基于YOLOv8的棉花病害图像分类项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！

源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程

源码在文末哔哩哔哩视频简介处获取。

基本功能演示

https://www.bilibili.com/video/BV1g1rLBAEix/

项目摘要

本项目基于YOLOv8 图像分类模型，构建了一套面向棉花病害智能识别的完整解决方案。项目以棉花田间实拍数据为基础，针对病害棉花植株、病害棉花叶片、健康棉花植株、健康棉花叶片四大类别进行精准分类识别，并通过PyQt5 可视化界面实现模型推理结果的直观展示与交互操作。

项目不仅提供了完整可复现的训练流程，还配套了标准化数据集、模型权重文件以及即用型推理程序，支持图片、文件夹、视频流等多种输入形式，真正做到从数据准备、模型训练到应用部署的一站式落地。该系统可广泛应用于农业病害监测、作物健康评估以及智能农业辅助决策等实际场景，具备较强的工程实用价值与扩展潜力。

前言

棉花作为重要的经济作物之一，其生长过程极易受到病害侵袭。传统的病害识别方式主要依赖人工经验，不仅效率低，而且受主观因素影响较大，难以满足现代农业对规模化、智能化、精准化管理的需求。

随着深度学习与计算机视觉技术的快速发展，基于图像的作物病害识别逐渐成为研究与应用热点。其中，YOLOv8 在特征提取效率、模型推理速度以及部署友好性方面表现突出，非常适合用于农业场景下的轻量级智能识别系统构建。

在此背景下，本项目以YOLOv8 图像分类能力为核心，结合PyQt5 桌面端界面开发，从工程实战角度出发，完整展示了一个棉花病害分类系统从“数据集 → 训练 → 推理 → 可视化应用”的全流程实现，旨在为农业 AI 初学者、科研人员及工程开发者提供一个可直接参考和复用的实践范例。

一、软件核心功能介绍及效果演示

1. 多类别棉花病害图像分类

系统基于训练完成的 YOLOv8 分类模型，能够对输入的棉花图像进行自动分析，并准确判别其所属类别，包括：

• 病害棉花植株
• 病害棉花叶片
• 健康棉花植株
• 健康棉花叶片

模型在复杂光照、不同拍摄角度和多样生长阶段下依然保持良好的分类稳定性，适用于真实田间环境。

2. 多种输入方式支持

软件支持多种常见数据输入形式，满足不同使用场景需求：

• 单张图片识别：快速查看单张棉花图像的分类结果
• 文件夹批量识别：对大量图片进行自动批处理分析
• 视频文件识别：对采集的视频进行逐帧分类判断
• 摄像头实时识别：适用于实时巡检与现场演示

3. PyQt5 可视化界面展示

项目采用 PyQt5 构建桌面级可视化界面，实现了模型推理过程的图形化呈现：

• 原始图像实时显示
• 分类结果与置信度同步展示
• 操作逻辑清晰，界面简洁直观
• 无需命令行基础即可上手使用

即使是非算法背景的用户，也可以通过界面快速体验 AI 模型的实际效果。

4. 完整训练与部署流程

项目源码中详细包含：

• 数据集组织结构说明
• YOLOv8 分类模型训练脚本
• 模型参数配置与训练流程
• 权重加载与推理代码
• 本地运行与部署说明

用户可在此基础上，快速替换为自己的农业病害数据集，实现二次训练与功能扩展。

5. 效果演示说明

在实际运行过程中，系统能够在毫秒级完成单张图像的分类推理，并在界面中即时给出识别结果与对应置信度。通过对比不同类别样本的识别效果，可以直观验证模型在棉花病害识别任务中的实用性与准确性。

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。
其核心优势如下：

• 高速推理，适合实时检测任务
• 支持Anchor-Free检测
• 支持可扩展的Backbone和Neck结构
• 原生支持ONNX导出与部署

3.1 YOLOv8的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；
• 准确率高：支持 Anchor-Free 架构；
• 支持分类/检测/分割/姿态多任务；
• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│ ├── train/│ └──val/├── labels/│ ├── train/│ └──val/

每张图像有对应的.txt文件，内容格式为：

40.50967212335766420.3528383900778210.39476004233576640.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在runs/detect/train目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；
• weights/best.pt：最佳模型权重；
• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：

3.4检测结果识别

使用 PyTorch 推理接口加载模型：

importcv2fromultralyticsimportYOLOimporttorchfromtorch.serializationimportsafe_globalsfromultralytics.nn.tasksimportDetectionModel# 加入可信模型结构safe_globals().add(DetectionModel)# 加载模型并推理model=YOLO('runs/detect/train/weights/best.pt')results=model('test.jpg',save=True,conf=0.25)# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path=results[0].save_dir/results[0].path.name# 使用 OpenCV 加载并显示图像img=cv2.imread(str(save_path))cv2.imshow('Detection Result',img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI完整源码打包

本文涉及到的完整全部程序文件：包括python源码、数据集、训练代码、UI文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect traindata=datasets/expression/loopy.yamlmodel=yolov8n.yamlpretrained=yolov8n.ptepochs=100batch=16lr0=0.001

4.2 完整源码

至项目实录视频下方获取：https://www.bilibili.com/video/BV1g1rLBAEix/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目基于YOLOv8 图像分类模型构建了完整的棉花病害识别系统，覆盖从数据集准备 → 模型训练 → 推理部署 → 可视化应用的全流程。通过整合PyQt5 图形界面，用户无需深厚的编程基础即可实现图片、视频及实时摄像头输入的病害分类操作。

系统在实地采集的棉花叶片和植株样本上表现出较高的识别准确率，能够有效辅助农业病害监测、作物健康评估与精准防治研究。项目不仅提供了可直接开箱使用的训练脚本和模型权重，还为二次开发、数据扩展与应用场景定制提供了完整参考，具备较强的工程落地价值与实践指导意义。