【大作业-13】手把手教你使用YOLOV5做麦穗计数

基于深度学习的麦穗计数统计系统:YOLOv10 + UI界面 + 数据集 YOLO(You Only Look Once)是一种基于卷积神经网络(CNN)的目标检测算法。YOLOv10是YOLO系列的最新版本,进一步优化了速度和准确性,适合应用于复杂场景中的实时目标检测。YOLOv10与之前版本相比,在处理高分辨率图像时具有更强的精度和速度。YOLOv10的核心思想是将目标检测问题转化为回归问题,直接预测图像中所有目标的位置和类别。高精度:YOLOv10采用了先进的卷积神经网络架构,在精度上进行了优化。实时检测:YOLOv10可以在高帧率下进行目标检测,适用于实时任务。 阅读详情
AI摘要

本文介绍如何将YOLOV5深度学习算法应用于小麦穗计数,从前期准备到环境配置、数据集准备、训练与测试,直至实现图形化程序展示,全程手把手教学。

小麦是世界上种植地域最广、面积最大及产量最多的粮食作物,2021年世界小麦使用量达到7.54亿吨。小麦产量的及时预估对作物生产、粮食价格及粮食安全产生重大影响,单位面积穗数是小麦产量预估研究中的难点及重中之重。当前,人工估产方法依据专家目测估计产量,准确率得不到保证。取样估产方法通过采集部分区域,进行人工计数、称重,费时费力。随着计算机视觉技术的发展,大量研究致力于统计单幅图像中麦穗数进而实现估产,此类研究利用卷积神经网络强大的特征自学习能力,对麦穗进行特征提取,通过大量数据训练模型,进而成功实现对图像中麦穗计数,为后续小麦估产提供数据参考。然而部分现有的麦穗计数研究基于通用的原始计数网络,未考虑小麦尺度不一、密集等特点进行优化,准确率有待提升。

本期我们将深度学习算法YOLOV5和农业进行结合,通过目标检测的方式来统计一片区域中的麦穗数量。废话不多说,先看效果。

image-20230322214806157

val_batch1_pred

PR_curve_wheat

注意事项

  1. 尽量使用英文路径,避免中文路径,中文路径可能会导致代码安装错误和图片读取错误。
  2. pycharm运行代码一定要注意左下角是否在虚拟环境中。
  3. 库的版本很重要,使用本教程提供的代码将会事半功倍

前期准备

电脑的基础设置以及软件的安装这边不再做赘述,前期的准备工作参考下面博客的内容。

【2023-Pytorch-检测教程】手把手教你使用YOLOV5做电线绝缘子缺陷检测_肆十二的博客-CSDN博客

环境配置

OK,来到关键环境配置的部分,首先大家下载代码之后会得到一个压缩包,在当前文件夹解压之后,进入CMD开始我们的环境配置环节,大家这里应该是yolov5-wheat,我这边用的之前的图,项目名称上有一些差别,大家注意在你麦穗计数的文件中打开即可。

image-20230315150456715

为了加快后期第三方库的安装速度,我们这里需要添加几个国内的源进来,直接复制粘贴下面的这些指令到你的命令行即可。

conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

执行完毕大概是下面这个样子,后面你就可以飞速下载这些库了。

image-20230315150835331

创建虚拟环境

首先,我们需要根据我们的项目来创建一个虚拟环境,通过下面的指令创建并激活虚拟环境。

我们创建一个Python版本为3.8.5,环境名称为yolo的虚拟环境。

conda create -n yolo python==3.8.5
conda activate yolo

image-20230318200231348

切记!这里一定要激活你的虚拟环境,否则后续你的库会安装在基础环境中,前面的小括号表示你处于的虚拟环境。

Pytorch安装

注意Pyotorch和其他库不太一样,Pytorch的安装涉及到conda和cudnn,一般而言,对于30系的显卡,我们的cuda不能小于11,对于10和20系的显卡,一般使用的是cuda10.2。下面给出了30系显卡、30系以下显卡和cpu的安装指令,请大家根据自己的电脑配置自行下载。笔者这里是3060的显卡,所以执行的是第一条指令。

conda install pytorch==1.10.0 torchvision torchaudio cudatoolkit=11.3 # 30系列以上显卡gpu版本pytorch安装指令
conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 10系和20系以及mx系列的执行这条
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly # CPU的小伙伴直接执行这条命令即可

安装之后,可以和笔者一样,输入下面的指令测试以下gpu是否可用,如果输出的是true表示GPU是可用的。

image-20230315152204221

其余库安装

其余库的安装就非常简单了,我们通过pip来进行安装,注意这里一定要确保你执行的目录下有requirements.txt这个文件,否则你将会遇到文件找不到的bug,你可以通过dir指令来查看是否有这个文件。

pip install -r requirements.txt

image-20230318200435082

Pycharm中运行

一是为了查看代码方便,二是为了运行方便,这里我们使用Pycharm打开项目,点击这里右键文件夹直接打开项目即可非常方便。

打开之后你将会看到这样的一个界面,其中左侧是文件浏览器,中间是编辑器,下方是一些工具,右下角是你所处的虚拟环境 。

image-20230318200610541

之后,我们就需要为当前的项目选择虚拟环境了,这一步非常重要,有的兄弟配置好了没选环境,你将会遇到一堆奇怪的bug,选环境的步骤如下。

首先点击,添加解释器。

image-20230315153552702

三步走选择我们刚才创建的虚拟环境,点击ok。

image-20230315153636384

image-20230315153728665

之后你可以你可以右键执行main_window.py这个文件,出现下面的画面说明你就成功了。

image-20230315153838054

数据集准备

数据集这里我放在了CSDN中,大家可以执行标注准备数据集,或者使用这里我处理好的数据集,数据集下载之后放在和代码目录同级的wheat_yolo_format目录下。

image-20230322214906698

数据集打开之后你将会看到两个文件夹,images目录存放图片文件,labels目录存放标签文件。

image-20230322215024502

之后记住你这里的数据集路径,在后面的训练中我们将会使用到,比如笔者这里的F:/new_project/02mai/wheat_yolo_format。

训练和测试

注:这里你可以选择去自己尝试以下,笔者在runs的train目录下已经放了训练好的模型,你是可以直接使用。

下面就是训练的过程,笔者这里已经将数据集和模型的配置文件写好了,你只需要将数据集中的数据路径替换成你的路径,执行go_train.py即可开始训练了。

image-20230322215255658

执行go_train.py文件中,包含三条指令,分别表示yolov5中small模型、medium模型和large模型,比如我这里要训练s模型,我就将其他两个模型训练的指令注释掉就好了。

image-20230315155028259

运行之后,下方会输出运行的信息,这里的红色只是日志信息,不是报错,大家不要惊慌。

image-20230315155258835

以笔者这里的s模型为例,详细含义如下。

image-20230315155441956

如果大家要测试的话就使用go_test.py,其中三行分别表示s模型、m模型和l模型的测试指令。

image-20230322215456308

测试结果如下:

image-20230322215345896

图形化程序

最后就是执行我们的图形化界面程序了。

image-20230322215558210

直接右键执行window_main.py执行即可,这里上两章效果图。

image-20230322215519120

基于深度学习的麦穗计数统计系统 —— YOLOv8+UI界面+数据集 深度学习是机器学习的一种,通过多层神经网络(特别是卷积神经网络,CNN)自动从数据中学习特征,进行任务的分类、回归、分割等。在农业应用中,深度学习被广泛应用于作物检测、病虫害识别、果实计数等任务。通过训练深度神经网络,能够自动识别并统计作物的数量、位置等信息,替代传统人工方法。YOLO(You Only Look Once)是一个高效的实时目标检测模型,最早由Joseph Redmon等人提出。YOLOv8是该系列的最新版本,相较于前几个版本,YOLOv8在速度和精度上都得到了显著提升。 阅读详情

相关推荐

基于深度学习的麦穗计数统计系统:YOLOv8 + UI界面 + 数据集

麦穗计数统计系统的核心是通过深度学习模型进行自动化检测。数据集准备与处理:收集包含麦穗图像的数据集,并进行标注。YOLOv8模型训练与调优:使用YOLOv8模型进行麦穗的检测训练。UI界面设计与实现:设计并开发用户友好的界面,支持用户上传图像并显示检测结果。本文介绍了如何基于YOLOv8模型实现一个麦穗计数统计系统,涵盖了数据集准备、模型训练、UI界面设计等多个方面。通过该系统,用户可以轻松地上传麦田图像,快速获得麦穗数量,极大地提高了农业生产中的工作效率。

YOLO 580

YOLOv5实现目标分类计数并显示在图像上

本文将详细介绍如何使用YOLOv5在图片、视频、实时检测中实现分类计数并显示在图像上。

Albert_yeager的博客 1万+

基于深度学习的YOLOv5麦穗计数统计系统

数据集准备与构建:收集和标注包含麦穗的图像数据集。YOLOv5模型训练:使用YOLOv5对麦穗进行检测与计数。麦穗计数与识别:通过训练好的YOLOv5模型对图像中的麦穗进行计数。图形用户界面(UI)设计:设计并实现一个简单直观的UI,使用户可以通过上传图像并实时查看检测与计数结果。本博客介绍了如何基于YOLOv5和深度学习技术开发一个麦穗计数统计系统。通过设计简单易用的UI,用户可以方便地上传麦穗图像并实时进行检测和计数。

YOLO 530

【多目标跟踪与计数】(一)YOLOV5实战口罩识别

项目概述 ​ 本篇介绍本实战系列的第一篇——YOLOV5的基本原理及实践,作为对工业界最友好的检测网络,本次主要讲解其原理以及如何训练自己的数据集;会主要结合源码进行讲解,像一些检测相关的基础知识不在这过多介绍,V5版本是基于V4进行一系列的消融实验,可以先参考YOLOV4的论文进行初步了解; YOLOV4论文地址:https://arxiv.org/pdf/2004.10934v1.pdf 本次项目地址:https://github.com/ultralytics/yolov5 一、数据获取 这里推荐

weixin_40620310的博客 7358

【目标检测】基于yolov3的红细胞检测、计数项目(附代码+数据集)

保姆级手把手教程:基于yolov3的红细胞检测、计数项目(附代码+数据集)

学无止境、积少成多、厚积薄发 2039

【目标检测】基于yolov5的钢筋检测和计数(附代码和数据集)

【目标检测】基于yolov5的钢筋检测和计数(附代码和数据集)

学无止境、积少成多、厚积薄发 8693

YOLOv5_6.1检测界面显示计数结果以及ncnn-android-yolov5显示计数结果

YOLOv5_6.1的detect.py文件增加计数代码

zsprb1的博客 4706

【大作业-11】手把手教你使用YOLOV5做电线绝缘子缺陷检测

绝缘子作为输电环节中的重要设备,在支撑固定导线,保障绝缘距离的方面有着重要作用。深度学习技术的大量应用,计算机运算性能的不断提高,为无人机准确识别和定位绝缘子,实时跟踪拍摄开辟了新的解决途径。本文对输电线路中绝缘子进行识别及定位,利用深度学习技术采取基于YOLOv5 算法的目标检测手段,结合绝缘子数据集的特点,对无人机拍摄图片进行训练,实现对绝缘子精准识别和定位,大幅提升无人机巡检时对绝缘子设备准确跟踪、判定的效率,具有十分重要的应用效果。

dejahu的博客 2万+

肆十二大作业系列清单

文章目录第1期:花卉识别第2期:果蔬识别第3期:分类任务通用数据集训练方式第4期:垃圾分类第5期:口罩检测第6期:人脸识别第7期:皮肤病分割第8期:火灾检测第9期:手势识别第10期:Pytorch花卉识别第11期:绝缘子缺陷检测第12期:交通标志检测第13期:麦穗计数第14期:眼底血管分割第15期:舌象分割第16期:海上...

weixin_36472567的博客 2839

玉米粒计数检测数据集VOC+YOLO格式107张1类别.7z

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):107 标注数量(xml文件个数):107 标注数量(txt文件个数):107 标注类别数:1 标注类别名称:["corn"] 每个类别标注的框数: corn 框数 = 2137 总框数:2137 使用标注工具:labelImg 标注规则:对类别进行画矩形框 重要说明:暂无 特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,数据集只提供准确且合理标注 更多信息:https://blog.csdn.net/FL1623863129/article/details/139565793

XTDrone——无人机基于2D激光Lidar进行二维运动规划(细节提醒以及相关报错解决)

本文介绍了在Ubuntu 20.04系统无人机基于ROS Noetic实现HectorSLAM二维激光建图与运动规划的完整流程。主要内容包括:安装必要ROS依赖库;修改HectorSLAM的launch文件,解决坐标系转换问题;配置地图发布参数以避免覆盖已建地图;启动PX4仿真环境与XTDrone通信模块;最后通过2D导航目标点实现无人机运动规划。文中详细说明了各步骤的关键配置修改,并提供了处理常见错误(如TF转换超时)的解决方案。实现了从激光SLAM建图到路径规划的过程。

weixin_45390670的博客 996

基于yolov8目标跟踪+数量统计(源码)

基于yolov8目标跟踪+数量统计,数量统计针对不同类别标签进行分别的统计!

m0_52997190的博客 6578

Halcon实战:5种边缘检测算子对比(Sobel、Roberts、Prewitt、Kirsch、Canny)

本文深入对比了Halcon中Sobel、Roberts、Prewitt、Kirsch和Canny五大边缘检测算子的实战表现与核心差异。通过工业图像实例与代码解析,提供了基于噪声水平、边缘连续性及实时性要求的场景化选型指南,帮助工程师精准选择最适合的算子以优化视觉检测流程。

weixin_29266007的博客 394

YOLOV4目标检测--计数方法draw_detections_v3

YOLOv4检测图片添加置信度和计数 YOLOv4检测图片添加置信度和计数 本文章向大家介绍 YOLOv4检测图片添加置信度和计数 ,主要包括 YOLOv4检测图片添加置信度和计数 使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。 主要修改的image.c文件,在darknet目录下直接ctrl+f搜即可,然后打开,找到draw_detections_v3函数,加入用来计数的变量。(我的改法其实有点问题,如果置信度位数过多的话左上角第二行会重...

u010451780的专栏 2464

谷歌学术用publish-or-perish来对引用量排序

用谷歌学术搜索文献的时候发现不能按照引用量高低进行排序,网上提供了这个软件。 下载地址如下:Publish or Perish (harzing.com)https://harzing.com/resources/publish-or-perish 关于软件界面页面和各种指标的介绍,可以参考中科大的这个PPT: 文献分析软件——publish or perish(精品·公开课件).ppt (book118.com)https://max.book118.com/html/2018/1124/813

m0_48878989的博客 1万+

Dify学习笔记-知识库(六)

Dify学习笔记-知识库

大数据知识梳理 2万+

基于YoloV5的钢筋计数

基于yolov5s.pt yolov5m.pt yolov5l.pt三种网络结构模型的钢筋计数

qq_52893243的博客 6741

海外最新AI营销AI销售书籍推荐AI营销培训讲师AI销售培训讲师人工智能营销培训师人工智能销售培训师AI赋能营销培训AI赋能销售培训企业AI营销内训企业AI销售内训AI营销课程讲师AI销售课程讲师

专栏|AI营销与AI销售实战 · 第46期在这个人类与算法共舞的时代,销售,已经不是你我熟悉的那个“打电话、见客户、做PPT”的老行当了。你还以为销售是“打感情牌”?错了,情感要继续,但方式已经升级。你还以为AI只是“写写文案”?错了,文案只是皮毛,真正的杀器,是思维方式的重构,是认知地图的重绘。首先,我们需要明确一个事实:AI并不会消灭销售这个职业,但它必然会重新定义销售的本质。在销售领域,真正的制胜之道不是简单地采用AI工具,而是的能力。

Akibfrycc的博客 1103

python分析股票期货价格

综合考虑以上因素,可以使用机器学习算法(如回归分析、神经网络、决策树等)来建立模型,并利用历史数据来训练和优化模型。然后,使用该模型来预测未来的期货价格。二、用线性回归预测期货产品价格:线性回归是一种常用的机器学习方法,用于预测连续型变量。在预测期货价格的情境下,我们可以使用历史数据来训练模型,然后使用模型来预测未来价格。请注意,这只是一个简单的实现,实际预测期货价格的模型会更加复杂,并且需要更多的预处理和特征工程。市场供求情况:期货价格受市场供求关系的影响,当供大于求时价格通常会下跌,反之则会上涨。

zgqxmz111的博客 637

matlab 显示曲面网格【2025最新版】

matlab点云工具箱对点云三维重建结果显示的函数。博客长期更新,本文最近更新时间为:2025年9月14日。

点云侠的博客 2581

基于Simulink的占空比调制DTC降低转矩脉动

修改传统SVPWM模块,输入占空比d和有效矢量索引,计算Ton​=d∗Tc​、Toff​=(1−d)∗Tc​,生成对称PWM波形(替代开关表直接输出)。:低速时(n<500rpm)减小dmax​=0.6(避免磁链畸变),高速时(n>2000rpm)增大dmax​=0.8(提升动态响应);kT​/kψ​:转矩/磁链误差增益(需整定,如kT​=0.02/(N⋅m),kψ​=0.1/Wb);(θ为电压矢量与磁链夹角)。② SVM-DTC(占空比计算模块启用,d0​=0.5,kT​=0.02,kψ​=0.1)。

amy_mhd的博客 88

【金融】【pytorch】使用深度学习预测期货收盘价涨跌——LSTM模型构建与训练

【金融】【LSTM】使用LSTM预测期货收盘价涨跌——模型构建与训练LSTM创建模型模型训练查看指标 LSTM 创建模型 指标函数参考《如何用keras/tf/pytorch实现TP/TN/FP/FN和accuracy/sensiivity/precision/specificity/f1-score等评价指标(python)》 # 二、创建LSTM模型 hidden_size = 10 output_size = 2 input_size = miData.shape[1] class RNN(nn.

qq_40690815的博客 2665

深入解析高通SA8775芯片:性能、架构与研发创新趋势

SA8775芯片凭借其强大的CPU、GPU和AI加速能力,能够应对现代智能系统中的复杂计算任务。它不仅适合高性能计算、深度学习应用,也在汽车、智能设备等领域有广泛的应用前景。无论是在自动驾驶系统中,还是在车载信息娱乐和高级嵌入式系统中,SA8775都展现了其出色的计算能力和能效平衡,是现代智能系统的重要硬件基础。SA8775芯片作为高通的高性能处理平台,具有出色的计算和AI加速能力,但也存在一些值得关注的地方。

weixin_43199439的博客 9355

YOLOv5实现目标计数

本文将从实战角度讲解如何使用YOLOv5实现目标计数

Albert_yeager的博客 1万+

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

基于yolov8的麦穗计数系统python源码+onnx模型+评估指标曲线+精美GUI界面

基于YOLOv8的麦穗计数系统是一种利用深度学习技术,特别是YOLOv8目标检测模型,对小麦麦穗进行自动识别和计数的系统。随后,利用这些数据对YOLOv8模型进行训练,使其能够学习到麦穗的特征,并准确地在图像中识别和定位麦穗。在训练完成后,系统可以将待检测的麦穗图像输入到训练好的YOLOv8模型中,模型会输出每个检测到的麦穗的位置和置信度。(2)切换到自己安装的yolov8环境后,并切换到源码目录,执行python main.py即可运行启动界面,进行相应的操作即可。【模型可以检测出类别】

FL1623863129的博客 941

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

基于轻量级yolov5n+CBAM开发构建全球小麦麦穗智能检测计数系统

基于轻量级yolov5n+CBAM开发构建全球小麦麦穗智能检测计数系统

Together_CZ的博客 669
上一篇: 【大作业-12】手把手教你使用YOLOV5做交通标志检测
下一篇: OpenCV利用HSV颜色区间分离不同物体
肆十二
肆十二 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄9年 2万+粉丝 241原创
评论 15
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

肆十二

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值