使用YOLO12和Python构建智能农业监测系统：作物病虫害识别

Ne0inhk

24 Mar 2026 — 11 min read

使用YOLO12和Python构建智能农业监测系统：作物病虫害识别

想象一下，你是一位农场主，每天清晨都要巡视上百亩的农田，用肉眼检查每一株作物是否有病虫害的迹象。这不仅耗时耗力，而且等到肉眼能发现时，往往已经错过了最佳防治时机，损失已经造成。现在，有一种技术能让你的手机或电脑摄像头变成“火眼金睛”，自动识别出叶片上的斑点、虫害，甚至能判断病害的严重程度，这就是我们今天要聊的智能农业监测系统。

传统的农业病虫害监测主要依赖人工经验，效率低、成本高，而且容易漏检。随着计算机视觉技术的发展，特别是像YOLO这样的目标检测模型，我们完全可以用AI来辅助甚至替代部分人工巡检工作。YOLO12作为该系列的最新成员，凭借其以注意力为中心的架构，在识别精度上有了新的突破，非常适合处理农田图像中背景复杂、目标细小多变的挑战。

这篇文章，我就带你一步步用Python和YOLO12，搭建一个属于自己的智能农业病虫害识别系统。我们不讲复杂的理论，只关注怎么把它用起来，解决实际问题。

1. 为什么选择YOLO12来做这件事？

在开始动手之前，你可能想问，市面上目标检测模型那么多，为什么偏偏是YOLO12？简单来说，就三个字：准、快、省。

准，指的是识别精度高。YOLO12引入了“区域注意力”机制。你可以把它想象成人的视觉焦点——我们看一张复杂的图片时，不会平均用力，而是会先聚焦在最可能有关键信息的地方。YOLO12也是这样，它会自动把计算资源“聚焦”在图像中更可能出现病虫害的区域，而不是傻傻地分析每一个像素。这对于在绿色背景中寻找小小的病斑或虫子特别有用。

快，指的是推理速度快。农业监测往往需要在移动设备或算力有限的边缘设备上运行，比如装在无人机或田间摄像头里。YOLO系列一直以实时性著称，YOLO12虽然为了精度在速度上做了一点权衡，但其“轻量级”的版本（如YOLO12n）依然能在普通电脑甚至一些开发板上流畅运行，做到“即拍即识”。

省，有两层意思。一是省心，Ultralytics团队提供了非常完善的Python包，几行代码就能调用预训练模型，大大降低了开发门槛。二是省资源，模型本身在保持性能的同时，参数量控制得比较好，对硬件要求相对友好。

所以，对于农业这种需要平衡精度、速度和成本的应用场景，YOLO12是一个相当不错的选择。

2. 搭建你的开发环境

工欲善其事，必先利其器。我们先把需要的工具准备好。整个过程非常简单，如果你已经熟悉Python环境，几分钟就能搞定。

首先，确保你的电脑上安装了Python（建议3.8或以上版本）。然后，我们主要需要安装两个核心库：

# 安装Ultralytics YOLO包，这是调用YOLO12的官方工具 pip install ultralytics # 安装OpenCV，用于图像的读取、显示和简单处理 pip install opencv-python

没错，核心就是这两个。ultralytics 包封装了YOLO系列模型（包括YOLO12）的训练、验证和预测接口，让我们用起来非常方便。opencv-python 则是处理图像视频的瑞士军刀。

安装完成后，你可以打开Python，用下面这行代码快速验证一下环境是否正常：

from ultralytics import YOLO print("YOLO包导入成功！")

如果没有报错，那么恭喜你，环境搭建已经完成了99%。

3. 三步实现病虫害图片识别

环境好了，我们直接进入最激动人心的环节：写代码识别。整个过程可以浓缩为三个步骤：加载模型、读取图片、得到结果。

3.1 第一步：加载预训练模型

YOLO12提供了多种尺寸的预训练模型，从最小的yolo12n.pt到最大的yolo12x.pt。对于农业识别，我们通常不需要识别成千上万种物体，所以从轻量级的模型开始就很好。它会自动从网上下载模型文件。

from ultralytics import YOLO import cv2 # 加载YOLO12的nano版本预训练模型，它最小最快 model = YOLO('yolo12n.pt') print("模型加载完毕！")

3.2 第二步：准备待识别的农业图片

你需要准备一些包含作物（比如水稻、小麦、番茄叶片）的图片，最好是有病虫害症状的。这里我假设你有一张名为diseased_leaf.jpg的图片放在当前文件夹。

# 指定图片路径 image_path = 'diseased_leaf.jpg' # 使用OpenCV读取图片，顺便看看图片是否加载成功 image = cv2.imread(image_path) if image is None: print(f"错误：无法读取图片 {image_path}，请检查路径。") else: print(f"图片加载成功，尺寸为：{image.shape}")

3.3 第三步：运行识别并查看结果

这是最核心的一步，调用模型的预测功能。

# 执行预测 results = model(image_path) # 也可以直接传入上面读取的image数组 # 结果是一个列表，我们取第一个（因为只预测了一张图） result = results[0] # 最直观的方式：把识别结果画在原图上，并保存为新文件 annotated_image = result.plot() # 这个函数会自动把识别框和标签画上去 # 用OpenCV显示结果图片 cv2.imshow('病虫害识别结果', annotated_image) cv2.waitKey(0) # 按任意键关闭窗口 cv2.destroyAllWindows() # 同时保存结果图片 output_path = 'detected_leaf.jpg' cv2.imwrite(output_path, annotated_image) print(f"结果已保存至：{output_path}")

运行这段代码，你应该能看到一个新窗口弹出，图片中的病虫害区域（如果模型能识别的话）会被框出来，并打上标签。

但是，你可能会发现，框出来的标签可能是“person”、“car”之类的东西。这是因为我们加载的yolo12n.pt是在COCO数据集上预训练的，它能识别80种常见物体，但其中并不包含“小麦锈病”或“蚜虫”。这引出了下一个关键问题：如何让它认识我们的农作物病虫害？

4. 教AI认识特定的病虫害：模型微调

要让YOLO12成为真正的农业专家，我们需要用自己收集的、标注好的病虫害图片去“教”它，这个过程叫做微调。听起来很高大上，但用Ultralytics工具，流程非常清晰。

4.1 准备数据集

这是最重要的一步。你需要收集大量农作物图片，并做好标注。

收集图片：用手机或相机在田间拍摄，确保包含健康叶片和各种病虫害叶片（如白粉病、锈病、虫咬孔洞等）。图片数量越多越好，至少每类几百张。
标注图片：使用标注工具（如LabelImg、Roboflow等），在图片上画出病虫害区域的边界框，并为其命名，例如“powdery_mildew”（白粉病）、“aphid”（蚜虫）。

标注完成后，你会得到每张图片对应的一个.txt文件，里面记录了框的位置和类别ID。同时，你需要准备一个数据集配置文件data.yaml，它的内容大致如下：

# data.yaml path: /path/to/your/dataset # 数据集根目录 train: images/train # 训练图片路径 val: images/val # 验证图片路径 # 类别名称和数量 names: 0: healthy_leaf 1: powdery_mildew 2: aphid 3: leaf_spot # ... 你的其他类别 nc: 4 # 类别数量，这里例子是4类

4.2 开始微调训练

数据准备好后，训练代码简单得惊人：

from ultralytics import YOLO # 加载一个基础模型，这里我们依然用yolo12n，因为它小，训练快 model = YOLO('yolo12n.pt') # 开始训练！ results = model.train( data='path/to/your/data.yaml', # 指向你的数据集配置文件 epochs=50, # 训练轮数，可以从50开始尝试 imgsz=640, # 输入图片尺寸 batch=16, # 每批处理的图片数，根据你的显卡内存调整 name='yolo12_agriculture' # 给这次训练任务起个名字 )

训练过程会自动进行，你可以在终端看到损失下降、精度提升的日志。训练完成后，会在runs/detect/yolo12_agriculture/目录下找到最好的模型文件weights/best.pt。

4.3 使用微调后的模型

训练好后，使用方式和之前完全一样，只是加载的模型文件换成了你自己的：

# 加载我们微调好的农业专家模型 custom_model = YOLO('runs/detect/yolo12_agriculture/weights/best.pt') # 用新模型进行预测 agriculture_results = custom_model('new_field_photo.jpg') # ... 后续显示和保存结果的代码同上

现在，你再识别农田图片，它就能准确地喊出“白粉病”、“蚜虫”等专业名称了。

5. 从图片到现实：构建完整监测流程

单一的图片识别只是一个开始。一个实用的农业监测系统，需要考虑从数据采集到结果输出的完整流程。这里我给你提供两个进阶思路：

思路一：批量处理与统计 你可以写一个脚本，自动扫描一个文件夹里所有田间摄像头定时拍摄的图片，批量识别，并生成一份统计报告。

import os from ultralytics import YOLO import pandas as pd model = YOLO('你的农业模型.pt') image_folder = 'daily_field_images/' results_list = [] for img_name in os.listdir(image_folder): if img_name.endswith(('.jpg', '.png')): img_path = os.path.join(image_folder, img_name) results = model(img_path)[0] # 统计这张图里发现了哪些病虫害 detections = {} for box in results.boxes: cls_name = results.names[int(box.cls)] # 获取类别名称 detections[cls_name] = detections.get(cls_name, 0) + 1 results_list.append({ 'image': img_name, 'detections': detections, 'time': '2023-10-27 08:00' # 可以从文件名或元数据中提取时间 }) # 生成一个简单的统计表格 df = pd.DataFrame(results_list) df.to_csv('daily_pest_report.csv', index=False) print("每日病虫害报告已生成！")

思路二：视频流实时监测 如果你有RTSP摄像头的视频流，或者想用电脑摄像头实时监测一小盆植物，也可以轻松实现。

import cv2 from ultralytics import YOLO model = YOLO('你的农业模型.pt') cap = cv2.VideoCapture(0) # 0代表电脑自带摄像头，也可以是视频文件路径或RTSP流地址 while cap.isOpened(): ret, frame = cap.read() if not ret: break # 对每一帧进行识别 results = model(frame, verbose=False)[0] # verbose=False关闭冗余日志 annotated_frame = results.plot() # 显示实时结果 cv2.imshow('Real-time Crop Monitoring', annotated_frame) # 按'q'键退出 if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

6. 总结

走完这一趟，你会发现，用YOLO12和Python搭建一个智能农业监测系统的核心，其实并不在于编写多么复杂的算法，而在于思路的转变和工具的熟练使用。我们利用了YOLO12这个强大的现成模型，通过微调让它具备了农业领域的专业知识，再结合一些简单的Python脚本，就把一个听起来很高科技的构想变成了可以运行的原型。

实际部署时，你可能会遇到更多细节问题，比如如何在光照变化剧烈的户外保证识别稳定性、如何将系统部署到低功耗的树莓派或无人机上等等。但有了今天这个基础，你完全有能力去搜索和解决那些问题。技术的最终目的是服务生活，希望这个小小的项目，能为你打开一扇通往智慧农业的大门，哪怕只是帮你更好地照顾阳台上的几盆花草，也是一件很有成就感的事。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 ZEEKLOG星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

使用YOLO12和Python构建智能农业监测系统：作物病虫害识别

Ne0inhk