这篇文档主要介绍《基于 YOLOv8 的农田病虫害检测与分析》的代码实现部分，整篇论文的目的主要是改进 YOLOv8 的网络结构，使其在检测病虫害的精度和实时性上有所提升。接下来，我将介绍如何从零开始搭建起本项目。

# 安装 Python

到 python 的官方网站：https://www.python.org/ 下载，安装

安装完成后，在命令行窗口运行：python，查看安装的结果，如下图：

至此，Python 安装完成，接下来还需要安装 anaconda，这是一个 python 虚拟环境，特别适合管理 python 的环境。

# 安装 anaconda

到 anaconda 的官方网站：https://www.anaconda.com/download/success 下载，并安装：

安装成功后，会在开始菜单出现如下图所示：

anaconda 安装完成，接下来安装 pycharm，主要用来编写代码。

# 安装 Pycharm

学生可以申请教育版

支持，所有的软件安装完成。

# YOLOv8 目录结构介绍

首先介绍整个项目的目录：

和原来的 YOLOv8 相比，根目录新增一些训练的脚本和测试的脚本，比如 train.py 和 Detect.py，当然也可以直接通过命令行的方式来实现，两者效果都是一样的。

重点是 ultralytics/nn 目录，所有的改进模块都是在这里进行，在这里我新建了一个 Addmodules 的目录，里面是改进的各种模块，包括主干网络，颈部网络和检测头的改进。

需要修改的部分我都已经作了修改，不用再做其他的改动

还有一个重要的目录：ultralytics/cfg/models/Add，这里面放的都是 yaml 文件，其中改进的 yaml 文件都已经写好，不需要改动。

以下是一个 yaml 文件的示例，其它的都是类似的结构，只是参数不同：

# 安装项目的环境（非常重要）

环境配置非常重要，我当时配环境换了一周左右的时间，中间经历了各种报错，软件包不兼容的问题和显卡驱动匹配的问题，总之就是不好搞。为了方面复现工作，我已经把 anaconda 的环境导出为 environment.yml，位于项目的根目录里面，创建虚拟环境的时候直接使用就可以

# anaconda 虚拟环境

再 anaconda prompt 终端输入 conda env create -f environment.yml，就可以根据 environment.yml 文件创建虚拟环境，创建好后，通过 conda env list 查看环境是否存在，如下图所示就表明创建成功：

如果安装的时候出现 torch 相关的错误，大概率是你的显卡驱动和这里面的 torch 包版本不匹配，这个问题需要自行修改即可，网上关于这方面的资料很多。

# 使用虚拟环境

虚拟环境创建完成之后，就可以在 pycharm 中使用，点击右下角，切换 conda 环境，选择刚才创建的虚拟环境。如果到了这一步还没有报错的话，恭喜你，已经完成了 80% 的工作。

运行 Detect.py 脚本，测试检测效果，如果没有报错，接下来就是训练模型。

# 训练脚本 train.py

找到根目录的 train.py 文件，注释已经写的很清楚，如下图：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('yolov8-HSFPN.yaml')

    # model.load('yolov8n.pt') # 是否加载预训练权重,科研不建议大家加载否则很难提升精度

    model.train(data=r'D:/Downloads/YOLOv8/datasets/data.yaml',
                # 如果大家任务是其它的'ultralytics/cfg/default.yaml'找到这里修改task可以改成detect, segment, classify, pose
                cache=False,
                imgsz=640,
                epochs=150,
                single_cls=False,  # 是否是单类别检测
                batch=4,
                close_mosaic=10,
                workers=0,
                device='0',
                optimizer='SGD', # using SGD
                # resume='runs/train/exp21/weights/last.pt', # 如过想续训就设置last.pt的地址
                amp=True,  # 如果出现训练损失为Nan可以关闭amp
                project='runs/train',
                name='exp',
                )

model = YOLO (‘yolov8-HSFPN.yaml’)，把里面的 yaml 文件换成自己的 yaml 文件，我这里用的是 yolov8-HSFPN.yaml，data=r’D:/Downloads/YOLOv8/datasets/data.yaml，同理，换成自己数据集的 yaml 文件，我这里的数据集是 yolo 格式。其它的参数可以按照自己的任务自行调整。

还有一个检测的脚本，Detect.py:

1
2
3
4
5
6
7
8
9
10
11
12

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('D:/Downloads/YOLOv8/result/result_8_HSFPN/train/exp/weights/best.pt') # select your model.pt path
    model.predict(source='D:/Downloads/YOLOv8/ultralytics/assets',
                  imgsz=640,
                  project='runs/detect',
                  name='exp',
                  save=True,
                )

同理，把 best.pt 换成你自己训练好的模型，source 里面输入检测图片的路径，运行该脚本就可以开始检测，结果保存在 runs/detect 目录。

# 开始训练

准备好数据集，最好是 yolo 格式的，我的数据集项目里自带了，不需要重新下载：

datasets 目录里面就是我的数据集：有 train，test，valid 三个目录，分别存放训练集，测试集和验证集的图像和标签：

准备这些之后，运行 train.py 文件，开始训练。如果报错的话，请自行上网查找，无非就是找不到数据集，某个包的版本不对，或者是 GPU 用不了，只能用 CPU。

# 训练结果

训练结果会保存在 runs/train 目录下，exp1,exp2,exp3 的顺序，表示每一次的训练结果。

上图就是训练完成后目录的结构，weights 目录里面就是我们需要的模型：best.pts 是效果最好的，最后也是需要这个，last.pt 是最后一次的训练结果。

# 总结

整个项目的改进工作我已经做好，复现的话只需装好对应的环境，修改 train.py 的参数，运行 train.py 就可以开始训练；修改 Detect.py 的参数，就可以检测。目前项目只针对检测任务，对于分割和分类没有做改进。

# 经验之谈

（1）以下为两个重要库的版本，必须对应下载，否则会报错

python == 3.9.7
pytorch == 1.12.1
timm == 0.9.12 # 此安装包必须要
mmcv-full == 1.6.2 # 不安装此包部分关于 dyhead 的代码运行不了以及 Gold-YOLO

（2）mmcv-full 会安装失败是因为自身系统的编译工具有问题，也有可能是环境之间安装的有冲突

推荐大家离线安装的形式,下面的地址中大家可以找找自己的版本,下载到本地进行安装。
https://download.openmmlab.com/mmcv/dist/cu111/torch1.8.0/index.html
https://download.openmmlab.com/mmcv/dist/index.html

（3）basicsr 安装失败原因，通过 pip install basicsr 下载如果失败，大家可以去百度搜一下如何换下载镜像源就可以修复

# 针对一些报错的解决办法在这里说一下

(1) 训练过程中 loss 出现 Nan 值.
可以尝试关闭 AMP 混合精度训练.

(2) 多卡训练问题，修改模型以后不能支持多卡训练可以尝试下面的两行命令行操作，两个是不同的操作，是代表不同的版本现尝试第一个不行用第二个

python -m torch.distributed.run --nproc_per_node 2 train.py
python -m torch.distributed.launch --nproc_per_node 2 train.py

(3) 针对运行过程中的一些报错解决
1. 如果训练的过程中验证报错了 (主要是一些形状不匹配的错误这是因为验证集的一些特殊图片导致)
找到 ultralytics/models/yolo/detect/train.py 的 DetectionTrainer class 中的 build_dataset 函数中的 rect=mode == 'val’改为 rect=False

1
2
3
4
5
6

2.推理的时候运行detect.py文件报了形状不匹配的错误
找到ultralytics/engine/predictor.py找到函数def pre_transform(self, im),在LetterBox中的auto改为False

3.训练的过程中报错类型不匹配的问题
找到'ultralytics/engine/validator.py'文件找到 'class BaseValidator:' 然后在其'__call__'中
self.args.half = self.device.type != 'cpu'  # force FP16 val during training的一行代码下面加上self.args.half = False

(4) 针对 yaml 文件中的 nc 修改
不用修改，模型会自动根据你数据集的配置文件获取。
这也是模型打印两次的区别，第一次打印出来的就是你选择模型的 yaml 文件结构，第二次打印的就是替换了你数据集的 yaml 文件，模型使用的是第二种。

(5) 针对环境的问题
环境的问题每个人遇见的都不一样，可自行上网查找。