摘要植物病害是影响全球农业生产的主要因素之一及时准确的病害检测对于保障作物产量和品质至关重要。本研究基于YOLO26目标检测算法构建了一个面向30类植物叶部病害的智能检测系统。数据集包含2009张训练图像和246张验证图像涵盖苹果、番茄、葡萄、玉米、马铃薯、草莓等多种经济作物的健康与病害叶片。关键词YOLO26植物病害检测目标检测深度学习农业智能化详细功能展示视频目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景数据集介绍类别详情训练结果Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅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。✅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✅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/GPU10、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植物病害是农业生产中的重要威胁据统计全球每年因植物病害导致的作物减产高达20%-40%给粮食安全和农业经济带来严峻挑战。传统的病害识别方法主要依赖农业专家的肉眼观察和实验室分析不仅耗时耗力且难以满足大规模农田的实时监测需求。随着精准农业理念的推广和智能感知技术的发展基于计算机视觉的自动化病害检测系统逐渐成为研究热点。深度学习技术的突破为图像识别领域带来了革命性变化。其中卷积神经网络CNN在图像分类、目标检测和分割任务中展现出卓越性能。YOLOYou Only Look Once作为一阶段目标检测算法的代表以其端到端训练、检测速度快、适合实时应用等优势已被广泛应用于农业场景如果实计数、杂草识别、病虫害检测等。本研究旨在基于YOLO26目标检测框架构建一个覆盖30类常见植物叶部病害的智能检测系统。通过对多类别、样本不平衡条件下的模型性能进行全面评估分析其在复杂农业环境下的适用性为后续研究和实际应用提供实验基础和优化方向。背景植物病害的自动化检测是智能农业和精准植保的关键技术之一。传统的植物病害识别主要依靠农业专家的经验判断存在主观性强、效率低下、无法实时响应等问题。随着图像采集设备如无人机、智能手机、田间摄像头的普及基于图像的自动化检测方法逐渐成为主流解决方案。在深度学习方法中YOLO系列算法因其优异的检测速度和精度而备受关注。YOLO26将目标检测视为回归问题通过单次前向传播即可同时预测目标位置和类别避免了传统两阶段方法如Faster R-CNN中区域提案的复杂计算更适合实时应用场景。近年来YOLOv5、YOLOv8等改进版本在农业图像识别任务中取得了显著成果如水稻病害检测、苹果叶病识别、葡萄园病虫害监测等。然而植物病害检测任务仍面临诸多挑战数据不平衡部分病害样本稀缺模型难以充分学习其特征类间相似性不同病害或健康叶片在视觉上可能高度相似增加分类难度环境复杂性光照变化、背景干扰、叶片遮挡等因素影响检测鲁棒性。因此构建一个覆盖多类别、具有良好泛化能力的植物病害检测系统对于推动农业智能化发展具有重要意义。数据集介绍本研究使用的植物叶片数据集包含30个类别涵盖多种经济作物的健康叶片及其常见病害。数据集总图像数量为2255张其中训练集2009张验证集246张按照约9:1的比例划分。类别详情数据集包含以下30类类别名称类别名称类别名称Apple Scab LeafApple leafApple rust leafBell_pepper leaf spotBell_pepper leafBlueberry leafCherry leafCorn Gray leaf spotCorn leaf blightCorn rust leafPeach leafPotato leaf early blightPotato leaf late blightPotato leafRaspberry leafSoyabean leafSoybean leafSquash Powdery mildew leafStrawberry leafTomato Early blight leafTomato Septoria leaf spotTomato leaf bacterial spotTomato leaf late blightTomato leaf mosaic virusTomato leaf yellow virusTomato leafTomato mold leafTomato two spotted spider mites leafgrape leaf black rotgrape leaf训练结果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 K2MuSGD 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