使用YOLOv8分类模型进行迁移训练对农作物病虫害识别分类

YOLO模型能够进行图像检测、分类、分割、追踪等多种任务，我们将使用YOLO的分类模型进行一个十分基础的苹果叶片病虫害识别。

本文使用的pytorch版本为2.3.0+cu121

YOLOv8模型准备

首先为了能够调用yolo模型，我们首先要安装ultralytics库，直接使用pip安装即可：

pip install ultralytics

然后我还需要到官网下载yolo的预训练模型

yolov8预训练的分类模型主要有n、s、m、l、x五种，五种模型预测准确率不同，相应的内存与运算时间也不同，yolov8n内存最小、运算时间最快，但相应的准确率也较低，这里我选择的是yolov8m-cls预训练模型，大家可以根据自己的设备性能选择适合自己的预训练模型。

数据准备

本文使用的苹果叶片数据集总共有10种类别，每一种类别都代表着一种病害

yolo模型所要求的数据集格式类似于：

- 数据集/

- train/

- class1/

- class2/

- val/

- class1/

- class2/

- test/

- class1/

- class2/

 我们需要把数据集划分为train、valid和test三个文件夹，然后在每个文件夹下，再把图片数据划分到相应的类别（class1、class2）文件夹中。

我在这里使用的苹果叶片数据集已经以8：1：1的比例划分好了训练集、验证集和测试集，下载链接等下会放在文末。

训练模型

下面我们将开始训练模型

首先，导入需要的库

from ultralytics import YOLO

from torchvision.datasets import ImageFolder

from torchvision.transforms import ToTensor, Resize, Compose

from torch.utils.data import DataLoader

from sklearn.metrics import accuracy_score

import os

本人在训练的时候，遇到过 Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized这样的报错，据说是因为多个科学计算库不兼容导致的，因此我在文件中添加了下面代码，如果大家没有这样的问题可以不用理会

os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'

随后加载刚刚下好的预训练模型

model = YOLO('yolov8m-cls.pt')

然后就可以开始训练模型了

model.train(data="apple_dataset", epochs=50, imgsz=640)

data参数填你的数据集目录，注意：这里的apple_dataset应该是包含train、val、test三个文件夹的。

epochs参数为训练的周期，这里设置为50

imgsz为用来训练模型的图像大小，即模型会将图片重新缩放为imgsz的大小，这里我设置为640。imgsz会在一定程度上影响模型的预测准确率，imgsz越大，相应的准确率也会变高，但相应的训练速度也会变慢，所需内存也会变多。如果内存不足的话，大家可以把imgsz设置为448或256。

随后模型就会开始训练了

模型训练完成后会在当前目录下创建一个runs文件夹，里面的classify中记录了每次分裂模型训练的有关文件。

其中args.yaml记录了这次训练所设置的模型参数；confusion_matrix则是混淆矩阵，可以用来评估模型；events.out.tfevents开头的文件则是tensorboard的日志文件，可以通过加载这个文件来查看训练过程中超参数、模型损失等数据的变化；其他的还包括一些训练过程中每个batch具体的训练图片以及验证过程中的验证结果。

weight文件夹则是模型最后一个epoch时的checkpoint和模型表现最好的checkpoint。

测试模型

模型训练完毕后，我们可以看看模型在测试集上的表现

test_dir = "apple_datasettest"

transform = Compose([

Resize((640, 640)),

ToTensor(),

])

test_datasets = ImageFolder(test_dir, transform=transform)

test_dataloader = DataLoader(test_datasets, batch_size=1, shuffle=False)

preds = []

labels = []

for batch in test_dataloader:

img, label = batch

result = model.predict(img, verbose=False)

preds.append(result[0].probs.top1)

labels.append(label.item())

accuracy = accuracy_score(preds, labels)

print(f'Accuracy: {accuracy * 100:.2f} %')

可以看到模型在最后测试集的准确率上由99%，说明结果还不错

我们还可以随便选择一张图片，看看模型具体的预测结果

predict_img = "apple_datasettestBlack rotBlack rot (29).JPG"

predict_result = model.predict(predict_img, imgsz=640)

labels = predict_result[0].names

predictt_label = predict_result[0].probs.top5

predict_probility = predict_result[0].probs.top5conf.cpu().numpy()

for i in range(5):

print(f"是{labels[predictt_label[i]]}的概率为{predict_probility[i] * 100:.2f}%")

 最后的预测结果符合真实结果。

完整代码如下：

from ultralytics import YOLO

from torchvision.datasets import ImageFolder

from torchvision.transforms import ToTensor, Resize, Compose

from torch.utils.data import DataLoader

from sklearn.metrics import accuracy_score

import os

//os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'

model = YOLO('yolov8m-cls.pt')

model.train(data="apple_dataset", epochs=50, imgsz=640)

// 预测数据

test_dir = "apple_datasettest"

transform = Compose([

Resize((640, 640)),

ToTensor(),

])

test_datasets = ImageFolder(test_dir, transform=transform)

test_dataloader = DataLoader(test_datasets, batch_size=1, shuffle=False)

preds = []

labels = []

for batch in test_dataloader:

img, label = batch

result = model.predict(img, verbose=False)

preds.append(result[0].probs.top1)

labels.append(label.item())

accuracy = accuracy_score(preds, labels)

print(f'Accuracy: {accuracy * 100:.2f} %')

// 预测图片

predict_img = "apple_datasettestBlack rotBlack rot (29).JPG"

predict_result = model.predict(predict_img, imgsz=640)

labels = predict_result[0].names

predictt_label = predict_result[0].probs.top5

predict_probility = predict_result[0].probs.top5conf.cpu().numpy()

for i in range(5):

print(f"是{labels[predictt_label[i]]}的概率为{predict_probility[i] * 100:.2f}%")

使用的苹果叶片数据集：

链接: https://pan.baidu.com/s/1_FO_005Q6i-nzR-Apx2I2Q?pwd=8mig 提取码: 8mig 

本文只是使用yolo模型完成了一个简单的数据分类任务，大家感兴趣的话可以深入了解一下yolo模型。除了分类任务外，yolo模型在目标检测和目标追踪等任务上也具有不错的表现。

相关知识

使用迁移学习对花卉进行分类
基于深度学习的农作物害虫检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的玉米病虫害检测系统（Python+PySide6界面+训练代码）
农作物病虫害识别进展概述
基于深度学习的玉米病虫害检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
YOLOv8系列】（七）毕设实战：YOLOv8+Pyqt5实现鲜花智能分类系统
智能识别花生病虫害：应用迁移学习与CNN
农作物病虫害识别技术的发展综述
基于深度学习的田间杂草检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习的植物叶片病害识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）

网址: 使用YOLOv8分类模型进行迁移训练对农作物病虫害识别分类 https://www.huajiangbk.com/newsview504798.html