摘要

杂草的精准识别与定位是实现智能农业精准施药的关键技术之一。本研究针对农田中常见的杂草“ridderzuring”（酸模），构建了一个基于YOLO26的目标检测系统。数据集共包含2486张标注图像，划分为训练集（1661张）、验证集（580张）和测试集（245张），所有图像均标注了单一类别“0 ridderzuring”。实验结果表明，模型在验证集上的平均精度均值（mAP@0.5）达到78.1%，精度（Precision）为76.4%，召回率（Recall）为74.6%。混淆矩阵分析显示，模型对目标的正确识别率为75%。训练过程中的损失函数稳步下降，模型收敛良好，未见明显过拟合。本研究验证了YOLO26在单类杂草检测任务中的可行性，为后续的田间实时检测与精准施药系统提供了有力支撑。

关键词：YOLO26；杂草检测；精准农业；目标检测；ridderzuring

详细功能展示视频

https://www.bilibili.com/video/BV1vNoTBHEXx/?vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1vNoTBHEXx/?vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1vNoTBHEXx/

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。

✅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

随着精准农业理念的深入发展，智能杂草识别技术成为减少农药使用、提高作物产量的重要手段。传统的杂草控制多采用均匀喷洒方式，不仅造成农药浪费，还带来环境污染和生态风险。基于计算机视觉的杂草检测系统能够实现对田间杂草的实时识别与定位，为选择性施药提供决策支持。

近年来，以YOLO（You Only Look Once）系列为代表的单阶段目标检测算法因其检测速度快、精度高，被广泛应用于农业视觉任务中。本研究选取YOLO26作为基础模型，针对农田中常见的阔叶杂草“ridderzuring”（酸模）构建单类目标检测系统。通过对模型训练结果的全面分析，评估其在真实田间场景下的检测性能，并探讨其在精准施药系统中的部署可行性。

背景

杂草是农业生产中制约作物产量的主要生物胁迫因素之一。据联合国粮农组织（FAO）统计，全球每年因杂草造成的作物减产高达10%~15%，经济损失超过千亿美元。杂草通过与作物竞争光照、水分、养分和空间，直接影响作物的生长发育。此外，部分杂草还是病虫害的寄主，间接加剧病虫害的传播与危害。

在传统的杂草管理模式中，农民通常采用均匀喷洒除草剂的方式进行防治。这种方式虽然操作简单，但存在以下明显弊端：

• 资源浪费：大量除草剂喷洒在无杂草区域，造成农药浪费；

• 环境污染：过量化学药剂渗入土壤和水体，破坏生态平衡；

• 食品安全风险：农药残留可能影响农产品质量与消费者健康；

• 杂草抗药性：长期大量使用同类型除草剂，加速杂草抗药性的产生。

在此背景下，精准农业（Precision Agriculture）理念应运而生，其核心思想是“在正确的时间、正确的地点，施用正确的剂量”。杂草的精准识别与定位是实现这一目标的首要前提，只有准确判断杂草的位置与分布，才能指导施药设备进行选择性喷洒，从而最大限度地减少农药使用量，实现绿色、可持续的农业生产。

数据集介绍

本研究所用数据集由田间采集图像构成，涵盖不同光照、生长阶段和背景条件下的杂草样本。所有图像均经过人工标注，确保边界框准确贴合目标轮廓。

数据集统计信息：

• 类别数量（nc）：1类

• 类别名称：['0 ridderzuring']

• 总图像数量：2486张

• 划分方式：

  • 训练集：1661张（约66.8%）

  • 验证集：580张（约23.3%）

  • 测试集：245张（约9.9%）

训练结果

1. 总体性能概览

• 模型: YOLOv6s

• 类别: 仅检测“ridderzuring”（一种杂草，酸模）

• 训练图像数: 580

• 实例数: 1940

• mAP50: 0.781

• mAP50-95: 0.409

• Precision: 0.764

• Recall: 0.746

 结论：

模型在mAP50达到78.1%，说明在IoU=0.5的阈值下，检测效果良好；但mAP50-95仅为40.9%，说明模型对边界框的精确度（位置+尺寸）仍有提升空间。

---

2. 精度-置信度曲线分析（BoxP_curve.png）

• 当置信度阈值 > 0.9 时，精度接近 1.0，说明高置信度的预测非常可靠。

• 但随着置信度降低，精度下降较快，说明模型在低置信度区域存在较多误检。

---

3. 召回率-置信度曲线分析（BoxR_curve.png）

• 召回率随置信度降低而上升，说明降低阈值可以捕获更多目标。

• 但在低置信度下，召回率提升有限（约0.75），说明部分目标即使降低阈值也难以被检测到。

建议：结合精度-召回率曲线（PR-curve）选择最佳置信度阈值，平衡精度与召回率。

---

 4. 精度-召回率曲线（BoxPR_curve.png）

• mAP@0.5 = 0.781，曲线下降较平缓，说明模型在不同召回率下仍保持较好精度。

• 曲线尾部下降较快，说明模型在召回率较高时（>0.8）会引入较多误检。

建议：适合在中等召回率（~0.75）下使用，避免过高的误检率。

---

5. 混淆矩阵分析（confusion_matrix.png & normalized）

原始混淆矩阵：

• 真阳性（TP）: 1453

• 假阴性（FN）: 487（漏检）

• 假阳性（FP）: 362（误检）

归一化混淆矩阵：

• 真正类率（TPR）: 0.75

• 假正类率（FPR）: 0.25

结论：

• 模型对“ridderzuring”的识别能力较强（75%正确率）。

• 误检（25%）和漏检（25%）仍有优化空间。

---

6. 训练过程分析（results.png）

• 训练损失（box/cls/dfl） 随epoch增加稳步下降，说明模型收敛良好。

• 验证损失 在后期趋于平稳，未见明显过拟合。

• mAP50 和 mAP50-95 随训练逐步提升，训练至约80 epoch后趋于稳定。

 建议：训练轮次控制在80–100之间即可，继续训练收益有限。

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

https://www.bilibili.com/video/BV1vNoTBHEXx/?vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1vNoTBHEXx/?vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1vNoTBHEXx/