小型害虫智能识别系统｜基于 YOLOv8 的蚊蝇监测方案（从模型训练到源码部署）

项目简介

在实验室监控、城市公共卫生及农业生产中，蚊子和苍蝇等小型害虫的快速检测是重要环节。人工巡检不仅耗时、效率低，而且容易出现遗漏和误判。

本项目开发了一套 基于 YOLOv8 的蚊蝇检测系统，结合 PyQt5 图形界面，实现小型目标的实时定位与数量统计。系统支持多类型数据输入，并提供完整训练和部署方案，可作为实验室和公共场景的智能监控工具。

---

源码下载与效果演示
哔哩哔哩视频下方观看：
https://www.bilibili.com/video/BV1zYrhBxEau/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

通过本项目构建的 YOLOv8 蚊蝇智能识别系统，我们实现了小型害虫的高效自动化检测，不仅大幅降低了人工巡检的成本，还能在复杂背景下保持较高识别准确率。系统支持多种数据源输入，包括单图、批量图片、视频和实时摄像头流，同时提供可视化界面和统计导出功能，使科研人员或公共卫生管理者能够快速获取监测结果。整体来看，该项目在实时性、精度和易用性上均具优势，为实验室研究、环境监控及农业害虫管理提供了切实可落地的智能化解决方案。

一、系统特点

1. 多类型数据输入

   • 支持单张图片、图片文件夹、视频文件以及实时摄像头流检测。

2. 实时高效检测

   • 采用 YOLOv8n 轻量化网络，保证推理速度，同时兼顾检测精度。

3. 可视化操作界面

   • PyQt5 界面直观显示检测框、目标类别、数量和置信度，无需命令行操作。

4. 可定制化训练

   • 提供完整训练脚本、数据集标注方式和示例，用户可进行自定义训练或迁移学习。

5. 数据统计与导出

   • 支持 CSV 格式导出目标数量统计，便于进一步分析和实验管理。

---

二、应用场景

• 实验室样本分析：快速统计捕获的蚊蝇数量，辅助科研实验。
• 公共卫生监控：无人机或固定摄像头巡查环境中的害虫密度。
• 农业害虫管理：实时监测温室或农田内小型害虫活动情况。

---

三、数据集与模型训练

1. 数据集组织

项目采用 YOLO 标准数据集格式，文件结构如下：

mosquito_fly_dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

每个标签文件 .txt 内容示例：

0 0.512 0.345 0.42 0.28
1 0.234 0.567 0.12 0.23

• 第一列：类别编号（0=蚊子，1=苍蝇）
• 后四列：目标边框归一化坐标（x_center, y_center, width, height）
  

2. 训练命令示例

使用 YOLOv8 官方训练接口：

yolo detect train data=mosquito_fly_dataset.yaml model=yolov8n.pt epochs=120 batch=16 lr0=0.002

训练结束后，会生成：

• best.pt：最佳权重
• results.png：损失及 mAP 曲线
• confusion_matrix.png：各类别识别混淆矩阵

---

四、模型推理

1. 单张图片检测

import cv2
from ultralytics import YOLO

model = YOLO('runs/train/weights/best.pt')

# 推理单张图片
results = model('test_image.jpg', conf=0.3, save=True)

# 显示结果
img_path = results[0].save_dir / results[0].path.name
img = cv2.imread(str(img_path))
cv2.imshow('Detection', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

系统会输出边框、类别及置信度信息，同时生成带标注图片。

2. 视频与实时流检测

• 视频：逐帧处理，生成带标注的视频，可保存至指定目录。
• 摄像头：实时显示检测结果和数量统计，支持帧率调整。

---

五、PyQt5 界面设计思路

界面功能分为四个模块：

1. 文件选择区：支持图片、视频和摄像头源选择。
2. 实时显示区：展示检测后的图片或视频帧。
3. 参数调整区：可设置置信度阈值、显示目标类别等。
4. 导出区：支持保存图片、视频和统计 CSV 文件。

界面布局简洁，操作直观，无需编程经验即可使用。

---

六、系统性能与优势

特性	描述
实时性	YOLOv8n 架构轻量，推理速度快，适合实时监控
小目标检测能力	蚊蝇目标小、易遮挡，但训练专用数据集效果稳定
多场景适用性	支持图片、视频及实时摄像头
易用性	PyQt5 可视化界面，操作简单
可扩展性	支持增加新类别，便于迁移到其他小型生物检测

---

七、快速上手

1. 运行项目（直接使用预训练模型）：

python main.py

2. 自定义训练：

yolo detect train data=mosquito_fly_dataset.yaml model=yolov8n.pt epochs=120 batch=16

3. 结果查看：

• 标注图片保存在 runs/detect/predict
• 视频输出保存在指定目录
• CSV 文件记录数量统计

---

八、总结

本项目提供了 小型害虫智能检测的完整解决方案：

• 精度高：适合小目标检测
• 多输入场景：图片、视频、摄像头全覆盖
• 操作简便：PyQt5 界面直观
• 快速部署：开箱即可使用，也可自定义训练

系统为科研实验、城市公共卫生和农业害虫监控提供了 高效、可落地的智能化工具，大幅降低人工监测成本，提高监控精度。