基于yolov11的松材线虫病的深度识别

总览

到目前为止，我们基于yolov11的深度学习模型，搭建了一个能简单识别松材线虫病的网站，没有什么深入的东西，感觉都很框架。

下次得好好想想有一些创造性的变动了。

项目实现

收集数据

收集到有约5000个数据的现有数据集

环境搭建

进入yolov11的虚拟环境

训练配置

from ultralytics import YOLO

# 加载模型（建议使用更大尺度的模型）
model = YOLO("yolo11m.pt")  # 使用中尺度模型

# 训练配置
results = model.train(
    data='../datasets/pine/data.yaml',
    epochs=100,              # 增加训练轮次
    imgsz=640,
    batch=16,
    # 数据增强参数
    hsv_h=0.015,            # 色调增强
    hsv_s=0.7,              # 饱和度增强
    hsv_v=0.4,              # 明度增强
    translate=0.1,          # 平移增强
    scale=0.5,              # 缩放增强
    fliplr=0.5,             # 水平翻转
    mosaic=1.0,             # Mosaic增强
    # 学习率参数
    lr0=0.01,               # 初始学习率
    lrf=0.01,               # 最终学习率系数
    # 优化器参数
    optimizer='AdamW',      # 使用AdamW优化器
    weight_decay=0.05,      # 权重衰减
    # 训练策略
    warmup_epochs=3,        # 热身epochs
    patience=20,            # 早停等待
    save=True,              # 保存检查点
    save_period=5,          # 每5epoch保存一次
    plots=True,             # 生成训练曲线
    # 损失权重（如果支持）
    box=7.5,                # 边界框损失权重
    cls=0.5,                # 分类损失权重
    dfl=1.5,                # 分布焦点损失权重
)

项目成果

网页

可以根据上传的图片返回检测结果

内容为图片中检测到坏死的树以及坏死的树有几棵。