头更加灵活且高效。同时，YOLO11引入了分布感知损失函数（DALoss），在边界框回归中表现出更强的鲁棒性，这一点明显优于YOLOv8的CIoU损失。

改进与创新点对比

计算效率：相比YOLOv5和YOLOv7，YOLO11通过动态稀疏卷积和轻量化注意力模块大幅降低了计算复杂度，同时保持了更高的检测精度。
多尺度特征融合：YOLO11的BiFPN-Fusion结构比YOLOv8的Neck设计更具优势，尤其在处理小目标时表现突出。
任务解耦：Decoupled Head设计是YOLO11的一大亮点，解决了YOLOv5和YOLOv7中分类与回归任务相互干扰的问题。
损失函数优化：分布感知损失函数的引入使YOLO11在复杂场景下的定位精度超越了YOLOv8的CIoU损失。

总结

YOLO11通过一系列创新性的改进，在骨干网络、Neck结构和检测头等方面均实现了质的飞跃。它不仅继承了YOLO系列一贯的高效性和实时性，还在精度和灵活性上达到了新的高度，为实时目标检测领域树立了新的标杆。

系统设计

数据集

(1) 数据集基本情况

本项目使用的玉米叶片病虫害数据集是专门为YOLO系列目标检测模型训练准备的。数据集包含3407张图片，其中训练集2812张、验证集595张，所有图片均为原图，未经过任何数据增强处理。数据集已经标注完毕，标签文件为txt格式，适用于YOLOv5、YOLOv8、YOLOv9、YOLOv10、YOLOv11等版本的模型训练。

数据集中的图片涵盖了玉米叶片常见的七种病虫害类别，包括：枯萎病、玉米灰斑病、玉米锈叶病、秋粘虫、玉米条纹病、黄茎螟成虫、黄茎螟幼虫。通过该数据集训练的YOLOv11s模型在验证集上的mAP@50指标达到了66.5%。
在这里插入图片描述

在这里插入图片描述

(2) 数据集处理

数据集采用labelme工具进行标注，标注后的数据以JSON格式存储。为了适配YOLO模型训练的需求，我们将JSON格式的标注转换为YOLO格式。YOLO格式的标注文件是一个与图片同名的txt文件，每行表示一个目标对象，格式如下：

<class_id> <x_center> <y_center> <width> <height>

class_id：目标类别的索引，从0开始。
x_center, y_center：目标边界框中心点相对于图片宽度和高度的归一化坐标。
width, height：目标边界框宽度和高度相对于图片宽度和高度的归一化值。

模型训练

安装ultralytics

YOLOv11基于ultralytics框架开发，首先需要安装ultralytics库：

pip install ultralytics

训练代码编写

训练代码的核心部分如下：

from ultralytics import YOLOmodel = YOLO("yolov11n.pt")  # 加载预训练模型
results = model.train(data="data.yaml", epochs=100, imgsz=640)

超参数设置

以下是训练过程中常用的超参数及其含义：

参数名称	取值示例	含义
`epochs`	100	训练的总轮数
`batch`	16	每次输入模型的样本数量
`imgsz`	640	输入图片的尺寸
`conf`	0.25	置信度阈值，用于过滤低置信度的预测结果
`iou`	0.45	非极大值抑制（NMS）的IoU阈值
`optimizer`	“SGD”	优化器类型
`lr0`	0.01	初始学习率
`momentum`	0.937	动量参数

这些超参数可以通过修改配置文件或直接在代码中设置。

模型推理

图片推理代码

from ultralytics import YOLOmodel = YOLO("path/to/best.pt")  # 加载训练好的模型
results = model.predict(source="image.jpg", conf=0.25, iou=0.45)

视频推理代码

from ultralytics import YOLOmodel = YOLO("path/to/best.pt")
results = model.predict(source="video.mp4", conf=0.25, iou=0.45)

系统UI设计

Streamlit框架具有简单易用、快速搭建界面的优点，适合用于构建机器学习应用的前端界面。以下是基于Streamlit搭建的玉米叶片病虫害检测系统的UI设计说明。
在这里插入图片描述

UI源代码结构

import streamlit as st
from PIL import Image
from utils import load_model, infer_image, infer_video_framest.set_page_config(page_title="基于YOLOv11的玉米叶片病虫害识别系统")if __name__ == '__main__':st.markdown("<h1 style='text-align: center;'>基于YOLOv11的玉米叶片病虫害识别系统</h1>", unsafe_allow_html=True)confidence = float(st.sidebar.slider("调整置信度", 10, 100, 25)) / 100iou = float(st.sidebar.slider("调整iou", 10, 100, 45)) / 100source = ("图片检测", "视频检测", '本地摄像头检测')select_radio = st.sidebar.radio('检测类型', source)model = load_model()  # 加载模型if select_radio == "图片检测":uploaded_file = st.sidebar.file_uploader("上传图片", type=['png', 'jpeg', 'jpg'])if uploaded_file is not None:col1, col2 = st.columns(2)with col1:st.image(uploaded_file, caption="原始图片")picture = Image.open(uploaded_file)anno_img, label_num_dict, rows = infer_image(model=model, image=picture, conf=confidence, iou=iou)with col2:st.image(anno_img, channels='BGR', caption="图片检测结果")

系统功能

基于YOLOv11+Streamlit的玉米叶片病虫害检测系统具备以下主要功能：

图片检测：用户可上传图片，系统会自动识别并标注出图片中的病虫害类别及位置。
视频检测：支持上传视频文件，逐帧检测视频中的病虫害。
本地摄像头检测：实时调用本地摄像头，检测当前画面中的病虫害。
参数调节：用户可通过侧边栏调节置信度和IoU阈值，以控制检测结果的精度和召回率。
结果展示：系统会以可视化方式展示检测结果，同时提供详细的检测数据表，包括类别、置信度和边界框坐标等信息。

总结

基于YOLOv11和Streamlit的玉米叶片病虫害检测系统是一套高效、精准且易于使用的解决方案，旨在应对传统病虫害检测方法效率低下、覆盖范围有限等问题。系统充分利用了YOLOv11在目标检测领域的技术优势，如动态稀疏卷积、BiFPN-Fusion结构和Decoupled Head设计，确保了在复杂自然环境下的高精度检测能力。同时，Streamlit框架的引入极大地简化了系统UI的开发流程，提供了直观的交互体验。

该系统的成功开发不仅提升了玉米叶片病虫害检测的自动化水平，还为农业生产实践中的早期预警和科学防治提供了强有力的支持。通过减少农药使用量、降低环境污染，系统在助力绿色农业发展和保障粮食安全方面发挥了重要作用。未来，我们计划进一步优化模型性能，扩展数据集规模，并探索更多应用场景，以更好地服务于现代农业需求。
在这里插入图片描述
另外，限于本篇文章的篇幅，无法一一细致讲解系统原理、项目代码、模型训练、系统文章等细节，需要数据集、整套项目源码、训练代码、系统文档的小伙伴可以从下面的链接中下载：
玉米病虫害数据集基于yolov11+streamlit的玉米叶片病虫害检测系统