YOLO26实战水稻病害检测系统：6030张数据集+0.982 mAP，附完整训练流程（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

斌擎人工智能官方账号

463人浏览 · 2026-04-22 09:18:27

斌擎人工智能官方账号 · 2026-04-22 09:18:27 发布

摘要

水稻作为全球最重要的粮食作物之一，其病害的早期识别与精准防治对保障粮食安全至关重要。传统的人工检测方法效率低下且易受主观因素影响，难以满足现代农业规模化、精细化管理的需求。为此，本研究提出了一种基于深度学习YOLO26（You Only Look Once）目标检测框架的水稻病害智能识别系统。该系统针对水稻主要病害——细菌性条斑病、褐斑病和叶黑粉病进行建模。实验数据集包含训练集6030张、验证集409张及测试集276张图像。模型训练结果表明，系统在测试集上表现出卓越的性能，mailto:mAP@0.5达到0.982，各类别平均精度均超过0.95。混淆矩阵分析显示模型对各类病害的分类准确率极高，误检率极低。该系统能够实现对水稻病害的快速、准确、实时检测，为农业生产中的精准植保提供了有力的技术支持。

详细功能展示视频

https://www.bilibili.com/video/BV1E1onBaEKU/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1E1onBaEKU/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764 https://www.bilibili.com/video/BV1E1onBaEKU/

1. 核心性能指标 (Precision-Recall Curve)编辑

2. 精度与置信度关系 (Precision-Confidence Curve)编辑

3. 召回率与置信度关系 (Recall-Confidence Curve)编辑

4. F1-Score 与置信度关系 (F1-Confidence Curve)编辑

5. 混淆矩阵 (Confusion Matrix)编辑

6. 训练过程监控 (Loss & Metrics Curves)编辑

功能模块

✅ 用户登录注册：支持密码检测，密码加密。

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅ 参数实时调节（置信度和IoU阈值）

✅ 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

✅ 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

水稻是全球半数以上人口的主食来源，其产量直接关系到全球粮食安全。然而，在水稻的生长周期中，病害的侵袭是导致产量下降和品质受损的主要因素之一。其中，细菌性条斑病、褐斑病和叶黑粉病是水稻生产中最为常见且危害严重的三大病害。传统的病害诊断主要依赖农艺师通过肉眼观察植株症状进行判断，这种方法不仅耗时费力，劳动强度大，而且高度依赖专家经验，难以在大田范围内进行快速、大规模的普查。

近年来，随着计算机视觉和深度学习技术的飞速发展，基于图像的目标检测技术为农作物病害的智能识别提供了新的解决方案。相比于传统的图像处理方法，深度学习模型能够自动学习图像的深层特征，具有更强的鲁棒性和泛化能力。特别是YOLO系列算法，因其检测速度快、实时性好，非常适合应用于农业现场的病害监测场景。本研究旨在构建一个高效、精准的YOLO26水稻病害识别检测系统，通过自动化手段辅助农民和农业技术人员快速识别病害类型及位置，从而为及时采取防治措施提供科学依据，最终实现农业生产的智能化与精准化。

背景

水稻病害的监测与防控一直是农业科学研究的重点与难点。据联合国粮食及农业组织（FAO）统计，全球每年因病害导致的水稻产量损失高达数千万吨。其中，细菌性条斑病（Xanthomonas oryzae pv. oryzicola）是一种由细菌引起的维管束病害，主要危害叶片，严重时可导致植株枯死；褐斑病（Bipolaris oryzae）是一种真菌性病害，多在叶片上形成褐色斑点，影响光合作用；而叶黑粉病（Tilletia barclayana）则会导致叶片卷曲、畸形，并产生大量黑粉，严重影响稻谷的结实率。

在智慧农业的背景下，利用机器视觉技术替代人工进行病害识别已成为必然趋势。早期的病害识别研究多基于传统的机器学习方法，如支持向量机（SVM）或随机森林，这些方法需要人工设计特征（如颜色、纹理、形状），特征提取过程繁琐且对复杂背景的适应性较差。随着卷积神经网络（CNN）的兴起，基于深度学习的图像分类与目标检测技术开始主导该领域。

YOLO（You Only Look Once）作为一种单阶段目标检测算法，将目标检测任务视为一个回归问题，直接在图像上进行网格划分并预测边界框和类别概率。相较于两阶段算法（如R-CNN系列），YOLO具有推理速度极快、模型结构相对简单、易于部署等显著优势，非常适合搭载在无人机、手持终端或田间摄像头等边缘计算设备上进行实时监测。

尽管已有大量研究将深度学习应用于水稻病害识别，但大多数研究侧重于图像分类（仅判断图片是否有病害），缺乏对病害具体位置的定位能力。本研究采用YOLO26目标检测框架，不仅能识别病害类别，还能精确定位病斑位置，这对于指导精准喷药、减少农药使用量具有重要意义。此外，针对实际农田环境中光照变化、背景复杂等挑战，本研究构建了高质量的数据集并进行了充分的训练与验证，旨在开发一个在复杂环境下依然保持高鲁棒性的检测系统。

数据集介绍

为了训练和评估所提出的YOLO水稻病害识别检测模型，本研究构建了一个包含三种主要水稻病害的图像数据集。数据集涵盖了水稻生长过程中最具代表性的病害类型，具体信息如下：

类别定义: 数据集共包含 3 个目标类别，分别为：
- Bacteria_Leaf_Blight（细菌性条斑病）
- Brown_Spot（褐斑病）
- Leaf_smut（叶黑粉病）
数据集划分: 为了确保模型评估的客观性和泛化能力，原始数据集被随机划分为训练集、验证集和测试集三个部分，具体数量分布如下：
- 训练集: 共 6030 张图像。该部分数据用于模型的权重更新和参数学习，是模型构建知识体系的基础。
- 验证集: 共 409 张图像。在训练过程中，验证集用于监控模型的过拟合情况，并调整超参数，以优化模型的中间性能。
- 测试集: 共 276 张图像。测试集仅在训练结束后用于最终评估模型的性能，模拟模型在未知数据上的表现，确保评估结果的公正性。

训练结果

1. 核心性能指标 (Precision-Recall Curve)

这是衡量目标检测模型性能最核心的图表。

mailto:mAP@0.5 (Mean Average Precision): 达到了 0.982。这是一个极高的数值，意味着在 IoU 阈值为 0.5 的情况下，模型几乎能完美地识别出所有病害。
各类别表现:
- 细菌性条斑病: 0.995
- 褐斑病: 0.994
- 叶黑粉病: 0.956
分析: 褐斑病和细菌性条斑病的检测效果几乎达到极致（接近 1.0），而叶黑粉病虽然稍低，但 0.956 仍然是一个非常优秀的成绩。这表明模型对这三种病害的区分能力很强。

2. 精度与置信度关系 (Precision-Confidence Curve)

整体趋势: 曲线在大部分置信度区间内都维持在接近 1.0 的高位。
关键点: 图例显示 all classes 1.00 at 0.910，意味着当我们将置信度阈值设置在 0.91 时，所有预测结果的精度（Precision）依然能达到 100%。
分析: 这说明模型的预测非常可靠。只要模型“自信”地做出预测（置信度高），它几乎不会出错。这在实际农业应用中非常重要，可以避免误报带来的错误防治。

3. 召回率与置信度关系 (Recall-Confidence Curve)

整体趋势: 随着置信度降低，召回率（Recall）迅速上升并在高位保持平稳。
关键点: 图例显示 all classes 0.97 at 0.000，意味着即使置信度阈值设为 0，模型也能找回 97% 的真实病害。
分析: 这表明模型的漏检率很低。对于农业病害检测，漏掉病害（假阴性）往往比误报（假阳性）更危险，因此高召回率是一个很好的信号。

4. F1-Score 与置信度关系 (F1-Confidence Curve)

整体表现: F1-Score (综合了 Precision 和 Recall) 在大部分置信度区间内都维持在 0.97 左右的高位。
分析: F1-Score 的稳定性说明模型在精准度和覆盖率之间取得了极佳的平衡。

5. 混淆矩阵 (Confusion Matrix)

这是分析模型“哪里出错”的关键。

对角线数值: 绝大部分样本都落在对角线上（如褐斑病 707，细菌性条斑病 184，叶黑粉病 360），说明分类准确率极高。
误分类情况:
- 背景误判: “background”行显示有少量样本（1, 12, 34）被误判为病害，这说明模型对非病害区域的识别也还不错，但仍有少量虚警。

6. 训练过程监控 (Loss & Metrics Curves)

Loss 下降: 训练集和验证集的 box_loss, cls_loss, df_loss 均随 Epoch 增加而平稳下降，没有剧烈震荡，说明训练过程非常稳定。
无过拟合: 验证集 Loss 没有出现先降后升的“U型”反转，说明模型没有过拟合，泛化能力很强。
指标收敛: precision, recall, mAP50, mAP50-95 都在 100 个 Epoch 左右迅速收敛并达到高值，说明模型很快学到了特征。

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。

用于实例分割的 LabelMe 标注工具

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开源社区

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

【Qt教程29】Qt5和Qt6版本对比

原创作者：郑同学的笔记原文链接：https://zhengjunxue.blog.csdn.net/article/details/159691226Qt6 与之前的版本相比，无论是在底层架构还是上层 API 上，都带来了根本性的变革。为了帮你快速了解，这里从整体和内部两个层面，梳理了 Qt6 各版本间的核心差异。