![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/484516d5d65f422ffde16152b617d863.png)
小麦穗目标检测【数据集】和出处![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/046dd1fd2e2764aee94beee7023ccb6d.png)
yolo小麦检测
包含两种标签：
[1]yolo格式（txt标签）
[2]coco格式（json标签）
一个类别：麦穗
4000张左右，分辨率为1024x1024![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/0ffc1fbb78d4e87f9a4738ad2ae6b416.png)
，包含了如何使用YOLOv8训练小麦穗目标检测的数据集。文档包括数据集准备、模型训练、评估、可视化训练结果、清理临时文件以及推理和显示结果的步骤。
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/6d39a0626ee6a34a928ff15385c69e6e.png)
### 使用 YOLOv8 训练小麦穗目标检测![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/c6a68ca0e5db78604810a5d71d585612.png)

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/aee6ba6b7e1e91bf820f370176f0d5fb.png)
#### 数据集信息

- **类别**: 麦穗
- **图片数量**: 约4000张
- **分辨率**: 1024x1024
- **标签格式**:- YOLO 格式 (txt)
	- COCO 格式 (json)

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-12490569/1b15976696aa9eb3c13bf9789de68a1d.png)
#### 步骤概述

1. **数据集准备**
2. **创建数据集配置文件 (`data.yaml`)**
3. **分割数据集**
4. **训练模型**
5. **评估模型**
6. **可视化训练结果**
7. **清理临时文件**
8. **推理和显示结果**

#### 详细步骤

1. 数据集准备

确保你的数据集已经按照上述格式准备好，并且包含 `images` 和 `labels` 目录。
```
wheat_detection/
├── datasets/
│   └── wheat_dataset/
│       ├── images/
│       │   ├── image1.jpg
│       │   ├── image2.jpg
│       │   └── ...
│       └── labels/
│           ├── image1.txt
│           ├── image2.txt
│           └── ...
└── main.py
```
 2. 创建数据集配置文件 (`data.yaml`)

创建一个 `data.yaml` 文件来配置数据集路径和类别信息。
```
train: ./datasets/wheat_dataset/train/images
val: ./datasets/wheat_dataset/val/images

nc: 1  # 类别数量
names: ['wheat_head']  # 类别名称
```
3. 分割数据集

将数据集分割成训练集和验证集。
```
import os
import random
from pathlib import Path
import shutil

def split_dataset(data_dir, train_ratio=0.8):
    images = list(Path(data_dir).glob('*.jpg'))
    random.shuffle(images)
    
    num_train = int(len(images) * train_ratio)
    train_images = images[:num_train]
    val_images = images[num_train:]
    
    train_dir = Path(data_dir).parent / 'train'
    val_dir = Path(data_dir).parent / 'val'
    
    train_img_dir = train_dir / 'images'
    train_label_dir = train_dir / 'labels'
    val_img_dir = val_dir / 'images'
    val_label_dir = val_dir / 'labels'
    
    train_img_dir.mkdir(parents=True, exist_ok=True)
    train_label_dir.mkdir(parents=True, exist_ok=True)
    val_img_dir.mkdir(parents=True, exist_ok=True)
    val_label_dir.mkdir(parents=True, exist_ok=True)
    
    for img in train_images:
        label_path = img.with_suffix('.txt')
        shutil.copy(img, train_img_dir / img.name)
        shutil.copy(label_path, train_label_dir / label_path.name)
    
    for img in val_images:
        label_path = img.with_suffix('.txt')
        shutil.copy(img, val_img_dir / img.name)
        shutil.copy(label_path, val_label_dir / label_path.name)

# 使用示例
split_dataset('./datasets/wheat_dataset/images')
```
4. 训练模型

使用YOLOv8进行训练。
```
import torch
from ultralytics import YOLO

# 设置随机种子以保证可重复性
torch.manual_seed(42)

# 定义数据集路径
dataset_config = 'data.yaml'

# 加载预训练的YOLOv8n模型
model = YOLO('yolov8n.pt')

# 训练模型
results = model.train(
    data=dataset_config,
    epochs=100,
    imgsz=1024,
    batch=8,
    name='wheat_detection',
    project='runs/train'
)

# 评估模型
metrics = model.val()

# 保存最佳模型权重
best_model_weights = 'runs/train/wheat_detection/weights/best.pt'
print(f"Best model weights saved to {best_model_weights}")
```
 5. 可视化训练结果

可视化训练结果。
```
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/train/wheat_detection/weights/best.pt')

# 可视化训练结果
model.plot_results(save=True, save_dir='runs/train/wheat_detection')
```
6. 清理临时文件

清理不必要的临时文件。
```
import shutil

def clean_temp_files(project_dir):
    temp_dirs = [
        f'{project_dir}/wandb',
        f'{project_dir}/cache'
    ]
    
    for dir_path in temp_dirs:
        if os.path.exists(dir_path):
            shutil.rmtree(dir_path)
            print(f"Removed directory: {dir_path}")

# 使用示例
clean_temp_files('runs/train/wheat_detection')
```
 7. 推理和显示结果

推理和显示结果。
```
from ultralytics import YOLO
import cv2
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

# 7.1 检测单张图片
def detect_image(model, image_path, conf_threshold=0.5):
    results = model.predict(image_path, conf=conf_threshold)[0]
    annotated_frame = annotate_image(image_path, results, model)
    return annotated_frame

def annotate_image(image_path, results, model):
    frame = cv2.imread(image_path)
    for result in results.boxes.cpu().numpy():
        r = result.xyxy[0].astype(int)
        cls = int(result.cls[0])
        conf = result.conf[0]
        
        label = f"{model.names[cls]} {conf:.2f}"
        color = (0, 255, 0)
        cv2.rectangle(frame, (r[0], r[1]), (r[2], r[3]), color, 2)
        cv2.putText(frame, label, (r[0], r[1] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)
    return frame

# 7.2 检测视频
def detect_video(model, video_path, conf_threshold):
    cap = cv2.VideoCapture(video_path)
    frames = []
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
        results = model.predict(frame, conf=conf_threshold)[0]
        annotated_frame = annotate_image(frame, results, model)
        frames.append(annotated_frame)
    cap.release()
    return frames

# 7.3 检测摄像头
def detect_camera(model, conf_threshold):
    cap = cv2.VideoCapture(0)
    frames = []
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        results = model.predict(frame, conf=conf_threshold)[0]
        annotated_frame = annotate_image(frame, results, model)
        frames.append(annotated_frame)
        cv2.imshow('Camera Detection', annotated_frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    cap.release()
    cv2.destroyAllWindows()
    return frames

# 主函数
def main():
    # 加载模型
    model = YOLO('runs/train/wheat_detection/weights/best.pt')
    
    # 动态调整置信度阈值
    conf_threshold = 0.5
    
    # 输入方式选择
    input_type = "Image"  # 可选: "Image", "Video", "Camera"
    
    if input_type == "Image":
        test_image_path = './datasets/wheat_dataset/images/test_image.jpg'
        annotated_image = detect_image(model, test_image_path, conf_threshold)
        cv2.imwrite('annotated_test_image.jpg', annotated_image)
        plt.imshow(cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB))
        plt.axis('off')
        plt.show()
        
        # 统计检测到的物体数量
        results = model.predict(test_image_path, conf=conf_threshold)[0]
        class_counts = {}
        for result in results.boxes.cpu().numpy():
            cls = int(result.cls[0])
            class_name = model.names[cls]
            if class_name in class_counts:
                class_counts[class_name] += 1
            else:
                class_counts[class_name] = 1
        
        print("Detection Summary:")
        for class_name, count in class_counts.items():
            print(f"{class_name}: {count}")
    
    elif input_type == "Video":
        test_video_path = './datasets/wheat_dataset/videos/test_video.mp4'
        frames = detect_video(model, test_video_path, conf_threshold)
        for i, frame in enumerate(frames):
            cv2.imwrite(f'frame_{i}.jpg', frame)
            plt.imshow(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
            plt.axis('off')
            plt.show()
    
    elif input_type == "Camera":
        frames = detect_camera(model, conf_threshold)
        for i, frame in enumerate(frames):
            cv2.imwrite(f'camera_frame_{i}.jpg', frame)
            plt.imshow(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
            plt.axis('off')
            plt.show()

if __name__ == "__main__":
    main()
```
#### 运行脚本

在终端中运行以下命令来执行整个流程：
```
python main.py
```
### 总结

以上文档包含了从数据集准备、模型训练、评估、可视化训练结果、清理临时文件到推理和显示结果的所有步骤。希望这些详细的信息和代码能够帮助你顺利实施和优化你的小麦穗目标检测系统

小麦穗目标检测【数据集】和出处yolo小麦检测包含两种标签：[1]yolo格式（txt标签）[2]coco格式（json标签）一个类别：麦穗4000张左右，分辨率为1024x1024，包含了如何使用YOLOv8训练小麦穗目标检测的数据集。文档包括数据集准备、模型训练、评估、可视化训练结果、清理临时文件以及推理和显示结果的步骤。

如何使用yolov8进行训练小麦头小麦穗目标检测数据集yolo格式（txt标签）4000张左右，分辨率为1024x1024实现评估、可视化训练结果

人工智能

编程语言

开发工具

小麦穗目标检测数据集包含4000张1024x1024分辨率图片，支持YOLO(txt)和COCO(json)两种标签格式。详细教程涵盖数据集准备、YOLOv8模型训练、评估、可视化及推理全流程，提供完整代码实现小麦穗检测系统开发。

代码解释

YOLO

2026上云采购 | AI焕新·智启新局

datainlong

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

如何使用yolov8进行训练小麦头小麦穗目标检测数据集yolo格式（txt标签）4000张左右，分辨率为1024x1024实现评估、可视化训练结果-腾讯云开发者社区-腾讯云

如何使用yolov8进行训练小麦头小麦穗目标检测数据集yolo格式（txt标签）4000张左右，分辨率为1024x1024实现评估、可视化训练结果

如何使用yolov8进行训练小麦头小麦穗目标检测数据集yolo格式（txt标签）4000张左右，分辨率为1024x1024实现评估、可视化训练结果

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐