YOLOv5植物模型开发综述

一、摘要

YOLOv5 作为当前主流的目标检测框架，凭借其高效的检测速度与出色的精度表现，成为植物识别任务的优选方案。本项目将围绕 “仙人掌、松树” 等植物类别展开目标检测模型的开发，整体流程可分为模型准备、数据处理、模型训练、推理验证四大核心环节，通过分工协作与技术拆解，实现从基础框架到定制化植物识别的全流程落地。

二、模型准备：从官方资源到定制化开发

首先需从 YOLOv5 官方仓库 下载基础模型（如 yolov5s.pt），该模型是在 COCO 数据集上预训练的通用目标检测模型，具备识别 80 类常见物体的能力。但为适配植物识别任务，需在其基础上进行数据替换与网络微调：

1.下载后将模型文件置于项目根目录（如 yolov5_new），后续通过 train.py 脚本加载该模型，并利用自定义植物数据集重新训练分类与回归头，使模型专注于识别 “仙人掌、松树” 等目标；

2.若需快速验证流程，可先通过 detect.py 运行官方模型，测试如上图中 “人物检测” 的默认功能，再逐步替换为植物数据。

三、数据处理：标注与划分的关键步骤

数据是模型效果的核心支撑，植物识别任务需重点关注以下环节：

1.数据采集与分类：收集 “仙人掌、松树” 等目标的图像，覆盖不同生长阶段、光照条件、拍摄角度（如上图中仙人掌的密集场景、松树的山地场景），确保数据多样性；

2.标注分工协作：采用 LabelMe 等工具对图像进行边界框标注，明确每株植物的类别与位置。由于标注工作量大，需两人分工完成，分别负责不同类别的图像标注，保证标注精度与效率，通过以下代码将 LabelMe标注后的json文件转换为txt文件；

import json
import os
from PIL import Imagejson_dir = "D:\labelme\song.txt"txt_dir = "D:\labelme"# 类别：0=song
class_names = ["song"]for json_file in os.listdir(json_dir):if json_file.endswith(".json"):with open(os.path.join(json_dir, json_file), "r", encoding="utf-8") as f:data = json.load(f)# 获取图片尺寸img_path = os.path.join(json_dir, data["imagePath"])img = Image.open(img_path)width, height = img.size# 生成txt标签txt_name = json_file.replace(".json", ".txt")with open(os.path.join(txt_dir, txt_name), "w") as f:for shape in data["shapes"]:cls = class_names.index(shape["label"])  # 类别编号points = shape["points"]  # 多边形坐标# 转换坐标为YOLO格式（归一化到0-1）normalized = []for (x, y) in points:normalized.append(x / width)normalized.append(y / height)# 写入txt：类别 坐标1 坐标2 ...f.write(f"{cls} " + " ".join(map(str, normalized)) + "\n")

3.数据集划分：将标注好的数据按 “训练集：验证集 = 8:2” 的比例划分，训练集用于模型参数更新，验证集用于监控训练过程中的过拟合情况（如前文所述验证集需包含各类别关键特征且不与训练集重复）。

四、模型训练与推理：从参数配置到效果验证

1.训练流程：

（1）配置 mydata.yaml 文件，指定训练集、验证集路径及类别数（如本项目中 nc=2 代表 “仙人掌、松树” 两类）；

path:  D:\python learning\pythonProject\yolov5_new\mydata
train: D:\python learning\pythonProject\yolov5_new\mydata\images\train
val: D:\python learning\pythonProject\yolov5_new\mydata\images\train # test images (optional)
test:# Classes
names:0: song1: xianrenzhang2: teddy bear

（2）运行 train.py 脚本，加载预训练模型 yolov5s.pt，设置训练轮数（epochs）、批次大小（batch_size）等参数，启动模型训练；

parser.add_argument("--weights", type=str, default=ROOT / "yolov5s.pt", help="initial weights path")parser.add_argument("--cfg", type=str, default="", help="model.yaml path")parser.add_argument("--data", type=str, default=ROOT / "D:\python learning\pythonProject\yolov5_new\data\mydata.yaml", help="dataset.yaml path")

（3）训练过程中，TensorBoard 会实时记录损失曲线与精度指标，可通过 tensorboard --logdir runs/train 查看训练动态。

2.推理验证：

（1）训练完成后，加载最优权重文件（如 runs/train/exp/weights/best.pt），通过 detect.py 对测试图像进行推理；

（2）推理时可调整置信度阈值（conf-thres），平衡检测框数量与精度（如上图中不同阈值下的检测效果差异），最终输出带植物类别与位置的检测结果

五、后续计划与协作分工

现阶段需优先完成 YOLOv5 官方模型的下载与环境配置，确保 train.py、detect.py 等脚本可正常运行。待模型准备就绪后，将启动数据标注工作，分工负责不同类别植物的标注任务，以加速数据积累。后续还需针对模型训练过程中的损失波动、精度瓶颈等问题进行调优，最终实现高精度的植物识别目标检测系统。