3步跑通YOLOv9果园病虫害识别【免费下载链接】yolov9Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information项目地址: https://gitcode.com/GitHub_Trending/yo/yolov9清晨六点叶面上还带着露水梨树叶背的红蜘蛛群已经密到肉眼可见而叶面此时看着还完全健康病斑程度基本没法用肉眼判断。你需要一套随时能拍照、自动标出哪棵树的哪个部位有病虫害的系统。YOLOv9 果园病虫害识别要解决的就是这件事一次推理同时给出检测框和像素级的病斑掩码。场景拆解巡检为什么难人工巡行一棵树、翻一遍叶片大约要 40 秒300 亩的果园要 10 个人干两周才能完成一次细检巡完的时候病情往往已经发展了。早期红蜘蛛群和炭疽病初期病斑大多在 2mm 以下强光下肉眼几乎分辨不出来现场抽查的漏检率很容易超过 50%。另一种做法是上普通检测模型但它只给框能回答“这棵树有病”回答不了“病斑面积多大”用药量依据只能退回人的经验。原理速览YOLOv9 凭什么接这活YOLOv9 的核心改动在训练阶段推理阶段仍是标准的一阶段检测。PGI 可编程梯度信息GHIv4训练时让梯度信息穿过网络本身相当于自带一台“梯度导航仪”模型学什么、怎么学有了参照。重参数化设计推理时切换成轻量结构同一块硬件上单帧耗时明显缩短。yolov9-t 变体只有约 2M 参数让目标检测边缘部署这件事在树莓派级别的设备上可行。实施路线图先看全局再进每个环节的细节采样本下地拍摄按 7/2/1 划分训练、验证、测试集做标注框 多边形掩码产出 YOLO 格式标签写配置orchard.yaml里填类别表和路径训练先从零训分割模型数据少就切迁移学习评估看 mAP、Recall 和掩码贴合度不达标就回炉导出用 export.py 出 ONNX上设备树莓派 / RK 加载模型4G 回传结果数据准备果园样本怎么收先装环境依赖清单在 requirements.txtPyTorch、OpenCV、NumPy 为主git clone https://gitcode.com/GitHub_Trending/yo/yolov9 cd yolov9 pip install -r requirements.txt拍样本按三个数字走每个病害类别 20–30 张覆盖晴、阴、逆光三种光线每棵树同时拍果实特写和全株远景。稀有病害样本不够时用十几张增强变体补量。标注工具用 LabelImg 画框Labelme 画多边形掩码实例分割病斑量化需要两种产物建议一次导出两套格式。数据集目录按下面组织orchard/ ├── images/ │ ├── train/ # 约70% │ ├── val/ # 约20% │ └── test/ # 约10% └── labels/ ├── train/ ├── val/ └── test/类别表示例存为data/orchard.yaml字段约定参考 data/coco.yamlpath: /data/datasets/orchard train: images/train val: images/val names: 0: healthy 1: aphid_damage 2: anthracnose 3: rot 4: branchleaf_disease训练与调参小样本场景的省力做法训练入口是 segment/train.py起步参数推荐这样python segment/train.py \ --data data/orchard.yaml \ --cfg models/segment/yolov9-c-seg.yaml \ --weights \ --hyp data/hyps/hyp.scratch-high.yaml \ --imgsz 640 \ --batch-size 16 \ --epochs 100 \ --close-mosaic 15 \ --device 0 \ --name orchard-seg几个参数各说一次--cfg决定网络结构yolov9-c-seg 是精度和速度的均衡点--hyp加载超参hyp.scratch-high.yaml 面向从零训练、上限更高--imgsz 640是输入分辨率小目标多就从 640 起步不必盲目上 1280--close-mosaic 15让最后 15 个 epoch 关掉马赛克混合回到真实图像上收敛细节。小样本迁移学习快捷键手上只有几百张图时小样本迁移学习比从零训更稳用 COCO 预训练分割权重当起点冻结骨干只让头部分学果园类别。python segment/train.py \ --weights yolov9-c-seg.pt \ --data data/orchard.yaml \ --freeze 10 \ --epochs 60 \ --imgsz 640 \ --name orchard-seg-ft验证集不收敛时再放开冻结做全量微调。验证与评估怎么判断模型够不够用评估看两件事检测准不准以及实例分割病斑量化是否可信。核心看 mAP0.5综合精度和 mAP0.5:0.95严口径另外盯紧 Recall——巡检场景漏检比误报代价大建议把 Recall 守在 0.85 以上。验证集占数据量的 20%尽量选和训练集不同时间段的照片避免同图过拟合测试集 10% 留到最后验收跑一次调参期间别碰。python segment/val.py \ --weights runs/train-seg/orchard-seg/weights/best.pt \ --data data/orchard.yaml \ --imgsz 640 \ --half训练结束时 runs 目录会留下 results.png、混淆矩阵和可视化批次图重点目测掩码是否贴合病斑边缘而不是只看数字。落地部署从 best.pt 到果园里的摄像头确认 best.pt 达标后先导出 ONNXpython export.py \ --weights runs/train-seg/orchard-seg/weights/best.pt \ --include onnx \ --simplify \ --imgsz 640树莓派 4B 这类边缘硬件建议加--half输出 FP16 版本文件约减半、推理更快。--dynamic先别加原因见下面踩坑清单。模型拷到设备、pip install onnxruntime之后用 segment/predict.py 里的推理入口接摄像头import cv2 from segment.predict import run # source0 取默认摄像头果园远端可换成 IP 摄像头地址 run( weightsruns/export/orchard-seg.onnx, source0, imgsz640, conf_thres0.35, iou_thres0.45, )回传不用传整图只上报结果 JSON坐标、类别、置信度、掩码面积加缩略图每条几百字节云端按 GPS 汇总就能生成病斑热力图。踩坑清单这些弯路别走 ⚠️坑一Mosaic 后期不关小目标漏检现象后 10 个 epoch 验证曲线走平红蜘蛛群这类小目标仍漏。原因马赛克混合还开着模型持续见到扭曲画面细小特征没定型。解法训练加--close-mosaic 15最后 15 个 epoch 只保留裁剪和翻转。坑二标注框过紧掩码面积偏小现象框 IoU 很高但掩码面积明显小于实际病斑。原因标注员贴着斑缘画病斑外围的“晕圈”没标进去。解法抽 200 张复标多边形外扩 2–4 像素后重新验证。坑三ONNX 动态 shape 推理报错现象带--dynamic导出的模型在树莓派上推理时输入形状不匹配。原因边缘推理引擎期望固定输入动态图无法对齐。解法去掉--dynamic重新导出输入写死 1×3×640×640设备端用 letterbox 补齐。效果复盘 以 300 亩果园为例下表为示例场景的估算值请换成你自己的实测指标人工巡检YOLOv9 方案示例场景早期病斑检出率约 50%约 90%病斑面积量化无法量化掩码面积mm² 级全园巡检耗时约 2 周约 3 天人力投入周均约 10 人日约 2 人日项目说明与目录结构见 README.md训练入口是 segment/train.py推理入口是 segment/predict.py用 benchmarks.py 可以在你自己的硬件上实测各尺寸模型的 FPS。下一步可以先把自己的摄像头接上source0跑通再考虑接入多光谱或温湿度数据做特征补充。【免费下载链接】yolov9Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information项目地址: https://gitcode.com/GitHub_Trending/yo/yolov9创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考