精准农业和杂草管理自动化除草机器人、智能农业监控系统中如何使用深度学习YOLOV8模型训练农业杂草检测数据集

精准农业和杂草管理自动化除草机器人、智能农业监控系统中如何使用深度学习YOLOV8模型训练农业杂草检测数据集

杂草检测数据集信息表

数据集概述

类别标签及标注数量统计表

注：标注数量为所有图像中各类目标的边界框总数。

数据集特点总结

• ✅多类别覆盖：包含 8 种常见的杂草类型，适用于精准农业和杂草管理。
• ✅双格式支持： YOLO 和 VOC 两种主流标注格式，便于不同模型架构的应用与训练。
• ✅大规模数据：9,257 张图像，适合深度学习模型的训练和验证。
• ✅高标注密度：平均每张图像包含约1.53 个目标框（14,128 ÷ 9,257），有助于复杂场景下的目标检测任务。
• ✅实际应用导向：合用于开发自动化除草机器人、智能农业监控系统等。

1

使用 YOLOv8 训练 → 推理 → 评估 → 部署** 的完整全流程，确保你可以快速上手并训练出高精度的杂草识别模型。

✅ 一、系统环境搭建（CUDA + Anaconda + Python）

1. 确认 CUDA 驱动（GPU 加速）

nvidia-smi

确保输出中显示 CUDA 版本 ≥ 11.8（推荐 12.1），如未安装，请前往 NVIDIA 官网 安装对应驱动。

2. 安装 Anaconda（Python 包管理器）

前往 https://www.anaconda.com/products/distribution 下载并安装 Anaconda（Windows / Linux / macOS）。

3. 创建 Python 虚拟环境

# 创建名为 weed_detection 的环境conda create-nweed_detectionpython=3.9# 激活环境conda activate weed_detection

4. 安装必要依赖

# 安装 PyTorch（以 CUDA 11.8 为例）pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118# 安装 YOLOv8 官方库pipinstallultralytics opencv-python numpy matplotlib tqdm scikit-learn pandas pillow# 可选：TensorBoard 可视化pipinstalltensorboard# 验证 GPU 是否可用python-c"import torch; print(torch.cuda.is_available())"# 应输出 True

✅ 二、数据集结构与data.yaml配置

目录结构

weed_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml

✅ 确保图像与.txt标注文件一一对应，使用 YOLO 格式（归一化坐标）

data.yaml文件内容

# data.yamltrain:./weed_dataset/images/trainval:./weed_dataset/images/valtest:./weed_dataset/images/test# 类别数量nc:8# 英文类别名称（必须与 label 文件中的 class ID 一致）names:-shameplant# 含羞草-crab_grass# 马唐草-nut_grass# 香附子-asthma_plant# 千根草-hagonoy# 藿香蓟-goatweed# 豚草-dog_s_tongue# 狗舌草-beggars_tick# 鬼针草# 中文名称（用于可视化）names_zh:-含羞草-马唐草-香附子-千根草-藿香蓟-豚草-狗舌草-鬼针草

⚠️ 注意：

• 类名中的-已替换为_，避免路径或变量名错误
• 所有标注文件.txt中的 class ID 必须从0到7，顺序与names一致

✅ 三、调用 YOLOv8 官方预训练模型进行训练

由于杂草目标较小、形态相似，建议使用YOLOv8m或YOLOv8l提升小目标检测能力。

fromultralyticsimportYOLO# 加载官方预训练模型model=YOLO('yolov8m.pt')# 推荐使用中等模型# 开始训练results=model.train(data='data.yaml',# 数据配置文件路径epochs=150,# 训练轮数（农业数据建议 100~200）batch=32,# 根据显存调整（RTX 3090 可用 64）imgsz=640,# 图像尺寸（提升小目标检测）optimizer='AdamW',# 更稳定优化器lr0=0.001,# 初始学习率weight_decay=0.0005,momentum=0.937,# 数据增强（关键！提升泛化）augment=True,hsv_h=0.015,hsv_s=0.7,hsv_v=0.4,degrees=10.0,translate=0.1,scale=0.5,shear=0.0,flipud=0.0,fliplr=0.5,mosaic=1.0,mixup=0.1,copy_paste=0.1,# 对小目标特别有效# 正则化dropout=0.2,label_smoothing=0.05,# 缓解类别不平衡# 学习率调度cos_lr=True,# 余弦退火# 保存与日志project='runs/train',name='weed_yolov8m',save=True,save_period=10,exist_ok=False,# 缓存（内存充足时开启）cache=True)

✅提示：

• 若显存不足，改用yolov8s.pt或降低batch=16
• copy_paste和mosaic对小目标检测至关重要
• 可开启close_mosaic在最后 10 轮关闭 Mosaic 增强

✅ 四、推理代码（单图 / 批量 / 视频）

1. 单张图像推理

fromultralyticsimportYOLOfromPILimportImage# 加载最佳模型model=YOLO('runs/train/weed_yolov8m/weights/best.pt')# 推理results=model('test_field.jpg',conf=0.3)# 显示结果forrinresults:im_array=r.plot()# 绘制边界框和标签im=Image.fromarray(im_array[...,::-1])# BGR to RGBim.show()

2. 批量图像推理

results=model.predict(source='weed_dataset/images/test',save=True,project='runs/detect',name='weed_test_results',conf=0.3,imgsz=640)print("批量推理完成")

3. 视频检测（如无人机巡田视频）

results=model.predict(source='field_survey.mp4',save=True,project='runs/detect/video',name='weed_detection_video',conf=0.3,imgsz=640)print("视频检测完成")

4. 实时摄像头检测（OpenCV）

importcv2 cap=cv2.VideoCapture(0)whilecap.isOpened():ret,frame=cap.read()ifnotret:breakresults=model(frame,conf=0.3)annotated_frame=results[0].plot()cv2.imshow('Weed Detection',annotated_frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()

✅ 五、模型评估（验证集 + 测试集）

1. 在验证集上评估

metrics=model.val(data='data.yaml',split='val',batch=32,imgsz=640,save_json=False,project='runs/val',name='weed_eval')print(f"mAP@0.5:{metrics.box.map50:.4f}")print(f"mAP@0.5:0.95:{metrics.box.map:.4f}")print(f"Precision:{metrics.box.p:.4f}")print(f"Recall:{metrics.box.r:.4f}")# 每类 APfori,nameinenumerate(model.names):print(f"{name}(AP@0.5):{metrics.box.ap[i]:.4f}")

2. 在测试集上独立评估（最终性能）

# 使用 test split 进行最终性能评估test_metrics=model.val(data='data.yaml',split='test',save_json=True,name='test_final')print(f"Test mAP@0.5:{test_metrics.box.map50:.4f}")print(f"Test mAP@0.5:0.95:{test_metrics.box.map:.4f}")

✅ 六、可视化与分析

1. 使用中文标签显示

# 修改模型类名显示为中文model.names=['含羞草','马唐草','香附子','千根草','藿香蓟','豚草','狗舌草','鬼针草']results=model('test_field.jpg')results[0].plot()# 显示中文标签

2. 查看训练曲线

tensorboard--logdirruns/train/weed_yolov8m

✅ 七、模型导出（ONNX / TensorRT / TFLite）

# 导出为 ONNX（通用部署）model.export(format='onnx',dynamic=True,opset=13,imgsz=640)# 导出为 TensorRT（NVIDIA GPU 加速）model.export(format='engine',half=True,dynamic=True)# 导出为 TFLite（移动端）model.export(format='tflite',int8=True)# 导出为 CoreML（iOS）model.export(format='coreml')