摘要

大豆作为全球重要的经济作物，其精准检测对农业生产监测、产量估算和智能收割具有重要意义。本文提出了一种基于YOLO26的大豆目标检测系统，旨在实现田间环境下大豆目标的高精度实时检测。

实验采用自建大豆数据集，包含1984张标注图像，其中训练集1716张、验证集168张、测试集100张，所有图像均标注单一类别"sogbean"。模型训练采用Ultralytics框架，经过100个epoch的迭代训练，在验证集上取得了优异性能：mAP50达到0.996，召回率为0.996，精确率为0.979，mAP50-95为0.838。混淆矩阵分析显示，282个大豆目标被正确检测，仅6个漏检和1个误检，模型展现出极高的检测可靠性。训练过程曲线表明模型收敛良好，无过拟合现象。该系统检测速度达6.0ms/张，满足实时检测需求，可为智能农业应用提供可靠的技术支撑。

关键词：YOLO26；大豆检测；目标检测；深度学习；智能农业

详细功能展示视频

https://www.bilibili.com/video/BV1bEoTBCEdG/

https://www.bilibili.com/video/BV1bEoTBCEdG/?vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bEoTBCEdG/?vd_source=8279e3d5f4d5d4f0cb2bf5c842393764

目录

   摘要

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

背景

1. 农业智能化需求

2. 目标检测技术发展

3. 农业视觉检测挑战

4. 研究意义

数据集介绍

1. 数据集概述

2. 数据集划分

3. 数据标注

训练结果

1、总体评估：模型表现非常优异

2、详细指标分析

3、模型优势与潜在问题

5、部署建议

Ultralytics YOLO26

概述

主要功能

常用标注工具

 详细功能展示视频

---

功能模块

✅ 用户登录注册：支持密码检测，密码加密。

注册

登录

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

功能	描述
用户注册	用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储
用户登录	用户名密码验证，自动跳转主界面
用户数据存储	JSON文件存储用户信息（密码加密、注册时间、邮箱）
登录状态	主界面显示当前登录用户名

2、界面与交互模块

功能	描述
玻璃效果界面	半透明毛玻璃背景，圆角边框，现代化视觉风格
无边框窗口	自定义标题栏，支持窗口拖动、最小化、最大化、关闭
响应式布局	主窗口三栏布局（左侧控制区、中央显示区、右侧信息区）
状态栏	显示设备信息、模型状态、当前用户、实时时间

3、检测源管理模块

功能	描述
图片检测	支持JPG/JPEG/PNG/BMP格式图片载入
视频检测	支持MP4/AVI/MOV/MKV格式视频载入
摄像头检测	实时调用摄像头（默认ID 0）进行检测
检测源切换	下拉菜单切换三种检测模式，自动更新界面状态

4、检测参数配置模块

功能	描述
置信度阈值	滑动条调节（0-100%，步长1%），实时显示当前值
IoU阈值	滑动条调节（0-100%，步长1%），实时显示当前值
类别选择	动态生成检测类别复选框，支持全选/取消全选
参数同步	参数实时同步到检测器核心

5、YOLO检测核心模块

功能	描述
模型加载	加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换
多模式检测	图片检测、视频检测、摄像头实时检测
检测线程	基于QThread的多线程处理，避免界面卡顿
检测结果	返回目标类别、置信度、边界框坐标
FPS计算	实时计算处理帧率
进度反馈	视频处理进度条实时更新

6、结果显示模块

功能	描述
实时画面	中央区域显示检测结果图像（带标注框）
统计信息	检测状态、目标数量、FPS、处理帧数实时更新
检测列表	右侧列表显示当前帧所有检测到的目标（类别+置信度）
日志记录	日志标签页记录操作和错误信息，带时间戳
占位显示	未选择检测源时显示系统LOGO和提示文字

7、结果保存模块

功能	描述
保存开关	复选框控制是否保存检测结果
路径选择	自定义保存路径，支持图片/视频格式自动识别
自动命名	保存文件自动添加时间戳（detection_result_20240101_120000.jpg）
视频保存	支持检测结果视频录制（MP4格式）
手动保存	工具栏保存按钮可随时保存当前画面
保存反馈	保存成功弹窗提示，日志记录保存路径

8、工具栏功能

功能	描述
图片按钮	快速切换到图片检测模式并打开文件选择器
视频按钮	快速切换到视频检测模式并打开文件选择器
摄像头按钮	快速切换到摄像头检测模式
保存按钮	手动保存当前显示画面

9、辅助功能

功能	描述
错误处理	统一错误弹窗提示，日志记录错误详情
资源清理	检测停止时自动释放摄像头、视频文件、视频写入器资源
时间显示	状态栏实时显示系统时间
模型状态	状态栏显示模型加载状态和当前设备（CPU/GPU）

10、数据校验模块

功能	描述
注册验证	用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证
协议确认	注册前需勾选同意用户协议
文件校验	模型文件存在性检查，文件大小验证（≥6MB）
输入非空	登录/注册时必填项非空检查

引言

大豆是全球重要的粮食和油料作物，也是植物蛋白的主要来源。随着精准农业和智能农机的发展，基于计算机视觉的作物检测技术已成为农业现代化的重要方向。实现对大豆目标（豆荚、豆粒）的准确检测，可用于产量预测、生长监测、智能收割等多个农业场景。

传统的作物检测方法依赖人工抽样和目测评估，效率低下且主观性强。近年来，基于深度学习的目标检测技术，特别是YOLO系列算法，因其速度快、精度高、端到端训练等优势，在农业视觉任务中得到广泛应用。YOLO26作为YOLO系列的高效版本，在保持轻量化的同时具备强大的特征提取能力，适合部署于移动设备和嵌入式系统。

本研究旨在构建一个基于YOLO26的大豆检测系统，实现田间环境下大豆目标的精准识别与定位。通过自建数据集、模型训练与优化、性能评估等环节，验证深度学习技术在农业目标检测任务中的可行性和优越性，为智能农业装备的研发提供技术参考。

背景

1. 农业智能化需求

随着人口增长和粮食安全压力的增加，农业生产亟需向智能化、精准化转型。计算机视觉技术在作物识别、病虫害检测、产量估算等领域的应用，可大幅提升农业生产效率和管理水平。大豆作为主要经济作物，其生长过程中的关键节点（如结荚期、成熟期）需要密切监测，传统人工方式难以满足规模化种植的需求。

2. 目标检测技术发展

目标检测是计算机视觉的核心任务之一，经历了从传统机器学习方法到深度学习方法的演进。以R-CNN为代表的两阶段检测器精度高但速度慢，以YOLO系列为代表的单阶段检测器则在速度与精度间取得良好平衡。YOLO26是YOLO系列针对移动端和嵌入式设备优化的轻量级版本，采用解耦头、锚点辅助分配等创新设计，在保证检测精度的同时大幅提升推理效率。

3. 农业视觉检测挑战

田间环境下的大豆检测面临多重挑战：光照变化、遮挡情况、尺度差异、背景复杂等。大豆目标（特别是豆荚）往往体积较小，颜色与背景（叶片、茎秆）相近，增加了检测难度。因此，需要构建高质量的数据集并设计鲁棒的检测模型，以应对复杂的田间条件。

4. 研究意义

本研究的意义在于：

• 技术验证：探索YOLO26在小目标农业检测任务中的适用性

• 数据积累：构建大豆检测专用数据集，为后续研究提供基础

• 应用落地：为智能农机、无人机巡检等提供可靠的大豆检测方案

• 经验参考：为其他作物检测任务提供方法借鉴

数据集介绍

1. 数据集概述

本研究构建的大豆检测数据集包含1984张标注图像，所有图像均采集自真实农田环境，涵盖不同生长阶段、不同光照条件和不同拍摄角度的大豆植株。数据集采用单类别标注，类别名称为"sogbean"，主要标注对象为大豆豆荚和成熟豆粒。

2. 数据集划分

为保证模型训练的有效性和评估的客观性，数据集按以下比例划分：

数据集	图像数量	占比	用途
训练集	1716张	86.5%	模型参数学习
验证集	168张	8.5%	模型调优和性能评估
测试集	100张	5.0%	最终性能验证

3. 数据标注

• 标注类别数：1类

• 类别名称：['sogbean']

• 标注格式：YOLO格式（归一化的边界框坐标）

• 标注数量：训练集和验证集共包含283个大豆实例

训练结果

1、总体评估：模型表现非常优异

从验证集结果来看，模型在大豆检测任务上达到了接近完美的性能：

指标	数值	说明
mAP50	0.996	在IoU=0.5阈值下，平均精度高达99.6%
mAP50-95	0.838	在更严格的IoU阈值下仍保持83.8%的高精度
精确率(Precision)	0.979	预测为正例的样本中97.9%是正确的
召回率(Recall)	0.996	实际正例中99.6%被正确检测到

结论：模型已基本达到部署级性能，能够可靠地检测大豆目标。

---

2、详细指标分析

1. 混淆矩阵分析

从混淆矩阵可以看出：

text

真实\预测    soybean    background
soybean      282        6
background   1          0

• 真正例(TP)：282个大豆目标被正确检测

• 假负例(FN)：6个大豆目标被漏检

• 假正例(FP)：1个背景被误检为大豆

• 真负例(TN)：0个背景被正确识别（通常不统计）

关键发现：

• 漏检率仅2.1%（6/288），误检率极低

• 模型对大豆目标的敏感性极高（召回率99.6%）

• 误检主要来自背景干扰（可能将类似大豆形态的物体误判）

2. PR曲线分析

• PR曲线下面积(AUC) = 0.99

• 曲线接近右上角(1.0, 1.0)，表明模型同时保持了高精确率和高召回率

• 大豆类别的AP=0.99，与总体mAP一致

3. F1曲线分析

• 最大F1分数 = 0.99（在置信度阈值0.349处达到）

• F1分数在0.98以上覆盖了广泛的置信度范围(0.1-0.98)

• 表明模型对阈值选择不敏感，鲁棒性好

4. 训练过程分析

从results.png可以看出：

指标	初始值(epoch0)	最终值(epoch100)	变化趋势
train/box_loss	1.25	0.15	稳定下降
train/cls_loss	0.65	0.00	趋近于0
val/box_loss	1.00	0.02	稳定下降
val/cls_loss	0.70	0.00	趋近于0
precision	0.05	1.00	快速上升后稳定
recall	0.05	1.00	快速上升后稳定
mAP50	0.05	0.982	持续上升
mAP50-95	0.05	0.982	持续上升

关键发现：

• 无过拟合迹象：训练损失和验证损失同步下降

• 收敛速度快：约30个epoch后主要指标已达90%以上

• 最终收敛良好：所有指标趋于稳定，损失接近0

---

3、模型优势与潜在问题

优势：

1. 检测精度极高：mAP50接近1.0，几乎无漏检误检

2. 鲁棒性强：对不同置信度阈值不敏感

3. 训练充分：损失函数收敛良好

4. 泛化能力好：验证集表现与训练集一致

潜在问题：

1. 轻微漏检：6个大豆目标未被检测到（可能原因）

   • 目标尺寸过小

   • 目标被遮挡

   • 光照条件特殊

2. 轻微误检：1个背景被误判

   • 可能将形状、颜色类似大豆的背景物体误判

---

5、部署建议

模型已达到高可靠性水平，可直接考虑部署：

1. 阈值设置：建议设为0.35-0.4（平衡精确率和召回率）

2. 推理速度：6.0ms/张（RTX 4090），满足实时要求

3. 适用场景：

   • 农田大豆计数

   • 大豆生长监测

   • 大豆收割质量评估

Ultralytics YOLO26

概述

Ultralytics  YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

 详细功能展示视频

https://www.bilibili.com/video/BV1bEoTBCEdG/

https://www.bilibili.com/video/BV1bEoTBCEdG/?vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1bEoTBCEdG/?vd_source=8279e3d5f4d5d4f0cb2bf5c842393764