往期經典回顧

項目	項目
基于yolov8的車牌檢測識別系統	基于yolov8/yolov5/yolo11的動物檢測識別系統
基于yolov8的人臉表情檢測識別系統	基于深度學習的PCB板缺陷檢測系統
基于yolov8/yolov5的茶葉等級檢測系統	基于yolov8/yolov5的農作物病蟲害檢測識別系統
基于yolov8/yolov5的交通標志檢測識別系統	基于yolov8/yolov5的課堂行為檢測識別系統
基于yolov8/yolov5的海洋垃圾檢測識別系統	基于yolov8/yolov5的垃圾檢測與分類系統
基于yolov8/yolov5的行人摔倒檢測識別系統	基于yolov8/yolov5的草莓病害檢測識別系統

具體項目資料請看項目介紹大全

項目介紹大全（可點擊查看，不定時更新中）

概要

人工智能 (AI) 在設施農業領域的應用日益廣泛，其中基于深度學習的大棚黃瓜檢測成為一個備受關注的研究方向。通過利用計算機視覺和深度學習技術，我們可以自動識別大棚黃瓜果實數量、品質等級，提高大棚黃瓜種植的精細化管理水平、產量把控效率與農產品商品價值。本文將介紹基于深度學習的大棚黃瓜檢測系統，并提供一個簡單的 Python 代碼實現，以便讀者更好地了解這一技術。

大棚黃瓜是全球重要的設施蔬菜作物，憑借生長周期短、產量高、市場需求穩定的特點，成為大棚種植的核心品類之一，其果實品質與產量直接關系到種植戶的經濟收益、生鮮市場的供應穩定性及食品加工產業（如腌黃瓜、黃瓜汁制作）的原料質量。然而，大棚黃瓜在種植過程中易面臨多重檢測需求與挑戰：一方面，大棚封閉環境下作物密度高，人工統計果實數量、判斷成熟度耗時耗力，且易因主觀判斷差異導致采收時機偏差，影響果實口感與保鮮期；另一方面，大棚內高溫高濕環境易誘發病害（如黃瓜霜霉病導致葉片枯黃、白粉病影響光合作用）與蟲害（如蚜蟲吸食汁液導致植株衰弱），這些問題初期癥狀隱蔽，若未及時發現會快速擴散，導致產量銳減、果實品質下降，嚴重時甚至造成整棚作物絕收。因此，及早檢測和準確識別大棚黃瓜的生長狀態、果實品質與植株健康問題，對于大棚種植戶、設施農業管理團隊及農產品收購企業來說至關重要。

此外，我們開發了一款帶有UI界面的大棚黃瓜檢測識別系統，支持實時檢測黃瓜數量的識別，并能夠直觀地展示檢測結果。系統采用Python與PyQt5開發，可以對圖片、視頻及攝像頭輸入進行目標檢測，同時支持檢測結果的保存。本文還提供了完整的Python代碼和詳細的使用指南，供有興趣的讀者學習參考。獲取完整代碼資源，請參見文章末尾。
??
yolov8/yolov5界面如下

yolo11界面如下

關鍵詞：大棚黃瓜檢測；深度學習；特征融合；注意力機制；卷積神經網絡

一、整體資源介紹

項目中所用到的算法模型和數據集等信息如下：

算法模型：
? ? yolov8、yolov8 + SE注意力機制 或 yolov5、yolov5 + SE注意力機制 或 yolo11、yolo11 + SE注意力機制

數據集：
? ? 網上下載的數據集，格式都已轉好，可直接使用。

以上是本套代碼算法的簡單說明，添加注意力機制是本套系統的創新點 。

技術要點

• OpenCV：主要用于實現各種圖像處理和計算機視覺相關任務。
• Python：采用這種編程語言，因其簡潔易學且擁有大量豐富的資源和庫支持。
• 數據增強技術： 翻轉、噪點、色域變換，mosaic等方式，提高模型的魯棒性。

功能展示：

部分核心功能如下：

• 功能1： 支持單張圖片識別
• 功能2： 支持遍歷文件夾識別
• 功能3： 支持識別視頻文件
• 功能4： 支持攝像頭識別
• 功能5： 支持結果文件導出（xls格式）
• 功能6： 支持切換檢測到的目標查看

功能1 支持單張圖片識別

系統支持用戶選擇圖片文件進行識別。通過點擊圖片選擇按鈕，用戶可以選擇需要檢測的圖片，并在界面上查看所有識別結果。該功能的界面展示如下圖所示：

功能2 支持遍歷文件夾識別

系統支持選擇整個文件夾進行批量識別。用戶選擇文件夾后，系統會自動遍歷其中的所有圖片文件，并將識別結果實時更新顯示在右下角的表格中。該功能的展示效果如下圖所示：

功能3 支持識別視頻文件

在許多情況下，我們需要識別視頻中的目標。因此，系統設計了視頻選擇功能。用戶點擊視頻按鈕即可選擇待檢測的視頻，系統將自動解析視頻并逐幀識別多個目標，同時將識別結果記錄在右下角的表格中。以下是該功能的展示效果：

功能4 支持攝像頭識別

在許多場景下，我們需要通過攝像頭實時識別目標。為此，系統提供了攝像頭選擇功能。用戶點擊攝像頭按鈕后，系統將自動調用攝像頭并進行實時識別，識別結果會即時記錄在右下角的表格中。

功能5 支持結果文件導出（xls格式）

本系統還添加了對識別結果的導出功能，方便后續查看，目前支持導出xls數據格式，功能展示如下：

功能6 支持切換檢測到的目標查看

二、系統環境與依賴配置說明

本項目采用 Python 3.8.10 作為開發語言，整個后臺邏輯均由 Python 編寫，主要依賴環境如下：
圖形界面框架：

• PyQt5 5.15.9：用于搭建系統圖形用戶界面，實現窗口交互與組件布局。 深度學習框架：
• torch 1.9.0+cu111： PyTorch 深度學習框架，支持 CUDA 11.1 加速，用于模型構建與推理。
• torchvision 0.10.0+cu111：用于圖像處理、數據增強及模型組件輔助。 CUDA與 cuDNN（GPU 加速支持）：
• CUDA 11.1.1（版本號：cuda_11.1.1_456.81）：用于 GPU 加速深度學習運算。
• cuDNN 8.0.5.39（適用于 CUDA 11.1）：NVIDIA 深度神經網絡庫，用于加速模型訓練與推理過程。 圖像處理與科學計算：
• opencv-python 4.7.0.72：實現圖像讀取、顯示、處理等功能。
• numpy 1.24.4：用于高效數組計算及矩陣操作。
• PIL (pillow) 9.5.0：圖像文件讀寫與基本圖像處理庫。
• matplotlib 3.7.1（可選）：用于結果圖形化展示與可視化調試。

三、數據集

該數據集共包含 1932 張圖像，主要用于 大棚環境下黃瓜的目標檢測任務。圖像采集自實際種植場景，涵蓋不同光照、角度、遮擋與密度條件，具有較高的場景復雜性與實用價值。

四、算法介紹

1. YOLOv8 概述

簡介

YOLOv8算法的核心特性和改進如下：

• 全新SOTA模型
  YOLOv8 提供了全新的最先進（SOTA）的模型，包括P5 640 和 P6 1280分辨率的目標檢測網絡，同時還推出了基于YOLACT的實例分割模型。與YOLOv5類似，它提供了N/S/M/L/X五種尺度的模型，以滿足不同場景的需求。
• Backbone
  骨干網絡和Neck部分參考了YOLOv7 ELAN的設計思想。
  將YOLOv5的C3結構替換為梯度流更豐富的C2f結構。
  針對不同尺度的模型，調整了通道數，使其更適配各種任務需求。
  
  網絡結構如下：
  

相比之前版本，YOLOv8對模型結構進行了精心微調，不再是“無腦”地將同一套參數應用于所有模型，從而大幅提升了模型性能。這種優化使得不同尺度的模型在面對多種場景時都能更好地適應。

然而，新引入的C2f模塊雖然增強了梯度流，但其內部的Split等操作對特定硬件的部署可能不如之前的版本友好。在某些場景中，C2f模塊的這些特性可能會影響模型的部署效率。

2. YOLOv5 概述

簡介

YOLOV5有YOLOv5n，YOLOv5s，YOLOv5m，YOLOV5l、YOLO5x五個版本。這個模型的結構基本一樣，不同的是deth_multiole模型深度和width_multiole模型寬度這兩個參數。就和我們買衣服的尺碼大小排序一樣，YOLOV5n網絡是YOLOV5系列中深度最小，特征圖的寬度最小的網絡。其他的三種都是在此基礎上不斷加深，不斷加寬。不過最常用的一般都是yolov5s模型。

本系統采用了基于深度學習的目標檢測算法——YOLOv5。作為YOLO系列算法中的較新版本，YOLOv5在檢測的精度和速度上相較于YOLOv3和YOLOv4都有顯著提升。它的核心理念是將目標檢測問題轉化為回歸問題，簡化了檢測過程并提高了性能。

YOLOv5引入了一種名為SPP (Spatial Pyramid Pooling)的特征提取方法。SPP能夠在不增加計算量的情況下，提取多尺度特征，從而顯著提升檢測效果。

在檢測流程中，YOLOv5首先通過骨干網絡對輸入圖像進行特征提取，生成一系列特征圖。然后，對這些特征圖進行處理，生成檢測框和對應的類別概率分數，即每個檢測框內物體的類別和其置信度。

YOLOv5的特征提取網絡采用了CSPNet (Cross Stage Partial Network)結構。它將輸入特征圖分成兩部分，一部分通過多層卷積處理，另一部分進行直接下采樣，最后再將兩部分特征圖進行融合。這種設計增強了網絡的非線性表達能力，使其更擅長處理復雜背景和多樣化物體的檢測任務。

3. YOLO11 概述

YOLOv11：Ultralytics 最新目標檢測模型

YOLOv11 是 Ultralytics 公司在 2024 年推出的 YOLO 系列目標檢測模型的最新版本。以下是對 YOLOv11 的具體介紹：

主要特點

1. 增強的特征提取：

   • 采用改進的骨干和頸部架構，如在主干網絡中引入了 c2psa 組件，并將 c2f 升級為 c3k2。
   • c3k 允許用戶自定義卷積模塊的尺寸，提升了靈活性。
   • c2psa 通過整合 psa（位置敏感注意力機制）來增強模型的特征提取效能。
   • 頸部網絡采用了 pan 架構，并集成了 c3k2 單元，有助于從多個尺度整合特征，并優化特征傳遞的效率。

2. 針對效率和速度優化：

   • 精細的架構設計和優化的訓練流程，在保持準確性和性能最佳平衡的同時，提供更快的處理速度。
   • 相比 YOLOv10，YOLOv11 的延遲降低了 25%-40%，能夠達到每秒處理 60 幀 的速度，是目前最快的目標檢測模型之一。

3. 更少的參數，更高的準確度：

   • YOLOv11m 在 COCO 數據集上實現了比 YOLOv8m 更高的 mAP，參數減少了 22%，提高了計算效率，同時不犧牲準確度。

4. 跨環境的適應性：

   • 可無縫部署在 邊緣設備、云平臺 和配備 NVIDIA GPU 的系統上，確保最大的靈活性。

5. 支持廣泛的任務范圍：

   • 支持多種計算機視覺任務，包括 目標檢測、實例分割、圖像分類、姿態估計 和 定向目標檢測（OBB）。

---

架構改進

1. 主干網絡：

   • 引入了 c2psa 組件，并將 c2f 升級為 c3k2。
   • c3k 支持用戶自定義卷積模塊尺寸，增強靈活性。
   • c2psa 整合了 psa（位置敏感注意力機制），提升特征提取效能。

2. 頸部網絡：

   • 采用 pan 架構，并集成了 c3k2 單元，幫助從多個尺度整合特征并優化特征傳遞效率。

3. 頭部網絡：

   • YOLOv11 的檢測頭設計與 YOLOv8 大致相似。
   • 在分類（cls）分支中，采用了 深度可分離卷積 來增強性能。

---

性能優勢

1. 精度提升：

   • 在 COCO 數據集上取得了顯著的精度提升：
     • YOLOv11x 模型的 mAP 得分高達 54.7%。
     • 最小的 YOLOv11n 模型也能達到 39.5% 的 mAP 得分。
   • 與前代模型相比，精度有明顯進步。

2. 速度更快：

   • 能夠滿足實時目標檢測需求

🌟 五、模型訓練步驟

? ?提供封裝好的訓練腳本，如下圖，更加詳細的的操作步驟可以參考我的飛書在線文檔：https://aax3oiawuo.feishu.cn/wiki/HLpVwQ4QWiTd4Ckdeifcvvdtnve ， 強烈建議直接看文檔去訓練模型，文檔是實時更新的，有任何的新問題，我都會實時的更新上去。另外B站也會提供視頻。

1. 使用pycharm打開代碼，找到train.py打開，示例截圖如下：
   

2. 修改 model_yaml 的值，根據自己的實際情況修改，想要訓練 yolov8s模型 就 修改為 model_yaml = yaml_yolov8s， 訓練 添加SE注意力機制的模型就修改為 model_yaml = yaml_yolov8_SE

3. 修改data_path 數據集路徑，我這里默認指定的是traindata.yaml 文件，如果訓練我提供的數據，可以不用改

4. 修改 model.train()中的參數，按照自己的需求和電腦硬件的情況更改

   # 文檔中對參數有詳細的說明
   model.train(data=data_path,             # 數據集imgsz=640,                  # 訓練圖片大小epochs=200,                 # 訓練的輪次batch=2,                    # 訓練batchworkers=0,                  # 加載數據線程數device='0',                 # 使用顯卡optimizer='SGD',            # 優化器project='runs/train',       # 模型保存路徑name=name,                  # 模型保存命名)
   

5. 修改traindata.yaml文件， 打開 traindata.yaml 文件，如下所示：
   
   在這里，只需修改 path 的值，其他的都不用改動（仔細看上面的黃色字體），我提供的數據集默認都是到 yolo 文件夾，設置到 yolo 這一級即可，修改完后，返回 train.py 中，執行train.py。

6. 打開 train.py ，右鍵執行。
   

7. 出現如下類似的界面代表開始訓練了
   

8. 訓練完后的模型保存在runs/train文件夾下
   

---

🌟 六、模型評估步驟

1. 打開val.py文件，如下圖所示：
   

2. 修改 model_pt 的值，是自己想要評估的模型路徑

3. 修改 data_path ，根據自己的實際情況修改，具體如何修改，查看上方模型訓練中的修改步驟

4. 修改 model.val()中的參數，按照自己的需求和電腦硬件的情況更改

   model.val(data=data_path,           # 數據集路徑imgsz=300,                # 圖片大小，要和訓練時一樣batch=4,                  # batchworkers=0,                # 加載數據線程數conf=0.001,               # 設置檢測的最小置信度閾值。置信度低于此閾值的檢測將被丟棄。iou=0.6,                  # 設置非最大抑制 (NMS) 的交叉重疊 (IoU) 閾值。有助于減少重復檢測。device='0',               # 使用顯卡project='runs/val',       # 保存路徑name='exp',               # 保存命名)
   

5. 修改完后，即可執行程序，出現如下截圖，代表成功（下圖是示例，具體以自己的實際項目為準。）
   

6. 評估后的文件全部保存在在 runs/val/exp... 文件夾下
   

---

🌟 七、訓練結果

我們每次訓練后，會在 run/train 文件夾下出現一系列的文件，如下圖所示：

? ?如果大家對于上面生成的這些內容（confusion_matrix.png、results.png等）不清楚是什么意思，可以在我的知識庫里查看這些指標的具體含義，示例截圖如下：

🌟八、完整代碼

? ?如果您希望獲取博文中提到的所有實現相關的完整資源文件（包括測試圖片、視頻、Python腳本、UI文件、訓練數據集、訓練代碼、界面代碼等），這些文件已被全部打包。以下是完整資源包的截圖：

您可以通過下方演示視頻的視頻簡介部分進行獲取

演示視頻：