1. 项目背景与核心价值
去年帮农科院做病虫害监测时，我深刻体会到传统人工巡检的效率瓶颈。在30亩的实验田里，三个技术员每天工作8小时只能完成60%区域的物种记录，而漏检的角落往往就是虫害爆发的重灾区。这个基于YOLOv5的农场多物种检测系统，正是为解决这类痛点而生。
这个毕业设计级别的项目，用不到2000行代码实现了从数据标注到Web部署的完整流程。特别适合计算机视觉入门者练手，也完全能作为农业科技公司的POC方案。实测在RK3588开发板上能达到17FPS的检测速度，对草莓、番茄等经济作物的常见病虫害识别准确率超85%。
2. 技术架构解析
2.1 为什么选择YOLOv5
相比Faster R-CNN等两阶段检测器，YOLO的单阶段特性使其在农场场景更具优势：
- 实时性：在Jetson Nano上处理640x640图像仅需23ms
- 轻量化：最小的YOLOv5s模型仅7.3MB
- 多尺度检测：适应作物近景特写和远景监控
我们特别选用v5.0版本而非最新的v8，因为：
- 社区生态更成熟（80%的农业检测论文基于v5改进）
- 对TensorRT的支持更稳定
- 自定义数据集的训练曲线更平滑
2.2 数据流水线设计
2.2.1 数据采集要点
- 使用华为Mate40 Pro拍摄时，建议关闭AI增强（会改变真实色彩）
- 不同时段采集：清晨露珠/正午强光/傍晚逆光各占30%
- 背景复杂度控制：单张图像包含3-5个目标物最佳
2.2.2 LabelImg标注技巧
# 修改标注保存路径（避免C盘爆满） python labelImg.py --savedir D:/farm_dataset/labels标注时特别注意：
- 叶片病害标注要包含1cm健康边缘
- 昆虫类需完整包含触角
- 使用"crop_"前缀区分类似物种（如crop_corn, crop_wheat）
2.3 模型训练实战
2.3.1 环境配置避坑指南
# 实测稳定的环境组合 torch==1.8.0+cu111 torchvision==0.9.0+cu111 # 必须安装的依赖 pip install pycocotools>=2.02.3.2 关键训练参数
# data/farm.yaml nc: 12 # 我们定义的12类农作物/害虫 anchors: [10,13, 16,30, 33,23] # 针对小型目标优化 # models/yolov5s_farm.yaml depth_multiple: 0.33 width_multiple: 0.50训练命令建议：
python train.py --img 640 --batch 16 --epochs 100 --data farm.yaml --cfg yolov5s_farm.yaml --weights yolov5s.pt --cache重要提示：农业图像建议使用--cache参数，可提升20%训练速度
3. 系统部署方案
3.1 Streamlit Web界面开发
我们摒弃了传统的Flask方案，选择Streamlit的原因：
- 内置的st.image自动适配YOLO的检测结果可视化
- 无需前端知识即可构建专业UI
- 支持实时视频流处理
核心代码结构：
import streamlit as st from detect import run_detection st.set_page_config(layout="wide") uploaded_file = st.file_uploader("上传农田图像") if uploaded_file: results = run_detection(uploaded_file) st.image(results, caption='检测结果')3.2 边缘设备部署
3.2.1 RK3588实战
# 转换ONNX模型 python export.py --weights runs/train/exp/weights/best.pt --include onnx # 使用rknn-toolkit2量化 ./rknn_convert --onnx model.onnx --rknn model.rknn --mean 0,0,0 --std 255,255,255实测性能：
| 设备 | 分辨率 | FPS | 功耗 |
|---|---|---|---|
| RK3588 | 640x640 | 17 | 5W |
| Jetson Nano | 416x416 | 9 | 10W |
| 昇腾310 | 1024x1024 | 23 | 15W |
4. 常见问题解决方案
4.1 数据集问题
症状：验证集mAP@0.5始终低于0.6
排查：
- 检查标注XML文件中width/height是否为0
- 验证图像通道数：
cv2.imread(img).shape应为(高,宽,3)
4.2 训练异常
报错：CUDA out of memory
解决：
# 修改train.py --batch-size 16 -> 8 --img-size 640 -> 5124.3 部署问题
现象：RKNN模型输出乱码
修复：
- 检查预处理是否一致：
# 必须与训练时相同 img = img[:, :, ::-1] # BGR to RGB img = img / 255.0 # 归一化5. 项目扩展建议
- 添加分类分支实现"物种+病态"双输出（需要修改model.yaml）
- 集成OpenCV的跟踪算法实现跨帧计数
- 使用MQTT协议连接农业物联网传感器
- 开发Android端部署版本（可用NCNN框架）
这个项目最让我惊喜的是YOLOv5在农业场景的泛化能力——用草莓数据集训练的模型，对蓝莓病害也有65%的识别率。建议初学者先从200张标注数据开始，逐步迭代到2000张规模，这样的学习曲线最平滑。
