本项目使用YOLOv26模型，在公开数据集上对常见农作物的病虫害进行检测任务的训练，训练完成后通过测试代码，完成单张图片、多张图片批量检测农作物的病虫害。
一、项目文件夹结构介绍
如下图，在项目主目录下，有六个文件夹。configs文件夹：存放数据集配置文件data.yaml；Dataset文件夹：存放数据集，训练集、测试集、验证集图片及其labels标签文件；runs文件夹：存放模型训练过程中保存的中间结果，模型训练完成后的权重文件等；src文件夹：存放训练代码；test文件夹：存放测试代码；weights文件夹：存放预训练模型的权重文件。
二、数据集介绍
本项目分别使用了两个公开数据集PlantVillage和PlantDoc。
1.PlantVillage数据集
宾夕法尼亚州立大学（Penn State）和瑞士联邦理工学院（EPFL），于2016年发布，配套论文《Using Deep Learning for Image-Based Plant Disease Detection》。覆盖14种农作物，26种病害，共38个分类类别，总计54306张RGB叶片图像。所有图像均为实验室可控环境拍摄的叶片特写：单张图仅含1片目标叶片，背景为纯色（白/灰），光照均匀无遮挡，叶片占比大，无复杂场景干扰。但原生数据集只支持图像分类任务，无法直接用于YOLO病虫害检测任务的训练。
目前可以选择开源社区人工标注的检测版本，在Kaggle平台、GitHub平台、Roboflow平台等等，搜索PlantVillage YOLO Dataset，开源社区均有成熟的YOLO格式标注包。
PlantVillage数据集规模大、类别标注精准、图像噪声低、训练收敛快，是农业病害识别的入门首选，也是分类任务的通用基准，但与田间真实生产场景差距大，训练的模型泛化性弱，无法直接用于户外农业落地场景。
数据集下载地址：PlantVillage for object detection YOLO，该数据集需要手动区分训练集、测试集、验证集。
Kaggle平台下载数据集需要注册账号，具体注册过程自行搜索。
2.PlantDoc数据集
印度理工学院（IIT）等机构，于2020年发布，配套论文《PlantDoc: A Dataset for Visual Plant Disease Detection》。覆盖13种农作物，27个检测类别，总计2598张田间实景RGB图像，人工标注8851个目标边界框。全部为户外田间自然环境拍摄：包含复杂土壤、植被背景、多目标同框、叶片重叠遮挡、光照变化（逆光、弱光）、不同拍摄角度与距离、小目标叶片，贴合真实农业生产场景。数据集原生支持目标检测和图像分类。
PlantDoc数据集景真实、标注规范，但数据规模相对较小，部分病害类别样本不均衡，对模型的泛化能力、小目标检测、抗遮挡能力要求高。
数据集下载：PlantDoc
Kaggle平台下载数据集需要注册账号，具体注册过程自行搜索。
三、项目环境配置
该项目包含YOLOv26、PyTorch等，显然在Anaconda的虚拟环境下，更有利于项目环境的配置和管理，可以创建新的虚拟环境，也可以直接使用前期创建过的yolov11的虚拟环境。
1.虚拟环境配置
若新创建虚拟环境，需要安装Python3.11或以上版本，安装Python版本所对应的PyTorch。同时，如果要使用CUDA加速模型的训练，PyTorch一定要下载GPU版本（通常大于2G），还需要下载对应版本的cuDNN、CUDA等。
若直接使用已经创建过的yolov11虚拟环境，则项目环境已然搞定，无需其他操作。
2.预训练模型下载
项目是基于yolov26的预训练模型yolo26n.pt进行训练，在预训练模型的基础上进行训练，可以加快模型的收敛速度，增加模型训练过程的稳定性等等。yolo26n.pt是最小的一个预训练模型，如果模型训练结果不达预期，可以尝试使用下图中的中高规模参数的预训练模型，如yolo26m.pt、yolo26l.pt等。
yolo26n.pt下载地址：ultralytics/ultralytics: Ultralytics YOLO
下载完成后，需要将预训练模型放到\weights文件夹下。
四、训练YOLOv26
首先需要准备数据，以PlantDoc数据集为例，该数据集原生支持目标检测任务，数据集内部的文件结构为数据集下载后，放到/Dataset目录下，将数据集内的data.yaml文件放到/configs目录下，并修改data.yaml内的数据集路径如下图。
1.yolo模型训练
模型训练的代码需要自己编写。在\src目录下创建train.py。
训练代码参考车牌识别项目中的yolo训练代码，只需要调整yolo训练时输入的参数即可，大佬写的代码各个方面都很不错。
由于PlantDoc数据集中，由于小目标、遮挡、长尾分布等因素，直接使用yolo默认的训练参数，训练效果不佳。可以尝试调整yolo训练中涉及的参数。
（1）寻找显存占用和训练速度的平衡
imgsz参数：默认640，要求是32的倍数。该参数对小目标检测精度影响大，可以尝试调高该参数，但会大大增加显存占用，需要和batch参数做平衡。
batch参数：要求是8的倍数。调高该参数会加速训练，但会大大增加显存占用。该参数太小，会导致模型收敛速度慢。
对于小目标检测来说，增大imgsz会导致显存占用过高，然后适当减小batch，用时间换精度。不同规模的预训练模型，训练是对应的显存占用也不一样。
（2）数据增强
mosaic参数：保持默认1。Mosaic将4张图像拼接成1张。应对丰富背景信息，提升小目标检测能力，1表示全量启用。
hsv_h、hsv_s、hsv_v参数：HSV色调、饱和度、亮度扰动范围。可以稍微提高，如0.02，0.8，0.5，尝试适配复杂背景。
YOLO训练可以调整的参数很多，可以多多探索尝试。
2.分析训练结果
YOLO26L中大规模参数的预训练模型，在RTX 4070 12G显存下，训练的结果如下图所示，全类精度63.9%，召回率54.3%漏检严重。
在Corn rust leaf（玉米锈病）、grape leaf black rot（葡萄黑腐病）、Strawberry leaf（草莓健康叶）、Apple leaf（苹果白粉病）、Corn leaf blight（玉米叶枯病）检测的准确率表现不错，这类病害特征明显、样本辨识度高，整体在80%。
在番茄、马铃薯、甜椒的病虫害检测结果很差，病害本身特征相似度高、叶片重叠遮挡严重、病斑小，模型难以学习和区分。尤其是番茄的病害，数据量多但训练精度差，拉低了全类检测精度。
运行train.py完成训练后。训练结束后的结果会保存在：
\runs\plant_disease_PlantDoc\weights，其中best.pt为验证集上表现最好的权重。
五、基于Tkinter设计GUI交互界面
为了方便测试，用Tkinter设计了一个简单的交互界面，整体GUI界面如下图所示。当然，Qt、PySimpleGUI等常见的Python GUI库将设计出来更美观的现代化交互界面，可以多多去尝试。
这个GUI界面的基本功能：（1）选择模型（训练好的bset.pt文件）；（2）选择测试的运行设备（GPU或者CPU）；（3）GUI界面内可以自定义校徽、院系、姓名、学号；（4）单张图片的测试，将测试结果显示在GUI界面内；（5）批量测试：选择某文件夹，将文件夹内的全部图片批量测试，并将批量测试结果按表格样式显示在GUI界面内，同时批量测试结果保存到.csv格式的文件内；（6）停止批量测试的按钮；（7）检测结果可视化功能（图片放大/缩小、更换显示图片）。
碎碎念
笔者不仅在PlantDoc数据集上做了训练，在PlantVillage数据集上也做了训练。在PlantVillage数据集上的训练结果十分不错，准确率达到99.7%，训练过程也很顺利。由此看出，数据集的质量很大程度影响YOLO模型最后的预测准确率，小目标、复杂背景、遮挡、多个大小不同的目标、数据集长尾分布等等因素，都会造成使用默认参数训练YOLO的结果不尽人意。如果数据集质量不能再上一个台阶，此时，对YOLO默认训练参数的调整就是最后的挽救机会。
后记
如果您对笔者上述提到的YOLO病虫害识别系统、数据集、GUI界面等感兴趣，或者想在自己学习过程中有个实际案例做参考，欢迎光临我的面包多主页小尘的橱窗的个人主页，希望对您的学习有帮助~~
参考资料
YOLO 常用训练参数详解与调优指南_yolo训练-CSDN博客