【报告+源码】基于YOLO11+Flask的麦穗检测系统

本文涉及的全部源码、训练好的模型权重、数据集、配套文档已整理打包文末附下载链接方便读者一键复现与二次开发。开发目的本项目选择小麦麦穗检测任务核心动机源于农业生产与研究中对麦穗精准计数、长势监测的实际需求当前田间麦穗统计多依赖人工效率低且易受主观误差影响而小麦麦穗作为作物产量估算、病虫害监测的关键指标精准检测的自动化工具缺口明显。本次采用的数据集包含4557张标注图片其中训练集3190张、验证集911张仅标注“麦穗”一类目标数据贴合田间实际场景的麦穗形态为模型训练提供了针对性的样本支撑能有效解决密集、轻微遮挡麦穗的识别难题基于该数据集训练的模型实际mAP0.5达到0.906具备较高的检测精度潜力。技术路线选择YOLO11FlaskLayui的组合YOLO11作为轻量型目标检测模型具备优异的实时检测能力对小目标及密集目标的识别精度适配麦穗检测的需求Flask是轻量的Python Web框架无需复杂配置即可快速搭建后端服务负责模型推理、请求处理等核心逻辑Layui作为简洁的前端框架能快速构建直观的图片上传、结果展示界面三者契合度高既保证了检测的实时性又简化了系统的部署与交互流程适合面向农业场景的快速落地应用。系统效果的验证将围绕模型性能与系统可用性展开主要在本次数据集对应的测试子集上进行评估核心指标包括模型的平均精度均值mAP0.5同时统计单张图片的推理速度还会人工观察检测结果的漏检、误检情况尤其是对密集、遮挡麦穗的识别效果确保系统能稳定、准确地完成小麦麦穗的检测任务为后续的农业应用提供可靠的技术支撑。YOLO11 介绍YOLO11是Ultralytics团队推出的新一代单阶段目标检测模型延续YOLO系列高效精准的特性在工业检测、农业识别等场景具备优异表现。其核心骨干网络采用C3k2骨干搭配C2PSA空间注意力机制C3k2在YOLOv8的C2f结构基础上优化了残差分支减少冗余计算的同时强化了局部特征提取能力而C2PSA则将空间注意力融入骨干的特征映射过程让网络更聚焦于麦穗这类目标的关键区域梯度流传递更为顺畅避免了深层网络常见的梯度消失问题参数效率相较前代骨干提升约12%适配小麦麦穗这类中小目标的特征捕捉需求。在特征融合层Neck方面YOLO11延续SPPF与PAN-FPN结合的多尺度融合架构通过调整跨层特征的交互通道将浅层网络的细节特征对应田间中小麦穗的轮廓与深层网络的语义特征对应成熟大穗的整体形态进行高效融合这一结构对小麦麦穗检测尤为关键——田间麦穗存在不同生长阶段的尺度差异多尺度特征融合能有效提升不同大小麦穗的检测召回率减少因尺度变化导致的漏检。检测头采用解耦设计将分类与回归任务的分支完全分离分类分支专注于识别“麦穗”这一单一类别无需在多类别间分散注意力回归分支则聚焦于精准框定麦穗的边界避免了分支任务间的干扰大幅提升了定位精度尤其适配田间密集生长的麦穗场景减少相邻麦穗的框定误差。相较于YOLOv8和YOLOv10YOLO11的关键改进体现在三方面一是骨干结构升级用C3k2C2PSA替代前代骨干参数减少约10%但特征提取精度提升二是特征融合优化调整PAN-FPN的特征传递路径让多尺度特征的利用率提升约8%三是检测头解耦更彻底分支损失函数的适配性优化使训练收敛速度加快约15%更适配中小数据集的训练需求。本项目选择基础权重yolo11s.pt因s型模型参数规模适中平衡了检测精度与部署效率适配小麦麦穗单一类别检测的需求输入分辨率定为640×640该尺寸既保证了中小麦穗的细节特征可被有效捕捉又能满足Flask服务端的实时推理需求训练轮数设为120轮结合本数据集的规模120轮可让模型充分收敛避免过拟合或欠拟合确保检测性能稳定。系统设计数据集本项目使用的数据集为真实场景下采集的小麦麦穗检测数据集图像专用于小麦麦穗检测数据集检测任务。数据图像来自实际现场拍摄覆盖了多种典型场景确保了数据的真实性与多样性。数据集共包含4557 张已标注图像具体划分为训练集3190 张图像验证集911 张图像测试集456 张图像数据集共包含1 个检测类别[‘wheat’]数据集各类别数目分布情况如下部分图像及标注如下图所示YOLO 在进行模型训练时会读取data.yaml文件中的训练集、验证集路径以及检测类别信息。本文数据集的data.yaml内容如下train:C:\Users\zex\Downloads\Wheat.v1i.yolov8\train\imagesval:C:\Users\zex\Downloads\Wheat.v1i.yolov8\valid\imagesnc:1names:[wheat]# 麦穗模型训练本文基于YOLO11进行模型训练。首先安装 Ultralyticspipinstallultralytics训练脚本基于YOLO类封装核心代码如下fromultralyticsimportYOLOif__name____main__:modelYOLO(yolo11s.pt)model.train(data./data.yaml,imgsz(640,640),workers1,batch16,epochs120)模型常用训练超参数说明epochs训练轮数本文设置为120batch批次大小本文设置为16imgsz输入图像尺寸本文设置为[640, 640]optimizer优化器本文使用auto训练后评估模型训练完成后必须对其性能进行科学评估以判断其在实际应用中的可靠性。常用的评估指标包括精确率-召回率曲线PR曲线和平均精度mAP。本文训练过程的 loss/metrics 曲线如下图所示PR 曲线描述了在不同置信度阈值下模型的精确率Precision与召回率Recall之间的关系。精确率Precision预测为正类的样本中实际为正类的比例PrecisionTPTPFPPrecision \frac{TP}{TP FP}PrecisionTPFPTP​召回率Recall实际为正类的样本中被正确预测为正类的比例RecallTPTPFNRecall \frac{TP}{TP FN}RecallTPFNTP​mAPmean Average Precision所有类别 Average Precision 的平均值是衡量模型综合性能的核心指标。mAP0.5IoU 阈值为 0.5 时的 mAP反映较宽松匹配下的检测精度。mAP0.5:0.95IoU 阈值从 0.5 到 0.95 步进 0.05 的平均 mAP更严格反映高精度匹配下的整体表现。本文模型目标检测的mAP0.5 0.906mAP0.5:0.95 0.518Precision 0.904Recall 0.845。混淆矩阵如下模型推理使用训练好的best.pt进行推理支持图片、视频和摄像头三种检测模式。以下是三种模式的核心代码1图片推理fromultralyticsimportYOLO# 加载训练好的模型modelYOLO(weights/best.pt)# 对图片进行推理resultsmodel(test.jpg)# 可视化检测结果并保存res_plottedresults[0].plot()importcv2 cv2.imwrite(result.jpg,res_plotted)2视频推理importcv2fromultralyticsimportYOLO modelYOLO(weights/best.pt)capcv2.VideoCapture(test.mp4)whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame)annotatedresults[0].plot()cv2.imshow(YOLO Detection,annotated)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()3摄像头实时检测importcv2fromultralyticsimportYOLO modelYOLO(weights/best.pt)capcv2.VideoCapture(0)# 0 表示默认摄像头whilecap.isOpened():ret,framecap.read()ifnotret:breakresultsmodel(frame)annotatedresults[0].plot()cv2.imshow(Live Detection,annotated)ifcv2.waitKey(1)0xFFord(q):breakcap.release()cv2.destroyAllWindows()系统 UI 设计本系统基于Flask框架采用蓝图模式划分模块将用户管理、检测任务、模型配置等功能拆分为独立蓝图如user_bp、detect_bp、model_bp实现路由逻辑的清晰组织。为完成模型推理与Web服务的解耦系统将小麦麦穗检测的核心推理逻辑封装为独立服务层detect_service仅通过定义好的接口与Flask路由层交互避免业务逻辑与Web请求上下文耦合便于模型迭代或单元测试数据库采用SQLite存储用户信息、检测记录等轻量数据通过SQLAlchemy实现ORM操作简化数据交互。前端基于Layui经典模块化框架开发充分利用其表格、表单、上传等组件实现核心功能。检测记录页面使用Layui table组件配置分页、排序、筛选功能自动加载后端返回的检测列表用户管理页面借助form组件完成用户增删改操作内置表单验证规则确保输入合法性图片/视频上传则调用Layui upload组件指定后端上传接口后通过AJAX异步提交文件前端通过layui的ajax模块与后端RESTful接口通信接收JSON格式的返回数据后动态渲染至页面无需刷新整个页面提升交互流畅度。从用户上传到结果渲染的完整时序为用户选择上传图片、视频或开启摄像头实时检测前端通过Layui上传组件/媒体流API获取资源异步发送至后端对应接口后端接收资源后调用detect_service完成推理返回包含image_id、detections每个麦穗的坐标、置信度等的JSON结果前端接收结果后根据图片/视频帧的原始尺寸与Canvas绘制尺寸的比例将检测框坐标转换为Canvas坐标系通过Canvas API绘制边界框与置信度标注实时检测场景下前端会持续向后端发送视频帧后端推理后返回结果前端实时更新Canvas内容检测完成后自动将记录保存至SQLite并刷新前端列表。系统核心配置集中于config.py模型权重路径、GPU/CPU推理模式、上传文件存储路径、SQLite数据库地址等关键参数均在此定义推理时自动检测环境是否支持CUDA切换对应推理设备部署阶段生产环境采用Gunicorn作为WSGI服务器静态资源Layui库、上传文件通过Flask静态文件路由或Nginx代理确保服务稳定性。系统主界面如下图所示系统功能基于训练好的目标检测模型本系统具备以下核心功能1. 多模式检测支持图片上传检测单张/批量视频文件上传检测本地摄像头实时检测2. 可调节推理参数用户可动态调整置信度阈值conf用户可动态调整 IoU 阈值3. 可视化检测结果在图像/视频上绘制边界框和类别标签实时显示目标位置、目标总数、置信度、用时等信息4. 结构化结果输出表格展示每个检测目标的序号、类别、置信度和坐标统计每类目标的检测总数支持将检测结果保存为 CSV 文件5. 跨设备兼容自动判断是否支持 GPU优先使用 GPU 加速支持主流浏览器访问Chrome / Edge / Firefox总结本项目基于YOLO11构建小麦麦穗检测系统全流程覆盖先完成4557张小麦图像的麦穗标注按3190/911拆分为训练集与验证集转换为YOLO格式标注文件以yolo11s.pt为预训练权重设置120轮训练、batch16、输入分辨率640×640、自动优化器完成模型训练最终基于Flask搭建Web可视化检测系统支持上传图像并实时返回麦穗检测结果。实际效果方面模型单类检测的Precision达0.904、Recall达0.845mAP0.5为0.906整体对可见麦穗的识别准确率较高但mAP0.5:0.95仅0.518对不同尺度麦穗的检测一致性不足。训练与部署中存在典型难点小麦田背景的阴影、杂草易与麦穗特征重叠导致少量误检小尺度麦穗如灌浆初期的细穗样本占比低漏检率偏高Flask单实例部署时高分辨率图像推理延迟约0.3s并发场景下响应稳定性待提升。后续可从三方面优化数据层面补充小目标样本并采用Mosaic增强模型层面尝试更大规模YOLO11或轻量化模型平衡精度与速度部署层面引入Gunicorn多进程提升并发能力结合TensorRT量化加速推理。随项目附带的源码文件结构说明随项目附带的设计说明书docx缩略图下载地址https://mbd.pub/o/bread/YZaTmp9wZA