【完整源码+数据集】花卉数据集，yolov8花卉分类检测数据集 5758 张，花品种分类识别数据集，花卉分类识别系统实战教程
【完整源码+数据集】花卉数据集，yolov8花卉分类检测数据集 5758 张，花品种分类识别数据集，花卉分类识别系统实战教程，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含15种分类：雏菊，蒲公英，玫瑰，向日葵，黄兰，查特克花，马缨丹，木槿，金银花，苘麻，麻风树，野牡丹，菊花，茉莉，兰花。检测场景为野外花丛、植物园、公园、植物研究所、花圃等场景，可用于园艺种植精
文章前瞻：优质数据集与检测系统精选
点击链接：更多数据集与系统目录清单
一、花卉分类识别数据集介绍
【数据集】yolov8花卉分类检测数据集 5758 张，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。
数据集中标签包含15种分类：names: ['daisy', 'dandelion', 'Rose', 'sunflower', 'champaka', 'chitrak', 'Common_Lanthana', 'Hibiscus', 'honeysuckle', 'indian_mallow', 'Jatropha', 'malabar_melastome', 'Marigold', 'shankupushpam', 'spider_lily']，代表雏菊，蒲公英，玫瑰，向日葵，黄兰，查特克花，马缨丹，木槿，金银花，苘麻，麻风树，野牡丹，菊花，茉莉，兰花。
检测场景为野外花丛、植物园、公园、植物研究所、花圃等场景，可用于园艺种植精准管理、花卉市场高效分拣、生态科研与保护、文旅与科普赋能等。
文章底部名片或主页私信获取数据集和系统~
1、数据概述
花品种分类识别的重要性
花卉是园艺产业、生态科研与文旅经济的重要载体，其精准分类直接关系品种培育、品质管控与资源保护。传统花卉分类依赖人工凭借花瓣形态、花色等特征判断，存在明显短板：相似品种（如月季与蔷薇、牡丹与芍药）易因外观接近被误判；大规模花卉种植基地或花卉市场中，人工分类效率低下，难以适配批量处理需求；野外花卉普查时，人工难以覆盖偏远区域，且对稀有、濒危品种的识别与记录滞后，影响保护工作开展。
YOLO算法以“实时分类+精准识别”为核心优势，破解上述难题：其一，可通过摄像头、无人机等设备快速捕捉花卉图像，实现高帧率实时分类，无需人工逐株甄别；其二，能精准提取花卉纹理、花瓣结构等细微特征，有效区分形态相似的品种，避免主观误判；其三，适配温室、野外、市场等多场景，可覆盖大规模种植区或偏远生态区域，推动花卉分类从“经验依赖”向“技术驱动”转型，为花卉产业与生态保护提供高效支撑。
基于YOLO的花卉分类检测系统
-
园艺种植精准管理：不同花卉品种对水肥、光照、病虫害抗性差异显著，YOLO可快速区分田间或温室中的花卉品种，辅助种植者针对性制定管理方案。例如，对喜阴的兰花与喜阳的向日葵分类后，可精准调控光照；发现混合种植中的病害敏感品种，能提前聚焦防控，减少农药浪费，提升花卉品质。
-
花卉市场高效分拣：花卉交易中，品种纯度直接影响售价，YOLO可搭载分拣线设备，自动识别采收后花卉的品种与品相，快速完成分级分拣。相比人工分拣，既能避免品种混淆导致的交易纠纷，又能提升分拣效率，适配花卉保鲜期短的特性，减少流通损耗。
-
生态科研与保护：在野外生态调查中，YOLO可通过无人机航拍或红外相机，快速识别区域内花卉种类，尤其对稀有、濒危品种（如霍山石斛、大黄花虾脊兰）的分布范围与生长状态进行实时监测。同时，自动记录品种数据，为生态多样性评估、濒危物种保护策略制定提供客观依据。
-
文旅与科普赋能：在智慧植物园、花卉主题景区，YOLO可结合游客手机端或园区导览设备，实现“扫码即识别”，实时推送花卉品种、生长习性等科普信息，提升游览体验。同时，为景区客流引导提供数据支撑——通过统计热门花卉品种的聚集人数，合理规划游览路线，避免拥堵。
该数据集含有 5758 张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试野外花丛、植物园、公园、植物研究所、花圃等场景进行花卉分类识别。
图片格式为jpg格式，标注格式分别为：
YOLO：txt
VOC：xml
数据集均为手工标注，保证标注精确度。
2、数据集文件结构
flower/
——test/
————Annotations/
————images/
————labels/
——train/
————Annotations/
————images/
————labels/
——valid/
————Annotations/
————images/
————labels/
——data.yaml
- 该数据集已划分训练集样本，分别是：test目录（测试集）、train目录（训练集）、valid目录（验证集）；
- Annotations文件夹为Pascal VOC格式的XML文件 ；
- images文件夹为jpg格式的数据样本；
- labels文件夹是YOLO格式的TXT文件；
- data.yaml是数据集配置文件，包含花卉分类检测的目标分类和加载路径。
Annotations目录下的xml文件内容如下：
<?xml version="1.0" encoding="utf-8"?>
<annotation>
<folder>driving_annotation_dataset</folder>
<filename>23_jpg.rf.d6e458a1f3dc3c6eb911de6d136addf1.jpg</filename>
<size>
<width>416</width>
<height>416</height>
<depth>3</depth>
</size>
<object>
<name>Rose</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>163</xmin>
<ymin>100</ymin>
<xmax>266</xmax>
<ymax>200</ymax>
</bndbox>
</object>
</annotation>labels目录下的txt文件内容如下：
2 0.578125 0.7716346153846154 0.3629807692307693 0.4326923076923077
2 0.8040865384615385 0.23197115384615385 0.34375 0.4495192307692308
2 0.3966346153846154 0.4435096153846154 0.3701923076923077 0.415865384615384643、数据集适用范围
- 目标检测场景，监控识别，无人机识别
- yolo训练模型或其他模型
- 野外花丛、植物园、公园、植物研究所、花圃
- 可用于园艺种植精准管理、花卉市场高效分拣、生态科研与保护、文旅与科普赋能等
4、数据集标注结果
4.1、数据集内容
- 场景视角：监控视角数据样本，人员视角数据样本；
- 标注内容：names: ['daisy', 'dandelion', 'Rose', 'sunflower', 'champaka', 'chitrak', 'Common_Lanthana', 'Hibiscus', 'honeysuckle', 'indian_mallow', 'Jatropha', 'malabar_melastome', 'Marigold', 'shankupushpam', 'spider_lily']，总计15个分类；
- 图片总量：5758 张图片数据；
- 标注类型：含有Pascal VOC XML格式和yolo TXT格式；
5、训练过程
5.1、导入训练数据
下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。
下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。
在ultralytics-main项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels，其中，将pascal VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。
data目录结构如下：
data/
——Annotations/ //存放xml文件
——images/ //存放jpg图像
——imageSets/
——labels/
整体项目结构如下所示：
5.2、数据分割
首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。
import os
import random
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()5.3、数据集格式化处理
在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。
convert_annotation函数
-
这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。
-
它打开XML文件，解析树结构，提取图像的宽度和高度。
-
然后，它遍历每个目标对象（
object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。 -
对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用
convert函数将坐标转换为YOLO格式。 -
最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = ['daisy', 'dandelion', 'Rose', 'sunflower', 'champaka', 'chitrak', 'Common_Lanthana', 'Hibiscus', 'honeysuckle', 'indian_mallow', 'Jatropha', 'malabar_melastome', 'Marigold', 'shankupushpam', 'spider_lily'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return x, y, w, h
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text),
float(xmlbox.find('xmax').text),
float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
b1, b2, b3, b4 = b
# 标注越界修正
if b2 > w:
b2 = w
if b4 > h:
b4 = h
b = (b1, b2, b3, b4)
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file.close()5.4、修改数据集配置文件
在ultralytics-main目录下创建一个data.yaml文件
train: data/train.txt
val: data/val.txt
test: data/test.txt
nc: 15
names: ['daisy', 'dandelion', 'Rose', 'sunflower', 'champaka', 'chitrak', 'Common_Lanthana', 'Hibiscus', 'honeysuckle', 'indian_mallow', 'Jatropha', 'malabar_melastome', 'Marigold', 'shankupushpam', 'spider_lily']5.5、执行命令
执行train.py
model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)也可以在终端执行下述命令：
yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=05.6、模型预测
你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。
代码如下：
import cv2
from ultralytics import YOLO
# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径
# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path)
# Get the video properties
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)
# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v') # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径
# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()
if success:
# Run YOLOv8 inference on the frame
# results = model(frame)
results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)
results[0].names[0] = "自行修改中文名称"
# Visualize the results on the frame
annotated_frame = results[0].plot()
# Write the annotated frame to the output file
out.write(annotated_frame)
# Display the annotated frame (optional)
cv2.imshow("YOLOv8 Inference", annotated_frame)
# Break the loop if 'q' is pressed
if cv2.waitKey(1) & 0xFF == ord("q"):
break
else:
# Break the loop if the end of the video is reached
break
# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()图片推理，代码如下：
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('models/best.pt')
model.predict(source='test_pic',
imgsz=640,
save=True,
conf=0.25
)也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：
yolo predict model="best.pt" source='demo.jpg'6、获取数据集
文章底部名片或主页私信获取数据集或检测系统~
二、YOLO花卉分类检测系统
1、功能介绍
1. 模型管理
支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。
2. 图片检测
- 支持上传本地图片文件，自动完成格式校验。
- 对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。
- 检测结果可下载保存。
3. 视频检测与实时流
- 支持上传本地视频文件，自动完成格式校验。
- 对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。
- 支持摄像头实时检测（如有接入摄像头）。
4. 置信度阈值调节
- 前端可实时调整检测置信度阈值，动态影响检测结果。
- 阈值调整后，后端推理自动应用新阈值，无需重启。
5. 日志与状态反馈
- 前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。
- 检测异常、错误信息及时反馈，便于排查。
- 一键清空日志，笔面长期占用内存。
2、创建环境并安装依赖：
conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt3、启动项目
python app.py打开浏览器访问：http://localhost:5000
4、效果展示
4.1、推理效果
4.2、日志文本框
4.3、摄像头检测
5、前端核心页面代码
<!doctype html>
<html lang="zh-CN">
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width,initial-scale=1">
<title>视觉检测系统 - Web UI</title>
<link rel="stylesheet" href="/static/style.css">
<link rel="icon" href="/favicon.ico">
</head>
<body>
<div class="container main-flex">
<!-- 左侧内容区 -->
<div class="left-content">
<header>
<h1>YOLO花卉分类检测系统</h1>
<div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div>
</header>
<main>
<div class="videoPanel">
<div class="pane">
<h3>原图 / 视频</h3>
<div class="preview" id="srcPreview">预览区</div>
</div>
<div class="pane">
<h3>检测结果</h3>
<div class="preview" id="detPreview">检测结果</div>
</div>
</div>
<section class="logArea">
<div class="logHeader">
<h3>日志</h3>
</div>
<div class="logInner">
<div id="logs" class="logs"></div>
</div>
</section>
</main>
</div>
<!-- 右侧按钮栏 -->
<aside class="right-bar">
<!-- 1. 模型上传/加载区 -->
<section class="model-section">
<button id="uploadModelBtn" class="ghost">上传模型
<input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件">
</button>
<button id="loadModel">加载模型</button>
</section>
<!-- 2. 检测方式选择区 -->
<section class="detect-mode-section">
<div class="detect-mode-title">请选择检测方式</div>
<div class="detect-mode-radio-group">
<label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label>
<label><input type="radio" name="detectMode" value="camera"> 摄像头</label>
</div>
<div id="detectModeUpload" class="detect-mode-panel">
<div class="uploaded-file-name">
<span id="uploadedFileName" class="placeholder">未选择文件</span>
</div>
<div style="height: 22px;"></div>
<button id="uploadBtn">上传文件
<input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频">
</button>
</div>
<div id="detectModeCamera" class="detect-mode-panel" style="display:none;">
<button id="cameraDetectBtn" class="ghost">开启摄像头</button>
<div id="cameraPreview" class="camera-preview">
<video id="localCameraVideo" autoplay muted playsinline></video>
<div class="camera-controls">
<button id="stopCameraBtn" class="ghost">关闭摄像头</button>
</div>
</div>
</div>
<div class="confWrap">
<label class="conf">置信度
<input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5">
<input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5">
</label>
</div>
</section>
<!-- 3. 操作按钮区 -->
<section class="action-btn-section">
<button id="startBtn" disabled class="start">开始检测</button>
<button id="stopBtn" disabled class="stop">停止</button>
<button id="clearLogs" class="ghost">清空日志</button>
</section>
</aside>
</div>
<script src="/static/app.js"></script>
</body>
</html>6、代码获取
文章底部名片或私信获取系统源码和数据集~
以上内容均为原创。
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
27
0- 0
已为社区贡献10条内容
所有评论(0)