【深度学习目标检测】二十一、基于深度学习的葡萄检测系统-含数据集、GUI和源码（python，yolov8）

葡萄检测在农业中具有多方面的意义，具体来说如下：

首先，葡萄检测有助于保障农产品质量安全。通过对葡萄进行质量安全专项监测，可以确保葡萄中的农药残留、重金属等有害物质含量符合标准，从而保障消费者的健康。同时，葡萄检测还可以对葡萄的产量进行精准预测，有助于农业生产者制定科学的种植计划。

其次，葡萄检测可以促进农业科技进步。随着计算机技术和精准农业的发展，图像技术已被广泛应用于葡萄检测中。这种技术可以代替人眼快速、准确地进行检测分析，有助于提高葡萄检测的效率和准确性。此外，葡萄检测还可以推动农业生产的自动化和智能化，提高农业生产的效率和质量。

最后，葡萄检测有助于提升农产品的市场竞争力。随着我国社会经济的发展，农残检测成为保证食品安全的关键措施和影响农产品国际贸易的重要技术壁垒。通过对葡萄进行严格的质量检测，可以确保葡萄的质量符合国内外市场的需求，提高农产品的竞争力。同时，葡萄检测还可以促进农业生产者提高种植技术和管理水平，从而提高农产品的整体质量。

总之，葡萄检测在农业中具有非常重要的意义。它不仅可以保障农产品的质量安全和消费者的健康，还可以促进农业科技进步和提升农产品的市场竞争力。因此，我们应该加强葡萄检测工作，提高检测技术和水平，为农业生产的可持续发展做出贡献。

本文介绍了基于深度学习yolov8的葡萄检测系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。

检测结果如下图：

一、安装YoloV8

yolov8官方文档：主页 - Ultralytics YOLOv8 文档

安装部分参考：官方安装教程

1、安装pytorch

根据本机是否有GPU，安装适合自己的pytorch，如果需要训练自己的模型，建议使用GPU版本。

①GPU版本的pytorch安装

对于GPU用户，安装GPU版本的pytorch，首先在cmd命令行输入nvidia-smi，查看本机的cuda版本，如下图，我的cuda版本是12.4（如果版本过低，建议升级nvidia驱动）：

打开pytorch官网，选择合适的版本安装pytorch，如下图，建议使用conda安装防止cuda版本问题出现报错：

②CPU版本pytorch安装

打开pytorch官网，选择CPU版本安装pytorch，如下图：

2、安装yolov8

在命令行使用如下命令安装：

pip install ultralytics

二、数据集准备

WGISD（Wine Grape Instance Segmentation Dataset）是为了提供图像和注释来研究对象检测和实例分割，用于葡萄栽培中基于图像的监测和现场机器人技术。它提供了来自五种不同葡萄品种的实地实例。这些实例显示了葡萄姿势、光照和焦点的变化，包括遗传和物候变化，如形状、颜色和紧实度。可能的用途包括放宽实例分割问题：分类（图像中是否有葡萄？）、语义分割（图像中的“葡萄像素”是什么？）、对象检测（图像中的葡萄在哪里？）、和计数（每个簇有多少浆果？）。WGISD 还可用于葡萄品种鉴定。每个实例都包含一个 RGB 图像和一个将葡萄簇位置描述为边界框的注释。实例的一个子集还包含标识属于每个葡萄簇的像素的二进制掩码。每幅图像至少呈现一个葡萄串。一些葡萄串可能会出现在背景很远的地方，应该被忽略。

数据集来源：Winegrape检测数据集

数据集示例：

为了使用yolov8进行训练，需要将数据集转为yolo格式，本文提供转换好的数据集连接：WGISD葡萄数据集yolov8检测格式，包含242个训练集和58个测试集，可用于训练yolov8算法（不包含实例分割）

三、模型配置及训练

1、数据集配置文件

创建数据集配置文件wgisd.yaml，内容如下（将path路径替换为自己的数据集路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\DeepLearning\datasets\csdn\thsant-wgisd-ab223e5\wgisd_yolov8  # 替换为自己的数据集路径
train: images/train 
val: images/test 
test: images/test  # Classes
names:# 0: normal0: wine

2、训练模型

使用如下命令训练模型，数据配置文件路径更改为自己的路径，model根据自己的需要使用yolov8n/s/l/x版本，其他参数根据自己的需要进行设置：

yolo detect train project=wgisd name=train exist_ok data=wgisd/wgisd.yaml model=yolov8n.yaml epochs=100 imgsz=640

3、验证模型

使用如下命令验证模型，相关路径根据需要修改：

yolo detect val imgsz=640 model=wgisd/train/weights/best.pt data=wgisd/wgisd.yaml

精度如下：

# YOLOv8n summary (fused): 168 layers, 3005843 parameters, 0 gradients, 8.1 GFLOPs
# val: Scanning D:\DeepLearning\datasets\csdn\thsant-wgisd-ab223e5\wgisd_yolov8\labels\test.cache... 58 images, 0 backgrounds, 0 corrupt: 100%|██████████| 58/58 [00:00<?, ?it/ 
#                  Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 4/4 [00:06<00:00,  1.72s/it]
#                    all         58        850      0.772      0.714        0.8      0.445
# Speed: 2.3ms preprocess, 11.1ms inference, 0.0ms loss, 6.4ms postprocess per image

四、推理

训练好了模型，可以使用如下代码实现推理，权重路径修改为自己的路径：

from PIL import Image
from ultralytics import YOLO# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')image_path = 'test.jpg'
results = model(image_path)  # 结果列表# 展示结果
for r in results:im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像im.show()  # 显示图像im.save('results.jpg')  # 保存图像