首页 > 其他分享 >构建基于yolov10麦穗目标检测系统 小麦麦头数据集检测 实现对麦穗4000张数据的处理 深度学习目标检测处理

构建基于yolov10麦穗目标检测系统 小麦麦头数据集检测 实现对麦穗4000张数据的处理 深度学习目标检测处理

时间：2025-01-07 20:59:36浏览次数：3  
标签：plt 麦头 img 麦穗 检测 self import path image

yolov10麦穗目标检测项目，附h代码和麦穗数据集的检测
在这里插入图片描述

麦穗目标检测数据集4000张左右在这里插入图片描述

yolov8，yolov10系列

图像分辨率为1024x1024在这里插入图片描述

麦穗数据集标签有yolo格式（txt文件标签）和coco格式（json文件标签）
如何水处理这些数据在这里插入图片描述

声明：文章内所有代码仅供参考！

在这里插入图片描述
帮助你使用 YOLOv8 来训练麦穗目标检测项目，并提供完整的代码和数据集配置说明。

项目概述

我们将使用 YOLOv8 训练一个麦穗目标检测模型。以下是详细的步骤：

  1. 数据集准备：确保数据集格式正确。
  2. 环境部署：安装必要的库。
  3. 数据集转换（如果需要）：将 COCO 格式转换为 YOLO 格式。
  4. 模型训练：使用 YOLOv8 训练模型。
  5. 指标可视化：查看训练过程中的各项指标。
  6. PyQt5 界面设计：创建一个简单的 GUI 应用来进行预测。

数据集结构

假设你的数据集已经准备好，并且是以 YOLO 和 COCO 格式存储的。以下是数据集的标准结构：

dataset/
├── images/
│   ├── train/
│   │   ├── image1.jpg
│   │   ├── image2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── image3.jpg
│   │   ├── image4.jpg
│   │   └── ...
│   └── test/
│       ├── image5.jpg
│       ├── image6.jpg
│       └── ...
├── labels/
│   ├── train/
│   │   ├── image1.txt
│   │   ├── image2.txt
│   │   └── ...
│   ├── val/
│   │   ├── image3.txt
│   │   ├── image4.txt
│   │   └── ...
│   └── test/
│       ├── image5.txt
│       ├── image6.txt
│       └── ...
└── dataset.yaml

dataset.yaml 内容如下：

train: ./images/train
val: ./images/val

nc: 1
names: ['wheat_head']

每个图像对应的标签文件是一个文本文件，每行表示一个边界框，格式为：

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

环境部署说明

首先，确保你已经安装了必要的库。以下是详细的环境部署步骤：

安装依赖
# 创建虚拟环境（可选）
conda create -n wheat_detection_env python=3.9
conda activate wheat_detection_env

# 安装PyTorch
pip install torch==1.9 torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu111

# 安装其他依赖
pip install opencv-python pyqt5 ultralytics scikit-learn pandas matplotlib seaborn

数据集转换（如果需要）

如果你的数据集是 COCO 格式的 JSON 文件，你需要将其转换为 YOLO 格式的 TXT 文件。以下是一个示例脚本 convert_coco_to_yolo.py。

转换脚本 convert_coco_to_yolo.py
[<title="Convert COCO Format to YOLO Format">]
import json
import os
from PIL import Image

def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[2])/2.0 - 1
    y = (box[1] + box[3])/2.0 - 1
    w = box[2]
    h = box[3]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(json_file, output_dir, img_dir):
    with open(json_file) as f:
        data = json.load(f)
    
    categories = {cat['id']: cat['name'] for cat in data['categories']}
    id_to_category = {k: i for i, k in enumerate(categories.keys())}
    
    for img in data['images']:
        txt_path = os.path.join(output_dir, f"{img['file_name'].split('.')[0]}.txt")
        with open(txt_path, 'w') as out_file:
            for ann in data['annotations']:
                if ann['image_id'] == img['id']:
                    bbox = ann['bbox']
                    category_id = ann['category_id']
                    class_id = id_to_category[category_id]
                    bb = convert((img['width'], img['height']), bbox)
                    out_file.write(f"{class_id} {' '.join(map(str, bb))}\n")

if __name__ == "__main__":
    coco_json = "path/to/dataset/annotations/instances_train2017.json"
    output_dir = "path/to/dataset/labels/train"
    img_dir = "path/to/dataset/images/train"
    
    convert_annotation(coco_json, output_dir, img_dir)

请将 path/to/dataset 替换为实际的数据集路径。

模型训练权重和指标可视化展示

我们将使用 YOLOv8 进行训练，并在训练过程中记录各种指标，如 F1 曲线、准确率、召回率、损失曲线和混淆矩阵。

训练脚本 train_yolov8.py
[<title="Training YOLOv8 on Wheat Head Detection Dataset">]
from ultralytics import YOLO
import os

# Define paths
dataset_path = 'path/to/dataset'
weights_path = 'runs/train/exp/weights/best.pt'

# Create dataset.yaml
yaml_content = f"""
train: {os.path.join(dataset_path, 'images/train')}
val: {os.path.join(dataset_path, 'images/val')}

nc: 1
names: ['wheat_head']
"""

with open(os.path.join(dataset_path, 'dataset.yaml'), 'w') as f:
    f.write(yaml_content)

# Train YOLOv8
model = YOLO('yolov8n.pt')  # Load a pretrained model (recommended for training)
results = model.train(data=os.path.join(dataset_path, 'dataset.yaml'), epochs=100, imgsz=1024, save=True)

# Save the best weights
best_weights_path = Path('runs/train/exp/weights/best.pt')
shutil.copy(best_weights_path, weights_path)

请将 path/to/dataset 替换为实际的数据集路径。

指标可视化展示

我们将编写代码来可视化训练过程中的各项指标，包括 F1 曲线、准确率、召回率、损失曲线和混淆矩阵。

可视化脚本 visualize_metrics.py
[<title="Visualizing Training Metrics for YOLOv8">]
import os
import json
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

# Load metrics
results_dir = 'runs/train/exp'
metrics_path = os.path.join(results_dir, 'results.json')

with open(metrics_path, 'r') as f:
    results = json.load(f)

# Extract metrics
loss = [entry['loss'] for entry in results if 'loss' in entry]
precision = [entry['metrics/precision(m)'] for entry in results if 'metrics/precision(m)' in entry]
recall = [entry['metrics/recall(m)'] for entry in results if 'metrics/recall(m)' in entry]
mAP_05 = [entry['metrics/mAP50(m)'] for entry in results if 'metrics/mAP50(m)' in entry]

# Plot loss curve
plt.figure(figsize=(15, 5))
plt.subplot(1, 3, 1)
plt.plot(loss, label='Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Training Loss Curve')
plt.legend()

# Plot precision and recall curves
plt.subplot(1, 3, 2)
plt.plot(precision, label='Precision')
plt.plot(recall, label='Recall')
plt.xlabel('Epochs')
plt.ylabel('Score')
plt.title('Precision and Recall Curves')
plt.legend()

# Plot mAP@0.5 curve
plt.subplot(1, 3, 3)
plt.plot(mAP_05, label='mAP@0.5')
plt.xlabel('Epochs')
plt.ylabel('mAP@0.5')
plt.title('mAP@0.5 Curve')
plt.legend()

plt.tight_layout()
plt.show()

# Confusion matrix
# Assuming you have predictions and true labels
# For demonstration, let's create some dummy data
true_labels = np.random.randint(0, 2, size=100)  # 0 to 1 (background or wheat head)
predictions = np.random.randint(0, 2, size=100)  # 0 to 1 (background or wheat head)

cm = confusion_matrix(true_labels, predictions, labels=list(range(2)))
labels = ['Background', 'Wheat Head']

disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=labels)
disp.plot(cmap=plt.cm.Blues)
plt.title('Confusion Matrix')
plt.show()

PyQt5设计的界面

我们将使用 PyQt5 设计一个简单的 GUI 界面来进行模型预测。

GUI代码 gui_app.py
[<title="PyQt5 GUI for YOLOv8 Wheat Head Detection">]
import sys
import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QFileDialog, QMessageBox, QProgressBar, QTextEdit
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import QTimer
from ultralytics import YOLO

class MainWindow(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("Wheat Head Detection")
        self.setGeometry(100, 100, 800, 600)

        self.central_widget = QWidget(self)
        self.setCentralWidget(self.central_widget)

        self.layout = QVBoxLayout(self.central_widget)

        self.label_display = QLabel(self)
        self.layout.addWidget(self.label_display)

        self.button_layout = QHBoxLayout()

        self.pushButton_image = QPushButton("Open Image", self)
        self.pushButton_image.clicked.connect(self.open_image)
        self.button_layout.addWidget(self.pushButton_image)

        self.pushButton_folder = QPushButton("Open Folder", self)
        self.pushButton_folder.clicked.connect(self.open_folder)
        self.button_layout.addWidget(self.pushButton_folder)

        self.pushButton_video = QPushButton("Open Video", self)
        self.pushButton_video.clicked.connect(self.open_video)
        self.button_layout.addWidget(self.pushButton_video)

        self.pushButton_camera = QPushButton("Start Camera", self)
        self.pushButton_camera.clicked.connect(self.start_camera)
        self.button_layout.addWidget(self.pushButton_camera)

        self.pushButton_stop = QPushButton("Stop Camera", self)
        self.pushButton_stop.clicked.connect(self.stop_camera)
        self.button_layout.addWidget(self.pushButton_stop)

        self.layout.addLayout(self.button_layout)

        self.model = YOLO('runs/train/exp/weights/best.pt')
        self.cap = None
        self.timer = QTimer()
        self.timer.timeout.connect(self.process_frame)

    def load_image(self, file_name):
        img = cv2.imread(file_name)  # BGR
        assert img is not None, f'Image Not Found {file_name}'
        return img

    def process_image(self, img):
        results = self.model(img, stream=True)

        for result in results:
            boxes = result.boxes.cpu().numpy()
            for box in boxes:
                r = box.xyxy[0].astype(int)
                cls = int(box.cls[0])
                conf = box.conf[0]
                label = f'{self.model.names[cls]} {conf:.2f}'
                color = (0, 255, 0)  # Green
                cv2.rectangle(img, r[:2], r[2:], color, 2)
                cv2.putText(img, label, (r[0], r[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)

        rgb_image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        h, w, ch = rgb_image.shape
        bytes_per_line = ch * w
        qt_image = QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888)
        pixmap = QPixmap.fromImage(qt_image)
        self.label_display.setPixmap(pixmap.scaled(800, 600))

    def open_image(self):
        options = QFileDialog.Options()
        file_name, _ = QFileDialog.getOpenFileName(self, "QFileDialog.getOpenFileName()", "", "Images (*.jpeg *.jpg);;All Files (*)", options=options)
        if file_name:
            img = self.load_image(file_name)
            self.process_image(img)

    def open_folder(self):
        folder_name = QFileDialog.getExistingDirectory(self, "Select Folder")
        if folder_name:
            for filename in os.listdir(folder_name):
                if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
                    file_path = os.path.join(folder_name, filename)
                    img = self.load_image(file_path)
                    self.process_image(img)

    def open_video(self):
        options = QFileDialog.Options()
        file_name, _ = QFileDialog.getOpenFileName(self, "QFileDialog.getOpenFileName()", "", "Videos (*.mp4 *.avi);;All Files (*)", options=options)
        if file_name:
            self.cap = cv2.VideoCapture(file_name)
            self.timer.start(30)  # Process frame every 30 ms

    def start_camera(self):
        self.cap = cv2.VideoCapture(0)
        self.timer.start(30)  # Process frame every 30 ms

    def stop_camera(self):
        if self.cap is not None:
            self.cap.release()
            self.cap = None
            self.timer.stop()

    def process_frame(self):
        if self.cap is not None:
            ret, frame = self.cap.read()
            if ret:
                self.process_image(frame)
            else:
                self.cap.release()
                self.cap = None
                self.timer.stop()

if __name__ == "__main__":
    app = QApplication(sys.argv)
    window = MainWindow()
    window.show()
    sys.exit(app.exec_())

辅助工具文件 utils.py

这个文件可以用来存放一些辅助函数，比如保存结果等。

[<title="Utility Functions for Wheat Head Detection">]
import cv2
import os

def save_results(image, detections, output_dir, filename):
    for det in detections:
        r = det['bbox']
        cls = det['class']
        conf = det['confidence']
        label = f'{cls} {conf:.2f}'
        color = (0, 255, 0)  # Green
        cv2.rectangle(image, (int(r[0]), int(r[1])), (int(r[2]), int(r[3])), color, 2)
        cv2.putText(image, label, (int(r[0]), int(r[1]) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)
    
    output_path = os.path.join(output_dir, filename)
    cv2.imwrite(output_path, image)

运行效果展示

假设你已经有了运行效果的图像，可以在 README.md 中添加这些图像以供参考。

# Wheat Head Detection System

## Overview
This project provides a deep learning-based system for detecting wheat heads in images using thermal infrared images. The system can identify wheat heads in images, folders, videos, and live camera feeds.

## Environment Setup
- Software: PyCharm + Anaconda
- Environment: Python=3.9, OpenCV-Python, PyQt5, Torch=1.9

## Features
- Detects wheat heads.
- Supports detection on images, folders, videos, and live camera feed.
- Batch processing of images.
- Real-time display of detected wheat heads with confidence scores and bounding boxes.
- Saving detection results.

## Usage
1. Run the program.
2. Choose an option to detect wheat heads in images, folders, videos, or via the camera.

## Screenshots
![Example Screenshot](data/screenshots/example_screenshot.png)

总结

通过以上步骤，可以构建一个完整的基于 YOLOv8 的麦穗目标检测系统，包括数据集准备、环境部署、模型训练、指标可视化展示和 PyQt5 界面设计。以下是所有相关的代码文件：

  1. 数据加载脚本 (load_data.py)
  2. 转换脚本 (convert_coco_to_yolo.py)
  3. 训练脚本 (train_yolov8.py)
  4. 指标可视化脚本 (visualize_metrics.py)
  5. GUI应用代码 (gui_app.py)
  6. 辅助工具文件 (utils.py)
  7. 文档 (README.md)

标签：plt,麦头,img,麦穗,检测,self,import,path,image
From： https://blog.csdn.net/2401_86822270/article/details/144976562

相关文章

  • 怎么测电源检测设备好坏
    电源检测设备的好坏是确保电子设备稳定运行的关键。以下是一些常用的方法来检测电源检测设备的性能：使用万用表测量电压和电流：将万用表设置为适当的直流电压或电流档位。连接万用表的探头到电源检测设备的输出端子。读取并记录电压和电流值，与设备规格进行对比，看是否在正常范......
  • libfacedetection人脸检测C++代码实现Demo
    目录1简介2如何编译3注意事项4接口说明5演示Demo5.1开发环境5.2功能介绍5.3下载地址1简介        libfacedetection是一个基于CNN的人脸检测的开源库。CNN模型已在C源文件中转换为stasticvariales。源代码不依赖于任何其他库。你需要的只是一个......
  • 公司内部有测试人员，为什么还要找第三方检测？
    在软件开发过程中，测试是一个至关重要的环节，它确保软件产品的质量和可靠性。通常，一般软件开发公司都是有内部的测试工程师的，有些朋友会很困惑：公司内部有测试人员，为什么还要找第三方检测？今天讲一讲这两种测试方式在目的、执行者和流程上的显著区别。公司内部测试公司内部测试通......
  • “面面俱到”！人脸活体检测让应用告别假面攻击
    随着人脸识别技术在金融、医疗等多个领域的加速落地，网络安全、信息泄露等问题愈为突出，用户对应用稳定性和安全性的要求也更为严格。HarmonyOSSDK场景化视觉服务（VisionKit）提供人脸动作活体检测能力，增强对于非活体攻击的防御能力和活体通过率。在投资理财、在线支付等高风险金融......
  • 基于双重虚警控制XGBoost的海面小目标检测
    摘要：为了提升雷达对海面小目标的探测能力，本文提出一种基于双重虚警控制的极限梯度提升（eX⁃tremeGradientBoosting,XGBoost）的目标检测方法，解决高维特征空间中分类器设计难的问题。首先，从时域、频域、时频域中挖掘了海杂波和含目标回波的精细化差异，并将这些差异凝聚为7个......
  • 【即插即用完整代码】CVPR 2024部分单头注意力SHSA，分类、检测和分割SOTA！
    文章末尾，扫码添加公众号，领取完整版即插即用模块代码！适用于所有的CV二维任务：图像分割、超分辨率、目标检测、图像识别、低光增强、遥感检测等摘要（Abstract）背景与动机：近年来，高效的视觉Transformer（ViT）在资源受限的设备上表现出色，具有低延迟和良好的性能。传统的高效ViT模型......
  • DL00564-图卷积神经网络GCN心电图信号ECG心律失常检测python完整代码
    图卷积神经网络（GraphConvolutionalNetwork,GCN）作为一种图神经网络（GraphNeuralNetwork,GNN）的代表，近年来在各类数据结构上表现出了优异的性能，尤其是在处理具有图结构数据时。心电图（ECG,Electrocardiogram）信号分析，特别是心律失常的检测，是医学信号处理中一个重要且挑战性的任务......
  • FinDKG: 用于检测金融市场全球趋势的动态知识图谱与大型语言模型
    “FinDKG:DynamicKnowledgeGraphswithLargeLanguageModelsforDetectingGlobalTrendsinFinancialMarkets”论文地址：https://arxiv.org/pdf/2407.10909摘要动态知识图（DKG）能够表示对象间随时间变化的关系，适用于从复杂且非结构化的数据中抽取信息。在金融领......
  • 骨折检测数据集，使用yolo，coco json，voc xml格式对1943张X片子照片进行标注，可识别骨折的
    1943总图像数 数据集分割训练组70％        1358图片有效集20％        381图片测试集10％        204图片预处理调整大小： 拉伸至640x640增强每个训练示例的输出： 290°旋转： 顺时针、逆时针、上下颠倒......
  • LeetCode题练习与总结：检测大写字母--520
    一、题目描述我们定义，在以下情况时，单词的大写用法是正确的：全部字母都是大写，比如 "USA" 。单词中所有字母都不是大写，比如 "leetcode" 。如果单词不只含有一个字母，只有首字母大写， 比如 "Google" 。给你一个字符串 word 。如果大写用法正确，返回 true ；否则，返回 fals......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99