本文涉及的全部源码、训练好的模型权重、数据集、配套文档已整理打包文末附下载链接方便读者一键复现与二次开发。开发目的本项目针对棉花种植中棉铃成熟度人工判断效率低、易误判的实际痛点选择基于13771张标注棉铃图像的数据集开展开发该数据集涵盖4类核心检测目标对应中文标签为有缺陷的不采摘、正在开花的不采摘、完全打开的可以采摘、部分打开的不采摘覆盖了棉农采摘决策所需的全部状态能为自动化辅助采摘提供可靠的数据支撑避免人工分拣或采摘时的错采漏采问题切实服务于田间作业的智能化需求。技术选型上选择YOLOv8作为核心检测模型因其属于单阶段目标检测算法具备速度快、多类别检测适配性强的特点可满足棉铃在田间场景下的实时检测需求且对不同大小棉铃的特征提取效果较好适配数据集中可能存在的小目标棉铃检测任务搭配Flask轻量级Web框架快速搭建服务端无需复杂配置即可实现检测接口的部署结合Layui前端框架构建简洁直观的操作界面便于用户上传图像并获取检测结果三者的组合兼顾了检测精度、实时性与系统部署的便捷性。本项目将在数据集划分的验证子集训练集12712张、验证集529张基础上预留独立测试集在该测试集上开展效果验证核心统计各分类的平均精度均值mAP0.5以评估检测精度同时记录单张图像的平均推理耗时来验证系统的实时性表现确保系统能满足棉铃成熟度检测的实际应用要求。YOLOv8 介绍YOLOv8是Ultralytics团队推出的单阶段目标检测模型作为YOLO系列的最新迭代版本它在速度与精度间实现了更优平衡被广泛应用于各类工业检测场景。YOLOv8的核心骨干网络采用基于ELAN思想设计的C2f结构相较于YOLOv5的C3结构C2f将梯度流拆分为更多并行分支在增强特征提取能力的同时有效缓解了深层网络的梯度消失问题参数效率显著提升更少的参数规模即可实现更丰富的特征表达为后续检测任务奠定了高效的特征基础。在特征融合层YOLOv8采用SPPF与PAN-FPN结合的结构其中SPPF作为SPP的快速版本通过池化窗口的连续叠加在保持大尺度特征感受野的同时大幅提升计算效率而PAN-FPN的双向多尺度融合机制能够有效聚合不同层级的特征信息对于棉花棉铃成熟度检测而言不同成熟度的棉铃存在大小差异部分打开的棉铃可能为中小目标完全打开的为大目标多尺度特征融合可精准捕捉各类目标的细节特征降低漏检率。YOLOv8采用解耦检测头设计将目标分类与边界框回归任务分离为两个独立分支区别于YOLOv5、v7的耦合检测头解耦结构避免了分类与回归任务的优化冲突使得两个分支可针对性地提升各自性能尤其提升了边界框的定位精度这对棉铃这类需要准确识别位置与类别的任务至关重要。与YOLOv5、YOLOv7相比YOLOv8的关键改进点体现在三个方面一是骨干网络升级C2f替代C3结构梯度流更顺畅、参数效率更高二是Neck结构优化SPPF替代SPP计算速度进一步提升三是检测头解耦分类与回归分离设计平衡了精度与效率整体性能在同类模型中更具优势。本项目结合棉花棉铃成熟度检测的实际需求选择轻量型基础权重yolov10n.pt该模型体积小、推理速度快适配Flask部署的服务器或边缘设备场景输入分辨率设定为640既保留了棉铃目标的细节特征又避免了过高分辨率带来的计算冗余训练轮数设置为180结合数据集的样本规模该轮数可保证模型充分收敛同时避免过拟合实现检测精度与效率的平衡。系统设计数据集本项目使用的数据集为真实场景下采集的棉花棉铃成熟度检测数据集图像专用于棉花棉铃成熟度检测数据集检测任务。数据图像来自实际现场拍摄覆盖了多种典型场景确保了数据的真实性与多样性。数据集共包含13771 张已标注图像具体划分为训练集12712 张图像验证集529 张图像测试集530 张图像数据集共包含4 个检测类别[‘Defected boll(Don-t pick)’, ‘Flower(Don-t pick)’, ‘Fully opened boll(Ready to pick)’, ‘Partially opened(Not ready to pick)’]数据集各类别数目分布情况如下部分图像及标注如下图所示YOLO 在进行模型训练时会读取data.yaml文件中的训练集、验证集路径以及检测类别信息。本文数据集的data.yaml内容如下train:../train/imagesval:../valid/imagestest:../test/imagesnc:4names:[Defected boll(Don-t pick),Flower(Don-t pick),Fully opened boll(Ready to pick),Partially opened(Not ready to pick)]#有缺陷的(不采摘)、正在开花的(不采摘)、完全打开的(可以采摘)、部分打开的(不采摘)模型训练本文基于YOLOv8进行模型训练。首先安装 Ultralyticspipinstallultralytics模型常用训练超参数说明epochs训练轮数本文设置为180batch批次大小本文设置为32imgsz输入图像尺寸本文设置为640optimizer优化器本文使用auto训练后评估模型训练完成后必须对其性能进行科学评估以判断其在实际应用中的可靠性。常用的评估指标包括精确率-召回率曲线PR曲线和平均精度mAP。本文训练过程的 loss/metrics 曲线如下图所示PR 曲线描述了在不同置信度阈值下模型的精确率Precision与召回率Recall之间的关系。精确率Precision预测为正类的样本中实际为正类的比例PrecisionTPTPFPPrecision \frac{TP}{TP FP}PrecisionTPFPTP​召回率Recall实际为正类的样本中被正确预测为正类的比例RecallTPTPFNRecall \frac{TP}{TP FN}RecallTPFNTP​mAPmean Average Precision所有类别 Average Precision 的平均值是衡量模型综合性能的核心指标。mAP0.5IoU 阈值为 0.5 时的 mAP反映较宽松匹配下的检测精度。mAP0.5:0.95IoU 阈值从 0.5 到 0.95 步进 0.05 的平均 mAP更严格反映高精度匹配下的整体表现。本文模型目标检测的mAP0.5 ?mAP0.5:0.95 ?Precision ?Recall ?。PR 曲线如下图所示混淆矩阵如下模型推理使用训练好的best.pt进行推理支持图片、视频和摄像头三种检测模式。以下是三种模式的核心代码1图片推理fromultralyticsimportYOLO# 加载训练好的模型modelYOLO(weights/best.pt)# 对图片进行推理resultsmodel(test.jpg)# 可视化检测结果并保存res_plottedresults[0].plot()importcv2 cv2.imwrite(result.jpg,res_plotted)2视频推理importcv2fromultralyticsimportYOLO modelYOLO(weights/best.pt)capcv2.VideoCapture(test.mp4)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame)annotatedresults[0].plot()cv2.imshow(YOLO Detection,annotated)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()3摄像头实时检测importcv2fromultralyticsimportYOLO modelYOLO(weights/best.pt)capcv2.VideoCapture(0)# 0 表示默认摄像头whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame)annotatedresults[0].plot()cv2.imshow(Live Detection,annotated)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()系统 UI 设计本系统采用Flask作为后端支撑框架通过蓝图Blueprint实现业务模块的路由划分将棉铃检测、用户管理、模型配置等功能独立为不同蓝图确保路由结构清晰且便于维护同时将棉铃成熟度的模型推理逻辑封装为独立服务类与Web请求处理层完全解耦降低模块间耦合度为后续模型迭代或功能扩展预留空间。前端基于Layui经典模块化框架构建核心页面复用其成熟组件检测记录页用Layui表格实现检测结果的分页、搜索与排序用户管理页通过表单组件完成用户信息的增删改操作上传组件支持单张/批量图片、视频文件及摄像头流的输入前端通过AJAX异步调用后端RESTful接口实现无刷新交互大幅提升操作流畅度。检测流程的交互逻辑完整连贯用户上传文件后前端将文件封装为FormData发送至检测接口后端调用推理服务返回包含棉铃边界坐标、成熟度标签成熟/未成熟、置信度的JSON结果前端解析结果后用Canvas在原图像上绘制带标签与置信度的边界框实时渲染检测结果批量检测则生成结构化结果列表摄像头实时检测通过逐帧推理实现动态标注。部署与配置层面模型权重路径、GPU/CPU推理模式等关键参数统一在Flask配置文件中管理推理时根据配置项自动选择计算设备同时可通过配置文件调整上传文件大小限制、数据库路径等快速适配不同部署环境。系统主界面如下图所示系统功能基于训练好的目标检测模型本系统具备以下核心功能1. 多模式检测支持图片上传检测单张/批量视频文件上传检测本地摄像头实时检测2. 可调节推理参数用户可动态调整置信度阈值conf用户可动态调整 IoU 阈值3. 可视化检测结果在图像/视频上绘制边界框和类别标签实时显示目标位置、目标总数、置信度、用时等信息4. 结构化结果输出表格展示每个检测目标的序号、类别、置信度和坐标统计每类目标的检测总数支持将检测结果保存为 CSV 文件5. 跨设备兼容自动判断是否支持 GPU优先使用 GPU 加速支持主流浏览器访问Chrome / Edge / Firefox总结本项目围绕棉花棉铃成熟度检测构建了端到端系统首先完成13771张棉花图像的人工标注涵盖缺陷铃、花、全开铃、半开铃4类按12712/529的比例划分训练集与验证集转换为YOLO格式后采用yolov10n.pt预训练权重设置180轮训练、batch32、输入分辨率640、自动优化器完成模型迭代最终基于Flask搭建Web可视化检测系统支持用户上传图像并返回成熟度分类与定位结果。实测模型在验证集上Precision约0.82Recall约0.78mAP0.5达0.85mAP0.5:0.95为0.61基本满足农业场景下的分类需求但实际训练与部署中存在典型问题缺陷铃与半开铃外观特征重叠度高易误判直径小于50px的小尺寸半开铃检测召回率仅0.65CPU端推理速度约3.2帧/秒难以适配实时性要求较高的田间应用场景。后续可通过添加随机裁剪、亮度扰动等数据增强扩充难分类样本换用yolov8s等更大模型提升精度采用TensorRT量化优化推理速度补充小目标棉铃的标注样本进一步优化模型性能与部署效率。随项目附带的源码文件结构说明随项目附带的设计说明书docx缩略图下载地址https://mbd.pub/o/bread/YZaTm5dpaw