高精度生菜生长阶段识别系统：YOLO26s在5类周期检测中的实现与评估（免费获取模型）
摘要
生菜生长周期的精准识别是智能农业种植管理的关键环节，对优化灌溉、施肥和采收决策具有重要意义。本研究基于YOLOv26s目标检测算法，构建了一个面向生菜生长周期自动检测的系统。数据集包含5个生长阶段类别：Ready（成熟期）、empty_pod（空荚）、germination（发芽期）、pod（结荚期）和young（幼苗期），共计1510张标注图像，其中训练集1060张、验证集299张、测试集151张。实验结果表明，模型在验证集上取得了平均精度(mAP50)达94.5%的优异性能，其中empty_pod、pod和germination三类检测精度均超过95%。然而，Ready类因与young类视觉特征相似，存在一定混淆，检测精度相对较低(87.2%)。混淆矩阵分析显示，Ready类约有14%的样本被误判为young类。本研究验证了YOLO26在生菜生长周期检测中的有效性，为后续智能农业管理系统的开发提供了技术支撑。
关键词：生菜生长周期；YOLO26；目标检测；智能农业；深度学习
详细功能展示视频
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅参数实时调节（置信度和IoU阈值）
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
引言
随着人口增长和耕地资源约束加剧，精准农业已成为保障粮食安全、提升农业生产效率的重要发展方向。作物生长周期的实时监测与自动识别，是实现精准灌溉、变量施肥和适时采收的关键技术基础。传统的作物生长监测主要依赖人工观察，不仅耗时耗力，而且存在主观性强、难以标准化等问题。
近年来，深度学习技术在农业视觉任务中展现出巨大潜力，尤其是在作物病虫害识别、果实计数和生长阶段分类等方面。其中，YOLO(You Only Look Once)系列算法凭借其检测速度快、精度高、端到端训练等优势，已成为农业目标检测任务的主流选择。然而，针对生菜这一常见叶类蔬菜的生长周期自动检测研究仍相对有限，特别是对生长阶段过渡期的细粒度识别仍面临挑战。
本研究旨在构建一个基于YOLO26的生菜生长周期自动检测系统，实现对生菜从发芽到成熟的全过程智能识别。研究成果将为设施农业的智能化管理提供技术支持，降低人工监测成本，提高种植管理决策的科学性
背景
生菜生长周期概述
生菜作为全球广泛种植的叶类蔬菜，其生长过程可分为多个关键阶段：
-
发芽期(germination)：种子萌发至子叶展开阶段
-
幼苗期(young)：真叶开始生长至植株快速生长期
-
结荚期(pod)：开始形成花蕾或荚果结构
-
空荚期(empty_pod)：荚果发育但内部尚未充实
-
成熟期(Ready)：达到最佳采收标准
不同生长阶段对水肥需求和环境条件存在显著差异，精准识别各阶段是实现精细化管理的先决条件。
目标检测技术在农业中的应用
计算机视觉技术在农业领域的应用已从早期的传统图像处理发展到当前的深度学习时代。YOLO系列算法因其优异的实时检测性能，被广泛应用于：
-
水果成熟度检测（苹果、番茄、草莓等）
-
作物病虫害识别
-
田间杂草检测
-
植株计数与生长监测
YOLOv26作为Ultralytics公司发布的最新版本，在检测精度和推理速度上较前代版本均有显著提升，特别适合部署于农业现场的边缘计算设备。
研究必要性
尽管已有研究涉及作物生长监测，但针对生菜这类形态变化复杂的叶类蔬菜，现有工作仍存在以下不足：
-
缺乏标准化的生菜生长阶段划分体系
-
生长阶段过渡期的细粒度识别准确率较低
-
公开数据集规模有限，难以支撑实际应用
因此，构建一个高精度、可部署的生菜生长周期检测系统具有重要的理论价值和实践意义。
数据集介绍
数据集规模与划分
本研究构建的生菜生长周期数据集包含共计1510张标注图像，具体划分如下：
-
训练集：1060张（约占70%）
-
验证集：299张（约占20%）
-
测试集：151张（约占10%）
数据集划分遵循随机分层抽样原则，确保各类别样本在训练、验证和测试集中分布均衡。
类别定义与样本分布
数据集共包含5个生菜生长阶段类别：
| 类别名称 | 类别ID | 实例数 | 类别描述 |
|---|---|---|---|
| germination | 0 | 1321 | 种子萌发至子叶展开阶段 |
| young | 1 | 1133 | 真叶生长期，植株快速生长 |
| pod | 2 | 726 | 开始形成花蕾或荚果结构 |
| empty_pod | 3 | 311 | 荚果发育但内部未充实 |
| Ready | 4 | 376 | 达到采收标准的成熟期 |
训练结果
1. 总体性能评估
1.1 模型基础信息
-
模型：YOLO26
-
数据集：299 张图像，共 3867 个实例
-
训练完整：19 个 epoch
1.2 整体指标
| 指标 | 值 |
|---|---|
| mAP50 | 0.945 |
| mAP50-95 | 0.73 |
| 精度 (P) | 0.916 |
| 召回率 (R) | 0.897 |
结论：模型整体表现优秀，mAP50 高达 94.5%，适合用于生菜生长周期检测任务。
2. 各类别性能分析
2.1 按类别指标（mAP50 排序）
| 类别 | 精度 (P) | 召回率 (R) | mAP50 | mAP50-95 |
|---|---|---|---|---|
| empty_pod | 0.984 | 0.968 | 0.989 | 0.762 |
| pod | 0.935 | 0.919 | 0.967 | 0.792 |
| germination | 0.924 | 0.905 | 0.956 | 0.78 |
| young | 0.908 | 0.902 | 0.941 | 0.719 |
| Ready | 0.827 | 0.793 | 0.872 | 0.597 |
2.2 重点观察
-
empty_pod、pod、germination 三类表现极好，mAP50 > 0.95
-
Ready 类别表现较差，精度和召回率均偏低（0.827 / 0.793），mAP50-95 仅 0.597
-
young 类表现中上，但 mAP50-95 偏低，说明边界框定位精度有待提升
3. 训练过程分析
3.1 损失曲线（来自 results.png）
-
train/box_loss、cls_loss、dfl_loss 均持续下降
-
val/box_loss、cls_loss 在后期趋于稳定
-
无明显过拟合，训练过程收敛良好
3.2 精度与召回率曲线
-
精度和召回率在 50 epoch 后趋于稳定
-
mAP50 持续上升至 0.94+，mAP50-95 也稳步提升
-
训练充分，模型泛化能力良好
4. 混淆矩阵分析
4.1 原始混淆矩阵（confusion_matrix.png）
-
Ready 类被大量误分类为 young（198 个）
-
empty_pod 类表现最好，误分类极少
-
germination 和 pod 类之间有一定混淆
4.2 归一化混淆矩阵
-
Ready → young：0.14（14% 误判）
-
Ready → background：0.05（5% 漏检）
-
empty_pod → pod：0.02（极少误判）
-
germination → pod：0.02（可接受）
Ready 类存在较明显的类间混淆，尤其是与 young 类
5. PR 曲线分析
5.1 各类别 PR 曲线（BoxPR_curve.png）
-
empty_pod、pod、germination 三类 PR 曲线几乎完美（AUC ≈ 1.0）
-
Ready 类 PR 曲线下降较快，说明其在低置信度下表现不稳定
5.2 所有类别平均 PR
-
所有类别的平均精度（mAP@0.5）为 0.91 在 0.385 置信度下
-
模型整体在中等置信度下仍有良好表现
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
-
简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
-
部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
-
训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
-
任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
详细功能展示视频
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
0
0- 0
已为社区贡献130条内容
所有评论(0)