简介面向深度学习与农业信息化交叉场景的资源包定位为农业病虫害检测系统的完整设计源码适合具备一定 Python 与深度学习基础的开发者、科研人员或农业智能项目从业者用来复现并改进基于叶片图像的病虫害识别与分类流程。项目核心以 Python 为主涉及 ResNet、YOLOv8 等网络结构并配有数据划分、工具函数、模型权重与测试模块整体覆盖训练、推理和简单前后端展示。压缩包共 876 个文件主要包括 169 个 Python 脚本、80 个 YAML 配置、222 张 JPG 样例图片、343 个 Markdown 文档另含 Dockerfile 多环境部署配置与少量 C/Rust/前端文件整体大小约 102.24MB。已有 313 人学习下载适合作为课题设计、毕业设计或实际农情监测项目的代码基底。通过源码可快速了解数据预处理、模型训练配置、权重加载与检测调用方式参考其中多容器部署文件还能降低环境搭建成本便于直接开展二次开发与实验验证。1. 农业病虫害检测不是单模型任务分类、定位与工程封装农业病虫害检测系统源码拿到手里第一件事不是看训练代码而是分清它到底要解决哪个问题整张叶片属于哪种病害是分类病斑出现在叶片的什么位置、框有多大是定位。很多人上来就用一个分类网络跑准确率结果演示时用户问“病斑在哪”系统答不上来。这套基于深度学习的农业病虫害检测系统源码把 ResNet 分类、YOLOv8 检测两条路线都做了进去Python 承担模型训练与推理主逻辑Rust、C、Shell、JavaScript 等参与预处理、服务封装和前端展示。源码里 894 个文件、169 个 Python 文件、80 个 YAML 配置足以支撑一条完整的“数据划分 → 模型微调 → 权重加载 → 小样本验证”链路。适合要做课程设计、毕设演示或者想在一套代码里同时对比分类与检测效果的开发者。2. ResNet 与 YOLOv8 双路选型判定任务边界再动手2.1 为什么同一套源码里既有 ResNet 又有 YOLOv8ResNet 和 YOLOv8 不是竞争关系而是处理链路里的两个不同环节。ResNet 属于图像分类网络输入整张叶片图片输出病害类别概率分布。它的核心贡献是残差连接把输入直接加到卷积输出上让梯度在深层网络中有一条“短路通道”从而缓解层数加深带来的退化问题。对于“判断这张水稻叶片是稻瘟病还是白叶枯病”这种整图判别任务ResNet 是成本最低的基线。YOLOv8 是单阶段目标检测模型在特征图上同时回归候选框位置和类别不需要两阶段的区域提议过程因此推理速度更快。农业场景里病斑往往只占叶片的很小一部分分类网络会被背景干扰检测网络则能直接输出病斑的边界框。源码里出现resnet和yolov8两个目录说明设计意图是分类负责快速筛选异常叶片检测负责锁定病斑位置。这种前后级联的方式在“先拍整株、再找病斑”的实地巡检流程里非常常见。另外原料说明里提到的 RNN 与多任务学习在农业场景中通常是补充分支。带时间戳的监测数据可以用 RNN 分支建模病害扩散趋势多任务分支则把“病害类型”和“严重等级”放在同一个模型里输出让一次推理同时得到两个指标减少部署时的重复计算。源码里这些分支未必都出现在同一个脚本里但配置文件的组织方式通常是按任务拆分的。表格对比两条路线在一个农业检测系统中的定位对比项ResNet 分类分支YOLOv8 检测分支输入整张叶片图矩形缩放整张田间/叶片图letterbox 填充输出病害类别概率边界框坐标 类别 置信度典型问题这张叶子有病吗病斑在哪、面积多大损失函数交叉熵分类损失 框回归损失标注成本只需要图片级标签需要框级标注YOLO 格式适用阶段快速初筛、排行榜基线精准定位、面积估算2.2 用最小代码先跑通两路基线拿到源码后不要直接调超参先把两路模型各跑一遍确认数据流是通的。分类分支我一般直接用 PyTorch 的预训练权重替换最后一层全连接。# 分类分支ResNet50 替换分类头 import torch.nn as nn import torchvision.models as models model_cls models.resnet50(weightsmodels.ResNet50_Weights.IMAGENET1K_V1) num_classes 10 # 按项目 YAML 里的 names 数量改 model_cls.fc nn.Linear(model_cls.fc.in_features, num_classes)这段代码把最后一层全连接改成项目自己的病害类别数。in_features取的是原来 ResNet 最后一个全连接的输入维度通常为 2048不需要手动写死改num_classes时只要保证与数据集配置中的nc一致即可。检测分支用 Ultralytics 的方式加载预训练权重。# 检测分支YOLOv8 加载预训练权重 from ultralytics import YOLO model_det YOLO(yolov8n.pt) # n/s/m/l/x 按显卡显存选择yolov8n.pt是最小的预训练权重显存占用低适合先验证数据链路。确认能加载后再根据项目里的model_weight目录或自定义训练日志替换成微调过的权重。我一般会先跑通这两段代码再进训练配置避免把“环境没装好”和“模型效果差”混在一起排查。2.3 影响结果的关键训练参数速查YOLOv8 的训练命令集中在ultralytics框架里源码里出现该目录说明训练入口大概率是这套框架。一条可复现的基线命令长这样yolo train datacrop_disease.yaml modelyolov8n.pt epochs100 imgsz640 batch16 lr00.01参数含义data指向项目里数据集配置文件80 个 YAML 里通常有一个是主配置epochs是训练轮数农业小数据集 100 轮足够看到收敛趋势imgsz是输入尺寸640 是精度与显存之间的常用平衡点batch受显存限制16 在 12G 显卡上基本可用lr0是初始学习率0.01 是单卡训练的安全起点。微调时最该盯的是patience和optimizer。patience控制验证集指标连续多少轮不提升就早停默认值是 100配小数据集建议改到 20不然会多跑很多无效轮次。optimizer默认auto框架会根据模型参数自动选优化器手动固定为SGD或AdamW能提高实验可复现性。3. split_dataset 与 YOLO 配置把 894 个文件整理成可训练数据3.1 文件分布说明了什么样的数据组织方式894 个文件里 Python 和 JPG 各 169 个、YAML 80 个这个比例指向一个常见组织方式JPG 是原始叶片图片或标注可视化图YAML 是不同实验的数据集配置Python 脚本负责把图片和配置关联起来。源码里的split_dataset.py是整条数据链路的第一步它决定哪些图片进训练集、哪些进验证集、哪些进测试集。一个容易犯的错误是全局随机划分。假设同一株植物拍了 10 张叶片全局随机可能让其中 8 张进训练集、2 张进验证集模型相当于背住了这株植物的纹理特征验证集指标虚高。更稳妥的做法是按“样本来源”划分同一株或同一块试验田的图片只出现在一个集合里。# split_dataset.py 的按来源划分逻辑 import random from pathlib import Path def split_by_group(image_paths, val_ratio0.12, test_ratio0.08, seed42): random.seed(seed) # 按文件名前缀分组前缀通常包含来源编号 groups {} for p in image_paths: group_key p.stem.split(_)[0] groups.setdefault(group_key, []).append(p) group_keys list(groups.keys()) random.shuffle(group_keys) n_total len(group_keys) n_test int(n_total * test_ratio) n_val int(n_total * val_ratio) test_keys group_keys[:n_test] val_keys group_keys[n_test:n_test n_val] train_keys group_keys[n_test n_val:] return ( [p for k in train_keys for p in groups[k]], [p for k in val_keys for p in groups[k]], [p for k in test_keys for p in groups[k]], )这段逻辑不按单张图片随机分而是先按文件名前缀把图片归到不同来源组再对组做划分。val_ratio0.12和test_ratio0.08是农业小数据集上比较常用的比例总共留出 20% 的样本做验证和测试。seed固定后每次运行划分结果一致方便复现实验。3.2 YAML 配置里的路径与类别顺序80 个 YAML 文件对应不同的数据集变体或实验批次。一个 YOLOv8 可用的配置至少包含数据路径、类别数量和类别名称三部分。# crop_disease.yaml path: ../datasets/crop_disease # 数据集根目录 train: images/train # 训练图片相对路径 val: images/val # 验证图片相对路径 test: images/test # 测试图片相对路径 nc: 10 # 类别数量 names: # 类别名称顺序必须与标注文件一致 0: rice_blast 1: rice_bacterial_blight 2: wheat_stripe_rust 3: cucumber_downy_mildew 9: tomato_late_blightpath建议写相对路径或带环境变量的路径避免换机器后整条链路因为绝对路径失效。names的索引顺序必须与 YOLO 标注文件里的cls数值一一对应如果训练中期的names和标注文件不一致损失函数会正常下降但推理结果张冠李戴。源码里tool.py这类脚本通常就是用来检查和修正这种对应关系的。3.3 YOLO 标注格式与类别不平衡处理YOLO 标注文件是和 JPG 同名的.txt文件每一行代表一个病斑框。常见格式为cls x_center y_center width height四点坐标全部归一化到 0 到 1 之间。比如一张 1000x2000 的图片病斑框中心在 (500, 1000)宽 300高 400那么标注行就是0 0.5 0.5 0.3 0.2。这个归一化操作在源码里通常由转换脚本完成人工标注工具导出的坐标系需要先换算。农业数据里类别不平衡非常严重稻瘟病可能有两万张图小麦锈病只有三百张。只调epochs解决不了这个问题常见的做法是在配置里提高少样本类别的损失权重或者对少数类做过采样。YOLOv8 框架里可以用class_weights参数传入每个类别的权重列表也可以直接复制少数类图片到训练目录。后一种方式直观但要注意复制图片不等于增加多样性最终还需要配合数据增强。3.4 农业场景的数据增强边界对于叶片病斑检测翻转、旋转、缩放这类几何增强可以放心用颜色增强要谨慎因为叶片颜色本身就是诊断依据色调偏移过大可能把“健康绿色”变成“病害黄色”反而制造错误样本。源码如果用了 Albumentations常见的配置长这样# 数据增强配置示例 import albumentations as A train_transform A.Compose([ A.HorizontalFlip(p0.5), A.ShiftScaleRotate(shift_limit0.05, scale_limit0.1, rotate_limit15, p0.5), A.RandomBrightnessContrast(brightness_limit0.1, contrast_limit0.1, p0.3), A.Resize(640, 640), ])shift_limit和scale_limit都控制在 0.1 以内旋转限制在 15 度目的是让病斑在形态上不产生过度畸变。RandomBrightnessContrast只做小幅亮度对比调整模拟阴天、逆光这些田间真实拍摄条件。实际使用时建议先把几何增强和颜色增强分开跑两组实验比较验证集指标再决定要不要叠加。4. inference 封装与权重加载从 PyTorch 训练到 C/Web 推理4.1 目录里的推理入口怎么衔接源码里同时出现inference.cc、inference.cpp、main.cc、main.cpp以及 Python 入口脚本这是工程化项目里很典型的部署结构。训练阶段用 Python 调 PyTorch 或 Ultralytics部署阶段再用 C 加载导出后的模型做推理省去 Python 运行时依赖。model_weight目录存放训练好的权重test_small目录则是一个小样本测试集用于快速验证权重是否可用。Python 侧推理入口通常长这样# 使用 Ultralytics 加载训练权重并推理 from ultralytics import YOLO model YOLO(model_weight/leaf_disease.pt) results model.predict( sourcetest_small/rice_blast_01.jpg, conf0.35, imgsz640 ) boxes results[0].boxes.xyxy.cpu().numpy() names results[0].namesconf0.35表示只保留置信度不低于 0.35 的检测框。这个值在农业场景下不要设太高病斑边缘模糊、叶片反光、遮挡都会压低置信度0.35 到 0.45 之间通常是比较合理的区间。boxes.xyxy输出的是左上角和右下角坐标如果需要计算病斑面积占比直接用这两组坐标计算宽高乘积。4.2 C 推理封装与 ONNX 导出如果项目需要脱离 Python 环境运行常见做法是用 ONNX Runtime 在 C 侧做推理。要把训练好的 PyTorch 权重转成 ONNX先执行导出yolo export modelmodel_weight/leaf_disease.pt formatonnx imgsz640 opset12导出后得到的.onnx文件不依赖 PyTorch 运行环境。.pt权重转 ONNX 时的imgsz必须与训练时一致否则输入尺寸不匹配会直接报错。opset12是兼容性较好的算子集版本太低的算子集可能缺少新卷积算子。C 侧的核心代码片段如下// inference.cc使用 ONNX Runtime 加载模型并推理 #include onnxruntime_cxx_api.h Ort::Env env(ORT_LOGGING_LEVEL_WARNING, crop-disease); Ort::SessionOptions session_options; session_options.SetIntraOpNumThreads(4); Ort::Session session(env, model_weight/leaf_disease.onnx, session_options); // 输入张量 shape: batch_size, 3, 640, 640 // 推理前需要把图片 letterbox 缩放到 640x640 // 输出张量 shape: batch_size, 6, 8400设置SetIntraOpNumThreads(4)是因为病斑检测任务并发量不高单次推理用 4 线程已经足够线程数过多反而会增加调度开销。输出张量里的 8400 是 YOLOv8 在不同特征层上的候选框总数6 代表x_center y_center width height confidence cls。C 侧最容易出问题的是图像预处理必须和 Python 侧保持完全相同的缩放与归一化参数包括 letterbox 的填充值 114。4.3 Web 端展示与多语言分工HTML、CSS、JavaScript 的出现说明项目带了 Web 展示层用户上传叶片照片后可以直接看到检测框和类别。后端用 Flask 接推理结果的写法很常见from flask import Flask, request, jsonify from ultralytics import YOLO app Flask(__name__) model YOLO(model_weight/leaf_disease.pt) app.route(/predict, methods[POST]) def predict(): image request.files[file].read() results model.predict(sourceimage, conf0.35) boxes results[0].boxes.xyxy.cpu().numpy().tolist() labels [results[0].names[int(cls)] for cls in results[0].boxes.cls] return jsonify({boxes: boxes, labels: labels})model.predict(sourceimage)接收的是图片字节流Flask 框架会自动解析上传文件。返回结果用 JSON 序列化前端拿到boxes和labels后绘制矩形框和文字标签即可。Rust 在这个项目里通常承担批量预处理或服务端 CLI 的角色Shell 脚本则负责创建虚拟环境、安装依赖、准备数据集这类初始化工作C 文件一般作为底层图像处理库的扩展出现。5. test_small 小样本验收五个指标锁定误检来源5.1 先用 20 张图判断权重能不能用test_small目录存在的意义是在完整跑验证集之前快速判断权重是否可用。跑全量验证集的成本高而且指标太多反而不容易定位问题。小样本验收只需要 20 到 50 张代表性图片每类病害至少 3 张重点观察五个方面类别是否对应正确、框是否框住病斑而不是整片叶子、同一病斑是否被重复检测、低置信度漏检多不多、推理耗时是否在可接受范围。python test_small.py --weights model_weight/leaf_disease.pt --imgs ./test_small --conf 0.35运行后输出每张图的检测结果和耗时。如果 20 张图里有超过 5 张明显误检就没必要继续调参先回退到数据检查环节确认标注框是否贴边、类别名称是否错位。我一般会把错误结果打印成表格形式按“错检类别”“框偏位置”“低置信度”三类归类便于判断是数据问题还是模型问题。5.2 对比增强开关区分“学的特征不对”和“数据不够”小样本验收最容易踩的坑是把所有误检都归咎于数据量少。实际原因常常是训练和推理两侧的预处理不一致。比如训练时用了马赛克增强模型见过的样本是四张图拼接成的推理时却输入完整单图特征的分布差异会导致置信度整体偏低。可以用一个开关实验来定位验证条件操作观察点原始训练权重直接用训练结束的权重跑 test_small记录基线 mAP 与误检类型关闭增强再微调 10 轮训练命令加augmentFalse对比低置信度样本是否减少固定推理预处理确保 letterbox 尺寸和填充值与训练一致检查同一张图多次推理结果是否一致如果关闭增强后低置信度样本明显减少说明增强策略对当前数据集过重如果变化不大说明模型本身对病斑特征的学习还不到位需要更多数据或更强的骨干网络。最后一步是固定推理预处理这一步不需要重新训练只改推理代码里的尺寸和填充值通常能直接修正一批因预处理不一致导致的误检。本文还有配套的精品资源点击获取