💡💡💡本文摘要：基于YOLO11的农业玉米雄蕊精准定位系统，阐述了整个数据制作和训练可视化过程

  博主简介

AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；

 1.YOLO11介绍

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

​

​

结构图如下：

​

1.1 C3k2

C3k2，结构图如下

​

C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck

​

实现代码ultralytics/nn/modules/block.py

1.2 C2PSA介绍

借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）

​

实现代码ultralytics/nn/modules/block.py

1.3 11 Detect介绍

分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：

​

实现代码ultralytics/nn/modules/head.py 

2.农业玉米雄蕊精准定位系统

2.1 项目背景

随着中国经济发展和人口增长，对农业生产的需求不断增加，玉米作为重要的粮食作物之一，一直处于国家粮食安全和生态保护的重要位置；

玉米制种产业是玉米生产的基础保障。随着玉米制种技术的不断发展，不育系生产由于无需去雄，节省劳动力，已经越来越普及；

在玉米种子生产过程中，母本去雄作为种子纯度保障至关重要的环节，准确识别母本去雄后残留雄穗并去除是提升种子质量的重要手段；

然而在人工去雄方面，却面临诸多难点，尤其为以下三方面：

     1. 高昂的人工成本：随着农村劳动力的减少，人工去雄的成本不断上升，尤其在去雄高峰期，成本更是显著增加；

     2. 劳动强度大：去雄工作需要在玉米生长的特定时期内完成，通常时间紧任务重，且需要在田间进行大量的体力劳动，对工人的体力和技术要求都很高；

     3. 效率和质量难以兼顾：人工去雄速度相对较慢，且由于作业人员疲劳和技能差异，去雄的质量和效率难以保证，可能存在去雄不彻底或损伤植株的问题；

2.1 农业玉米雄蕊数据集介绍

数据集大小244张，一个类别tas

标签可视化分析

 

2.2 超参数修改

位置如下default.yaml

2.3 配置cornstamen.yaml

ps:建议填写绝对路径

path: D:/ultralytics/data/cornstamen  # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val  # val images (relative to 'path') 128 images

# Classes
nc: 1  # number of classes

names: ["tas"]  # class names

2.4  如何训练

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

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')
    model.train(data='data/cornstamen.yaml',
                cache=False,
                imgsz=640,
                epochs=200,
                batch=8,
                close_mosaic=10,
                device='0',
                optimizer='SGD', # using SGD
                project='runs/train',
                name='exp',
                )

2.5 训练结果可视化结果

YOLO11 summary (fused): 238 layers, 2,582,347 parameters, 0 gradients, 6.3 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:02<00:00,  2.89s/it]
                   all         25         87      0.796      0.552      0.626      0.325

预测结果：

3. 农业玉米雄蕊精准定位系统设计

3.1 PySide6介绍

        受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。

        PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。

        PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。

3.2 安装PySide6

pip install --upgrade pip
pip install pyside6 -i https://mirror.baidu.com/pypi/simple

基于PySide6开发GUI程序包含下面三个基本步骤：

• 设计GUI，图形化拖拽或手撸；
• 响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
• 打包发布；

3.3 农业玉米雄蕊精准定位系统设计