基于深度学习YOLOv12的杂草检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

一、项目介绍

本项目开发了一套基于最新YOLOv12深度学习算法的杂草检测系统，专门针对农业领域中的杂草识别问题。系统实现了对特定杂草种类"ridderzuring"（酸模属植物）的高效检测，具有以下核心特点：

1. 先进算法架构：采用YOLOv12目标检测框架，该版本在原有YOLO系列基础上进行了多项优化，包括更高效的网络结构、改进的损失函数和更精准的边界框预测机制，显著提升了小目标检测性能。

2. 完整系统集成：项目不仅包含核心检测算法，还开发了用户友好的UI界面、完善的登录注册系统，形成了一套完整的应用解决方案，便于农业工作者直接使用。

3. 专业数据集构建：针对目标杂草种类，收集并标注了2486张高质量图像，按照标准机器学习流程划分为训练集(1661张)、验证集(580张)和测试集(245张)，确保模型训练的科学性和可靠性。

4. 单类别精准检测：系统专注于单一杂草种类"ridderzuring"的识别，通过深度学习模型实现了高精度的检测效果，可应用于精准农业、自动化除草等实际场景。

5. 全栈技术实现：项目提供完整的Python项目源码、预训练模型和部署方案，便于二次开发和实际应用部署。

该系统可广泛应用于现代农业管理，帮助农民和农业企业实现杂草的自动化识别与精准治理，减少除草剂使用，提高农业生产效率，具有显著的经济和生态效益。

目录

一、项目介绍

二、项目功能展示

2.1 用户登录系统

2.2 检测功能

2.3 检测结果显示

2.4 参数配置

2.5 其他功能

3. 技术特点

4. 系统流程

三、数据集介绍

数据组成

数据特点

数据集配置文件

四、项目环境配置

创建虚拟环境

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

🔐登录注册验证

🎯 多重检测模式

🖼️ 沉浸式可视化

⚙️ 参数配置系统

✨ UI美学设计

🔄 智能工作流

七、项目源码(视频简介)

基于深度学习YOLOv12的杂草检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili

二、项目功能展示

✅ 用户登录注册：支持密码检测和安全性验证。

✅ 三种检测模式：基于YOLOv12模型，支持图片、视频和实时摄像头三种检测，精准识别目标。

✅ 双画面对比：同屏显示原始画面与检测结果。

✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。

✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。

✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。

✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。

2.1 用户登录系统

• 提供用户登录和注册功能

• 用户名和密码验证

• 账户信息本地存储(accounts.json)

• 密码长度至少6位的安全要求

2.2 检测功能

• 图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测

• 视频检测：支持MP4/AVI/MOV格式视频的逐帧检测

• 摄像头检测：实时摄像头流检测(默认摄像头0)

• 检测结果保存到"results"目录

2.3 检测结果显示

• 显示原始图像和检测结果图像

• 检测结果表格展示，包含：

  • 检测到的类别

  • 置信度分数

  • 物体位置坐标(x,y)、

2.4 参数配置

• 模型选择

• 置信度阈值调节(0-1.0)

• IoU(交并比)阈值调节(0-1.0)

• 实时同步滑块和数值输入框

2.5 其他功能

• 检测结果保存功能

• 视频检测时自动保存结果视频

• 状态栏显示系统状态和最后更新时间

• 无边框窗口设计，可拖动和调整大小

3. 技术特点

• 采用多线程处理检测任务，避免界面卡顿

• 精美的UI设计，具有科技感的视觉效果：

  • 发光边框和按钮

  • 悬停和按下状态效果

  • 自定义滑块、表格和下拉框样式

• 检测结果保存机制

• 响应式布局，适应不同窗口大小

4. 系统流程

1. 用户登录/注册

2. 选择检测模式(图片/视频/摄像头)

3. 调整检测参数(可选)

4. 开始检测并查看结果

5. 可选择保存检测结果

6. 停止检测或切换其他模式

三、数据集介绍

本杂草检测系统使用专门构建的高质量图像数据集，总样本量为2486张，涵盖多种田间环境和生长阶段的"ridderzuring"杂草样本。数据集经过专业标注和严格划分，确保模型训练的科学性和评估的可靠性。

数据组成

1. 训练集：1661张图像，占总数据集的66.8%

   • 用于模型参数学习和特征提取

   • 包含多样化的场景和杂草表现形态

   • 确保模型学习到鲁棒的特征表示

2. 验证集：580张图像，占总数据集的23.3%

   • 用于训练过程中监控模型性能

   • 辅助超参数调优和模型选择

   • 防止过拟合现象发生

3. 测试集：245张图像，占总数据集的9.9%

   • 用于最终评估模型泛化能力

   • 模拟真实场景下的性能表现

   • 不参与任何训练或调优过程

数据特点

1. 类别特性：

   • 单类别检测：仅包含"ridderzuring"（酸模属，学名Rumex）一类杂草

   • 该杂草是农业常见杂草，对作物生长有显著影响

2. 图像多样性：

   • 多种光照条件（晴天、阴天、不同时段）

   • 不同生长阶段（幼苗期、成熟期）

   • 多样化背景（不同作物田间、土壤类型）

   • 多种拍摄角度和距离

3. 标注质量：

   • 采用专业标注工具进行边界框标注

   • 经过多轮质量检查和修正

   • 标注文件采用标准YOLO格式

数据集配置文件

数据集采用标准化YOLO格式组织：

train: F:\杂草检测数据集\images\train val: F:\杂草检测数据集\images\val test: # test images (optional) nc: 1 names: ['0 ridderzuring']

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov12 python==3.9

激活虚拟环境

conda activate yolov12

安装cpu版本pytorch

pip install torch torchvision torchaudio

安装所需要库

pip install -r requirements.txt

pycharm中配置anaconda

五、模型训练

训练代码

from ultralytics import YOLO model_path = 'yolo12s.pt' data_path = 'data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=100, batch=8, device='0', workers=0, project='runs', name='exp', )

根据实际情况更换模型 # yolov12n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 # yolov12s.yaml (small)：小模型，适合实时任务。 # yolov12m.yaml (medium)：中等大小模型，兼顾速度和精度。 # yolov12b.yaml (base)：基本版模型，适合大部分应用场景。 # yolov12l.yaml (large)：大型模型，适合对精度要求高的任务。

• --batch 8：每批次8张图像。
• --epochs 100：训练100轮。
• --datasets/data.yaml：数据集配置文件。
• --weights yolov12s.pt：初始化模型权重，yolov12s.pt是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO from UiMain import UiMainWindow import time import os from PyQt5.QtWidgets import QDialog from LoginWindow import LoginWindow class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal = pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parent=None): super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running = True def run(self): try: if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头 cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break # 保存原始帧 original_frame = frame.copy() # 检测 results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame = cv2.imread(self.source) if frame is not None: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(f"Detection error: {e}") finally: self.finished_signal.emit() def stop(self): self.running = False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model = None self.detection_thread = None self.current_image = None self.current_result = None self.video_writer = None self.is_camera_running = False self.is_video_running = False self.last_detection_result = None # 新增：保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name = self.model_combo.currentText() self.model = YOLO(f"{model_name}.pt") # 自动下载或加载本地模型 self.update_status(f"模型 {model_name} 加载成功") except Exception as e: QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}") self.update_status("模型加载失败") def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片: {os.path.basename(file_path)}") def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.clear_results() self.is_video_running = True # 初始化视频写入器 cap = cv2.VideoCapture(file_path) frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir, f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频: {os.path.basename(file_path)}") def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return self.clear_results() self.is_camera_running = True # 创建检测线程 (默认使用摄像头0) conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...")

🔐登录注册验证

对应文件：LoginWindow.py

# 账户验证核心逻辑 def handle_login(self): username = self.username_input.text().strip() password = self.password_input.text().strip() if not username or not password: QMessageBox.warning(self, "警告", "用户名和密码不能为空！") return if username in self.accounts and self.accounts[username] == password: self.accept() # 验证通过 else: QMessageBox.warning(self, "错误", "用户名或密码错误！") # 密码强度检查（注册时） def handle_register(self): if len(password) < 6: # 密码长度≥6位 QMessageBox.warning(self, "警告", "密码长度至少为6位！")

🎯多重检测模式

对应文件：main.py

图片检测

def detect_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.start() # 启动检测线程

视频检测

def detect_video(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.video_writer = cv2.VideoWriter() # 初始化视频写入器 self.detection_thread = DetectionThread(self.model, file_path, conf, iou)

实时摄像头

def detect_camera(self): self.detection_thread = DetectionThread(self.model, 0, conf, iou) # 摄像头设备号0 self.detection_thread.start()

🖼️沉浸式可视化

对应文件：UiMain.py

双画面显示

def display_image(self, label, image): q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap = QPixmap.fromImage(q_img) label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio)) # 自适应缩放

结果表格

def add_detection_result(self, class_name, confidence, x, y): self.results_table.insertRow(row) items = [ QTableWidgetItem(class_name), # 类别列 QTableWidgetItem(f"{confidence:.2f}"), # 置信度 QTableWidgetItem(f"{x:.1f}"), # X坐标 QTableWidgetItem(f"{y:.1f}") # Y坐标 ]

⚙️参数配置系统

对应文件：UiMain.py

双阈值联动控制

# 置信度阈值同步 def update_confidence(self, value): confidence = value / 100.0 self.confidence_spinbox.setValue(confidence) # 滑块→数值框 self.confidence_label.setText(f"置信度阈值: {confidence:.2f}") # IoU阈值同步 def update_iou(self, value): iou = value / 100.0 self.iou_spinbox.setValue(iou)

✨UI美学设计

对应文件：UiMain.py

科幻风格按钮

def create_button(self, text, color): return f""" QPushButton {{ border: 1px solid {color}; color: {color}; border-radius: 6px; }} QPushButton:hover {{ background-color: {self.lighten_color(color, 10)}; box-shadow: 0 0 10px {color}; # 悬停发光效果 }} """

动态状态栏

def update_status(self, message): self.status_bar.showMessage( f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}" # 实时时间戳 )

🔄智能工作流

对应文件：main.py

线程管理

class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 信号量通信 def run(self): while self.running: # 多线程检测循环 results = self.model(frame, conf=self.conf, iou=self.iou) self.frame_received.emit(original_frame, result_frame, detections)

七、项目源码(视频简介)

演示与介绍视频：

基于深度学习YOLOv12的杂草检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili