基于yolov8+django+deepseek的西红柿番茄叶子病害检测系统带登录界面python源码+onnx模型+精美web界面

作品简介

效果展示

登录界面

主界面

基于 YOLOv8 的目标检测系统，支持图片、视频和实时摄像头检测，集成 DeepSeek AI 分析功能。

功能特性

图片目标检测
视频文件检测
实时摄像头检测
DeepSeek AI 智能分析
可调节的检测参数（置信度、IoU）
美观的用户界面

【测试环境】

windows10

anaconda3+python3.10

torch == 2.3.1

ultralytics == 8.4.7

Django == 5.2.11

onnxruntime == 1.17.0

【模型可以检测出9类别】

[‘Tomato Early blightleaf’, ‘Tomato Septoria leaf spot’, ‘Tomato leaf’, ‘Tomato leaf bacterial spot’, ‘Tomato leaf late blight’, ‘Tomato leaf mosaic virus’, ‘Tomato leaf yellow virus’, ‘Tomato mold leaf’, ‘Tomato two spotted spider mites leaf’]

训练数据集介绍

数据集格式：YOLO 格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的yolo格式txt文件)

图片数量(jpg文件个数)：4399

标注数量(txt文件个数)：4399

训练集数量：3692

验证集数量：419

测试集数量：288

标注类别数：9

所在github仓库：firc-dataset

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):[‘Tomato Early blight leaf’,‘Tomato Septoria leaf spot’,‘Tomato leaf’,‘Tomato leaf bacterial spot’,‘Tomato leaf late blight’,‘Tomato leaf mosaic virus’,‘Tomato leaf yellow virus’,‘Tomato mold leaf’,‘Tomato two spotted spider mites leaf’]

每个类别标注的框数：

Tomato Early blight leaf（番茄早疫病叶）框数 = 1317

Tomato Septoria leaf spot（番茄斑枯病叶）框数 = 2452

Tomato leaf（番茄叶）框数 = 2839

Tomato leaf bacterial spot（番茄细菌性叶斑病叶）框数 = 3523

Tomato leaf late blight（番茄晚疫病叶）框数 = 1879

Tomato leaf mosaic virus（番茄花叶病叶）框数 = 1795

Tomato leaf yellow virus（番茄黄化病叶）框数 = 1025

Tomato mold leaf（番茄叶霉病叶）框数 = 1317

Tomato two spotted spider mites leaf（番茄二斑叶螨侵害叶）框数 = 2

总框数=16149

使用标注工具：labelImg

标注规则：对类别进行画矩形框

重要说明：暂无

特别声明：本数据集不对训练的模型或者权重文件精度作任何保证

图片预览：

标注例子：

训练数据集信息

训练集图片数=3692

验证集图片数=419

训练map=69.0%

训练精度(Precision)=67.7%

训练召回率(Recall)=68.3%

验证集精度：

class=MAP50(%)

all=69

Tomato Early blight leaf=79

Tomato Septoria leaf spot=90

Tomato leaf bacterial spot=55

Tomato leaf late blight=47

Tomato leaf mosaic virus=64

Tomato leaf yellow virus=54

Tomato leaf=73

Tomato mold leaf=90

安装依赖

pip install -r requirements.txt

数据库迁移

python manage.py makemigrations
python manage.py migrate

运行项目

python manage.py runserver

访问 http://127.0.0.1:8000

默认登录信息

用户名: admin
密码: admin

项目主要文件结构

yolov8-django-deepseek-det-system/
├── manage.py                 # Django 项目管理脚本
├── requirements.txt          # 项目依赖包列表
├── README.md                 # 项目说明文档
├── index.html               # 主页面（备用或示例页面）
├── start_lan.bat            # 一键启动批处理脚本
├── yolo_detection/          # Django 项目配置目录
│   ├── __init__.py          # 初始化文件
│   ├── settings.py          # 项目配置文件（数据库、API密钥等）
│   ├── urls.py              # 项目总路由配置
│   └── wsgi.py              # WSGI 部署配置
├── detection/               # 检测功能应用模块
│   ├── __init__.py          # 初始化文件
│   ├── apps.py              # 应用配置
│   ├── forms.py             # 表单定义（如文件上传表单）
│   ├── models.py            # 数据模型定义
│   ├── urls.py              # 检测应用的路由配置
│   └── views.py             # 核心视图函数（YOLO检测逻辑、文件处理等）
├── templates/               # Web 页面模板目录
│   ├── index.html           # 主操作界面（上传、检测、结果显示）
│   └── login.html           # 登录页面
├── media/                   # 媒体文件存储目录
│   └── uploads/             # 用户上传文件存储目录
├── test_img/                # 测试图片目录
│   └── *.jpg            # 检测样本图片
├── weights/                # 模型目录

技术栈

Django 4.2+
YOLOv8 (Ultralytics)
OpenCV
DeepSeek API
Chart.js
HTML5/CSS3/JavaScript

注意事项

确保 yolov8n.onnx 模型文件在项目weights目录
DeepSeek API 密钥需要在 settings.py 中配置
建议使用 Python 3.8+

常用评估参数介绍

在目标检测任务中，评估模型的性能是至关重要的。你提到的几个术语是评估模型性能的常用指标。下面是对这些术语的详细解释：

Class：这通常指的是模型被设计用来检测的目标类别。例如，一个模型可能被训练来检测车辆、行人或动物等不同类别的对象。

Images：表示验证集中的图片数量。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。

Instances：在所有图片中目标对象的总数。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。 P（精确度Precision）：精确度是模型预测为正样本的实例中，真正为正样本的比例。计算公式为：Precision = TP / (TP + FP)，其中TP表示真正例（True Positives），FP表示假正例（False Positives）。

R（召回率Recall）：召回率是所有真正的正样本中被模型正确预测为正样本的比例。计算公式为：Recall = TP / (TP + FN)，其中FN表示假负例（False Negatives）。

mAP50：表示在IoU（交并比）阈值为0.5时的平均精度（mean Average Precision）。IoU是衡量预测框和真实框重叠程度的指标。mAP是一个综合指标，考虑了精确度和召回率，用于评估模型在不同召回率水平上的性能。在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。

mAP50-95：表示在IoU从0.5到0.95（间隔0.05）的范围内，模型的平均精度。这是一个更严格的评估标准，要求预测框与真实框的重叠程度更高。在目标检测任务中，更高的IoU阈值意味着模型需要更准确地定位目标对象。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。这些指标共同构成了评估目标检测模型性能的重要框架。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。

常见问题

目标检测训练中，Mean Average Precision（MAP）偏低可能有以下原因：

原因一：欠拟合：如果训练数据量过小，模型可能无法学习到足够的特征，从而影响预测效果，导致欠拟合，进而使MAP偏低。因此可以加大数据集数量

原因二：小目标：如果数据集包含大部分小目标则一般会有可能产生map偏低情况，因为小目标特征不明显，模型很难学到特征。

原因三：模型调参不对：比如学习率调整过大可能会导致学习能力过快，模型参数调节出现紊乱

原因四：过拟合（现在模型基本不存在这种情况）：如果模型在训练数据上表现非常好，但在验证或测试数据上表现较差，可能是出现了过拟合。这通常是因为模型参数过多，而训练数据量相对较小，导致模型学习到了训练数据中的噪声或特定模式，而无法泛化到新的数据。如今现在目标检测模型都对这个情况做的很好，很少有这种情况发生。

原因五：场景不一样：验证集验证精度高，测试集不行，则有可能是与训练模型场景图片不一致导致测试map过低针对以上原因，可以采取以下措施来提高MAP：

（1）优化模型结构：根据任务和数据集的特点选择合适的模型，并尝试使用不同的网络架构和构件来改进模型性能。

（2）增强数据预处理：对数据进行适当的预处理和增强，如数据归一化、缺失值填充、数据扩增等，以提高模型的泛化能力。

（3）调整损失函数：尝试使用不同的损失函数或组合多种损失函数来优化模型性能。

（4）优化训练策略：调整学习率、批次大小、训练轮数等超参数，以及使用学习率衰减、动量等优化算法来改善模型训练效果。

（5）使用预训练模型：利用在大规模数据集上预训练的模型进行迁移学习，可以加速模型收敛并提高性能。（6）增加数据集数量

提供的文件

python源码

yolov8n.onnx模型（不提供pytorch模型）

训练的map,P,R曲线图(在weights\results.png)

测试图片（在test_img文件夹下面）

注意提供数据集在数据集地址.xlsx文件中

创作时间：