企业官网建设流程全解析

简介：基于YOLOv8的智能家居阳台花盆自动灌溉监测系统，是一套融合目标检测、可视化管理与部署指导的完整项目方案，面向计算机、人工智能等专业学生及毕业设计、课程设计开发者。压缩包内共8个文件，以3个py源码脚本、3个pt模型权重文件和2个txt说明文档为主，整体大小15.91MB，结构简洁，便于直接运行。其中py脚本分别覆盖界面交互、视频检测与模型训练，pt权重包含预训练模型与最佳模型，txt则提供部署说明与数据配套信息。项目代码均经过运行验证，并提供完整数据集、可视化页面及部署教程，支持生成核心指标曲线、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果和标签分布图，便于答辩展示与效果评估。目前已有36人学习下载，适合需要快速落地实验、完成课设或毕设演示的开发者。

1. 先看这个系统在做什么：从花盆画面到水泵动作的完整闭环

同样一盆绿萝，早上八点和下午两点的颜色在摄像头里完全不同：顺光时叶片油亮，逆光时发灰发暗。阳台花盆自动灌溉的难点其实不在水泵和继电器，而在“怎么让程序像人一样判断这盆花现在缺不缺水”。土壤湿度传感器插久了会盐碱化失效，埋深了又感应不到表层干湿，所以这个项目的思路是用 YOLOv8 做目标检测：摄像头对着阳台，模型框出花盆的同时把叶片分成正常、发黄、枯萎，连续多帧判定缺水后通过继电器驱动水泵；配套可视化界面实时显示画面、检测框和浇水记录。一句话概括：这是一套用视觉判断代替传感器触发的自动灌溉闭环，源码、完整数据集和部署教程齐全，适合拿来做毕设或课程设计。

2. 数据与模型准备：给 YOLOv8 造一个能用的花盆检测数据集

训练一个能被答辩老师认可的模型，功夫七成花在数据上，三成花在训练参数上。这个项目的检测对象是阳台场景下的花盆和叶片，环境比公开数据集里的普通物体复杂得多，所以先别急着下载现成的权重，老老实实从自己的数据集开始。

2.1 选型：为什么用 YOLOv8 而不是 OpenCV 阈值分割

在做这个系统之前，最容易走的老路是 OpenCV 加颜色阈值：把 BGR 转到 HSV，找绿色区域，统计占比，低于某个值就浇水。这套方案在实验室固定灯光下能跑通，一上阳台就翻车。原因是光照强度、色温、阴影范围每半小时都在变，同一种绿色在不同帧里的 HSV 区间根本不是固定值；再加上花盆、土壤、叶片的边界在阴影里会糊在一起，轮廓检测拿到的面积忽大忽小。

换用 YOLOv8 之后，这些“玄学”就变成了训练问题。网络结构上，YOLOv8 用 C2f 模块做多尺度特征复用，检测头是 Anchor-Free 的解耦结构，框的位置和类别得分分开预测，对叶片这种形状不规则、边缘不整齐的目标反而友好。看网络结构图时会发现它的 Backbone 和 Neck 比前代更精简，这也是参数量下降但精度不降的主要原因。

选哪个尺寸的模型也值得想一下。毕设演示现场大概率没有独立显卡，用 YOLOv8n 或 YOLOv8s 就够：n 在 CPU 上跑 640 分辨率一帧大概几十毫秒，能跟上实时预览。m 以上的模型精度高一点，但 CPU 推理会明显掉帧，“实时监控”就名存实亡了。

类别设计我一般会这样定：flowerpot、healthy_leaf、yellow_leaf、wilted_leaf 四类。flowerpot 让模型学会约束整体区域，避免把阳台外的树也框进来；yellow_leaf 是早中期缺水信号，wilted_leaf 是严重缺水。检测到 yellow 进入待浇水状态，wilted 立即触发，这比只分“正常/缺水”两个类抗光照变化能力强很多，因为中间类别给了模型一个缓冲。

2.2 用 labelme 标注并转成 YOLO 格式：转换脚本与四个边界坑

数据集质量决定这个毕设的上限。采集时别只在中午拍，要在早晨、正午、傍晚各拍一组，把窗帘半遮、阳光直射、阴天三种光照都覆盖进去。叶片有重叠、部分被花盆遮挡都没关系，但同一株花的正反面都要有。数量上，每类标注实例至少 150 个，整体图像量 500 张以上，训练才不容易过拟合。

标注工具用 labelme 就行，画矩形或多边形都可以，转换脚本按外接矩形处理。下面是毕设项目里最常用的 labelme 转 YOLO 格式脚本：

import json import os from glob import glob def convert_labelme_json(json_path, out_dir, class_dict): with open(json_path, "r", encoding="utf-8") as f: data = json.load(f) img_w = data["imageWidth"] img_h = data["imageHeight"] txt_name = os.path.basename(json_path).replace(".json", ".txt") out_path = os.path.join(out_dir, txt_name) lines = [] for shape in data["shapes"]: label = shape["label"] if label not in class_dict: continue cls_id = class_dict[label] # labelme 矩形标两个角点，多边形标一串点，统一取外接矩形 xs = [p[0] for p in shape["points"]] ys = [p[1] for p in shape["points"]] x_min, x_max = min(xs), max(xs) y_min, y_max = min(ys), max(ys) cx = (x_min + x_max) / 2 / img_w cy = (y_min + y_max) / 2 / img_h w = (x_max - x_min) / img_w h = (y_max - y_min) / img_h lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(out_path, "w", encoding="utf-8") as f: f.write("\n".join(lines)) class_dict = { "flowerpot": 0, "healthy_leaf": 1, "yellow_leaf": 2, "wilted_leaf": 3 } for json_path in glob("labelme/*.json"): convert_labelme_json(json_path, "datasets/leaf/labels/train", class_dict)

这段脚本有三个容易踩的细节。第一，用 min/max 求外接矩形而不是直接取 points[0] 和 points[1]，因为你标注时可能随手画了多边形，只有矩形标注才能保证两个点就是左上和右下。第二，归一化时除以的是 imageWidth 和 imageHeight，这两个字段在 json 顶层，不是某个 shape 里的小宽高。第三，class_dict 的顺序就是类别的 ID，它必须和后面 data.yaml 里的 names 列表顺序完全一致，否则训练出来的模型拿到的类别标签全是错位的。

转换完一定要抽查 txt 文件，所有坐标值都应该在 0 到 1 之间。如果出现 1.2 这种超界值，多半是 json 里的 points 单位不是像素，或者图片被压缩过但 json 没同步更新。

提示：不要把标注任务留到最后一天做。500 张图平均每张 5 个框，一个人连续标注要 4 到 6 小时，手一酸就容易把类标错，后面排查更费时间。

2.3 训练参数含义与损失曲线判读：epochs、imgsz、batch 怎么调

数据和标签就位后，写 data.yaml。这是给 YOLOv8 喂数据的入口文件：

path: datasets/leaf train: images/train val: images/val nc: 4 names: ["flowerpot", "healthy_leaf", "yellow_leaf", "wilted_leaf"]

path 建议写相对路径，训练命令在项目根目录执行就不会找不到目录。train 和 val 不能指向同一个目录，否则验证结果没有参考意义。然后跑训练命令：

yolo detect train data=datasets/leaf/data.yaml model=yolov8n.pt epochs=150 imgsz=640 batch=16 patience=30 project=runs/leaf name=exp seed=42

第一次执行会自动下载 yolov8n.pt 预训练权重，网络不稳就手动下载后放到当前目录。要是电脑内存紧张，把 batch 降到 4，imgsz 降到 480 也能跑，只是精度会掉一点。

每个训练参数的含义直接决定你调参的方向，整理成表格方便对照：

训练结束后，在 runs/leaf/exp/ 下有 weights/best.pt 和 last.pt，best.pt 是验证集 mAP 最高的权重，后面推理全部用它。关于 yolov8 画损失函数曲线图，项目里已经生成了 results.csv，直接用 pandas 画：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/leaf/exp/results.csv") fig, ax1 = plt.subplots(figsize=(10, 5)) ax1.plot(df["epoch"], df["train/box_loss"], label="train/box_loss") ax1.plot(df["epoch"], df["val/box_loss"], label="val/box_loss") ax1.set_ylabel("box loss") ax2 = ax1.twinx() ax2.plot(df["epoch"], df["metrics/mAP50(B)"], color="green", label="mAP50") ax2.set_ylabel("mAP50") fig.legend() plt.savefig("loss_curve.png")

如果 csv 里找不到这些列名，先 print(df.columns) 看一眼，不同 ultralytics 小版本的字段名会有细微差别。判断训练是否正常看三个信号：train/box_loss 应该一路下降不再反弹，val/box_loss 要和 train 保持贴近，mAP50 平稳上升。val 和 train 的 loss 拉开 20% 以上，就是过拟合，解决方向是增加数据量、加数据增强，而不是继续加 epochs。

3. 把模型变成系统：推理、可视化界面与灌溉联动

训练出 best.pt 只是完成了 30%。毕设要交付的是“打开界面就能看到实时画面、有检测框、能自动浇水”的一整套系统。这一章把推理、界面、控制三段串起来，每一段都有可以直接抄的代码结构。

3.1 最小推理代码：让摄像头画面实时出现检测框

先不碰界面，用命令行脚本验证模型能不能在真实摄像头画面里稳定工作。在项目目录下新建 detect_demo.py：

from ultralytics import YOLO import cv2 model = YOLO("runs/leaf/exp/weights/best.pt") cap = cv2.VideoCapture(0) if not cap.isOpened(): raise IOError("camera 0 cannot open, try index 1 or 2") while True: ret, frame = cap.read() if not ret: break # conf 低于 0.45 的预测框大多是阳台外的干扰目标 results = model.predict(frame, conf=0.45, imgsz=640, verbose=False) for r in results: for box in r.boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) if cls_id >= 2: # yellow_leaf / wilted_leaf print(f"{model.names[cls_id]}: {conf:.2f} at frame") annotated = results[0].plot() cv2.imshow("balcony monitor", annotated) if cv2.waitKey(1) & 0xFF == ord("q"): break cap.release() cv2.destroyAllWindows()

这段代码把整个系统最核心的一件事做了：读帧、推理、在图上画出检测框并显示。model.predict 的 conf 参数是置信度阈值，阳台上低于 0.45 的框绝大多数是远处的行人、隔壁阳台的植物或者窗框反光，过滤掉能让演示画面干净很多。imgsz 保持 640 和训练一致，改成 320 会明显掉精度。results[0].plot() 方法内部已经帮你把框、类别名、置信度画好了，不需要手动画矩形。verbose=False 是关掉每帧的日志输出，否则终端会被刷屏。

另外注意 cv2.waitKey(1) 不能省，OpenCV 在高位 GUI 环境下不调用它，窗口不会刷新，看起来就像画面卡死了。CPU 机器上跑 yolov8n 的 640 模型，一帧推理时间在几十毫秒量级，配合 waitKey(1) 足以维持近似实时的预览。

3.2 可视化界面：PyQt5 界面怎么接模型而不是各跑各的

可视化界面最常见的翻车姿势是把 while 推理循环直接写在按钮的槽函数里。这样做的结果是界面窗口一开始检测就转圈、拖不动，几秒后系统提示未响应。原因很简单：推理阻塞了 UI 的事件循环，窗口的消息处理停摆。

正确的结构是把采集和推理丢到 QThread 子线程里，通过信号把结果帧和报警信息发射回主线程。下面是可以直接用的工作线程骨架：

from PyQt5.QtCore import QThread, pyqtSignal from PyQt5.QtGui import QImage import cv2 from ultralytics import YOLO class DetectWorker(QThread): frame_ready = pyqtSignal(QImage) # 主界面用这个信号刷新视频帧 alert = pyqtSignal(str, float) # 类别名 + 置信度 def __init__(self, model_path, camera_index=0): super().__init__() self.model = YOLO(model_path) self.cam_index = camera_index self.running = True def run(self): cap = cv2.VideoCapture(self.cam_index) while self.running: ok, frame = cap.read() if not ok: continue results = self.model.predict(frame, conf=0.45, imgsz=640, verbose=False) for r in results: for box in r.boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) if cls_id >= 2: self.alert.emit(self.model.names[cls_id], conf) annotated = results[0].plot() rgb = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape qimg = QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) self.frame_ready.emit(qimg) self.msleep(30) # 控制线程循环频率，约 33 帧/秒 cap.release()

主界面里把 worker 的 frame_ready 信号连到一个槽函数，槽函数里只用一行 label.setPixmap(QPixmap.fromImage(qimg)) 刷新 QLabel 就完成了。整个界面线程不碰推理，自然不会卡死。

界面布局建议做成左边视频区、右侧三个功能区：检测统计区显示当前各类别目标数量；灌溉日志区滚动记录触发时间、类别和置信度；底部放一个“手动浇水”按钮。手动按钮一定要保留，答辩演示时这比干等自动触发直观得多，也可以准备一盆明显缺水的花当演示道具。

3.3 灌溉联动：连续帧判定与继电器控制

模型说“这帧有黄叶”不代表就该浇水。单帧判断在阳台场景下极不可靠，一阵风把叶子吹翻、一只飞虫掠过都可能导致误报。我一般会用一个滑动窗口做连续判定：窗口大小 10 帧，其中至少 5 帧命中“缺水”才触发浇水，这样既能滤掉噪声，又不会延迟太久。

from collections import deque import time class Irrigator: def __init__(self, window_size=10, trigger_frames=5, min_conf=0.5, cooldown=600, max_seconds=10): self.history = deque(maxlen=window_size) self.trigger_frames = trigger_frames self.min_conf = min_conf self.cooldown = cooldown self.max_seconds = max_seconds self.last_water = 0 def update(self, results): # 当前帧是否有缺水信号：yellow_leaf 或 wilted_leaf hit = False for r in results: for box in r.boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) if cls_id >= 2 and conf >= self.min_conf: hit = True self.history.append(hit) hit_count = sum(self.history) if hit_count >= self.trigger_frames and time.time() - self.last_water > self.cooldown: self.last_water = time.time() return True return False

两个参数值得展开说。cooldown 设为 600 秒（10 分钟），作用是即使叶片状态没恢复，也不能短时间内反复浇水，一是保护继电器和水泵，二是防止土壤积水烂根。max_seconds 是单次浇水时长上限，下面的水泵函数会用到它做硬保护。

继电器和水泵的接线，选 5V/12V 光耦继电器模块最稳妥，绝大多数电磁阀是 12V 供电，不能直接拿开发板的 GPIO 去驱动，GPIO 只负责给继电器信号线一个高低电平。控制代码按树莓派 GPIO 写法示意：

import RPi.GPIO as GPIO import time WATER_PIN = 18 GPIO.setmode(GPIO.BCM) GPIO.setup(WATER_PIN, GPIO.OUT) GPIO.output(WATER_PIN, False) # 低电平触发，初始不动作 def water(seconds=5): GPIO.output(WATER_PIN, True) time.sleep(min(seconds, 10)) # 硬上限 10 秒，防止继电器粘连漫水 GPIO.output(WATER_PIN, False)

这里有个血泪教训：继电器模块一定要选低电平触发，也就是 GPIO 输出低电平时继电器吸合。原因是开发板上电瞬间引脚默认状态多为高电平，如果继电器是高电平触发，一插电就开始浇水，阳台直接变湿地。低电平触发的话，上电默认高电平反而是安全的断开状态。

4. 部署避坑：CPU 环境的常见问题与排查路径

这套系统最常见的运行环境是 ubuntu20.04 搭建 yolov8 环境 cpu 版本，也就是去掉了 GPU 依赖的纯 CPU 环境。这一章把联调阶段的高频问题按现象、原因、解决写清楚，每一条都来自真实翻车现场。

4.1 环境崩在 torch 上：Illegal instruction 与版本玄学

现象：pip install ultralytics 一切正常，但 import torch 直接报 Illegal instruction (core dumped)，或者训练慢到无法接受。

原因：ultralytics 依赖 torch，pip 在 Linux 默认环境下会拉取 CUDA 版 torch。在没有 N 卡的机器上，CUDA 版代码执行到不支持的指令集就会崩；即使不崩，也会因为反复尝试加载 GPU 上下文而慢得离谱。

解决：先建一个干净的 Python 3.10 虚拟环境，用官方 CPU 轮子装 torch，再装 ultralytics。这一套顺序不能乱：

python3.10 -m venv venv source venv/bin/activate pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install "ultralytics>=8.2,<9" yolo predict model=yolov8n.pt source=test.jpg

最后一行是验证命令，它会自动下载 yolov8n.pt 并跑一张测试图。如果这一步能输出类别和坐标，环境就算通了。如果还报错，注意看错误信息里有没有 libopenblas 字样，有的话先 apt install libopenblas-dev 再重试。yolov8 下载权重这一步卡住的人很多，基本都是网络问题，手动下载后放在当前目录就能跳过自动下载。

4.2 训练自己的数据集：标签错位导致 mAP 一直为 0

现象：训练能正常跑完，loss 从 2.0 降到 0.8，但 mAP50 始终是 0，验证集 confidence 曲线全贴在地板上。

原因：最大概率是类别 ID 错位。转换脚本里的 class_dict 顺序和 data.yaml 的 names 列表不一致，模型学的 “yellow_leaf” 实际在 yaml 里对应的是 “flowerpot”，类别被整个带偏。还有一种情况是标注时手滑把 label 打错，某个类别在训练集里一个样本都没有。

解决：训练前先做一次标签体检。用一段脚本统计每个类别在训练集中的框数量：

from glob import glob counts = {0: 0, 1: 0, 2: 0, 3: 0} for txt in glob("datasets/leaf/labels/train/*.txt"): for line in open(txt): cls = int(line.split()[0]) counts[cls] += 1 print(counts)

counts 里任何一类是 0，训练出来的模型必然对那个类没有识别能力。其次打开一个 txt 文件人工核对，逐行看 class_id 和归一化坐标是否在 0 到 1 之间。这两步做完再重训，能解决 90% 的 mAP 为 0 问题。

4.3 可视化界面卡死：推理塞进 UI 线程

现象：点击“开始检测”后窗口转圈，标题栏显示“未响应”，过几秒 Windows 弹出强行关闭提示；Linux 下则是窗口假死，拖不动。

原因：把 while 读帧推理循环写在了按钮的 clicked 槽函数里。UI 线程被无限循环占住，Qt 的事件循环完全停摆，窗口自然无法响应。

解决：严格按 3.2 的结构，把采集和推理放进 QThread，信号槽传帧。需要特别注意的是 QThread 里不能再访问界面的控件，所有 UI 刷新都通过信号槽切回主线程；如果发现画面能显示但文字日志不刷新，检查是不是在子线程里直接调用了 label.setText 之类的方法，应该改为 emit 一个字符串信号。

4.4 灌溉误触发：单帧判定付出的代价

现象：晴天下午总是浇完水没过几分钟又开始浇；或者人从摄像头前走过也会触发浇水。

原因：单帧 conf 大于等于 0.5 就直接触发，设定太激进。午后光线变化会让绿色叶片局部发黄，模型在个别帧产生误判；人影识别成叶片则说明置信度阈值太低，或者模型没有收敛干净。

解决：套 3.3 的滑动窗口判定，10 帧里至少 5 帧命中才动作。同时把推理区域裁剪到花盆所在的 ROI，只保留画面中间一块，阳台边缘的干扰物就不进模型了。阈值方面，缺水信号 conf 提到 0.6，检测到人形类别时锁定自动浇灌 10 秒。另外预留一个总开关，调试阶段先关掉自动浇水，只做检测，等阈值调稳了再打开继电器。

4.5 演示现场翻车：摄像头索引与外接设备占用

现象：答辩现场打开界面，显示的是笔记本电脑的前置摄像头，而不是外接 USB 摄像头；或者摄像头画面黑屏，read() 一直返回 False。

原因：VideoCapture(0) 的索引不保证对应外接摄像头，Linux 下 /dev/video0 可能指向前置摄像头，不同机器对 USB 摄像头的枚举顺序也不一样。另一个常见原因是上次程序崩溃没有释放设备，摄像头被残留进程占住。

解决：写一个枚举脚本，把设备索引和分辨率打印出来，先确认再启动界面：

import cv2 for idx in range(4): cap = cv2.VideoCapture(idx) ok, frame = cap.read() print(f"index {idx}: opened={ok}, shape={None if not ok else frame.shape}") cap.release()

输出里能读到帧的就是可用的索引，把对应数字写进配置文件或界面下拉框里。演示前先跑一遍 3.1 的最小推理脚本，确认画面和检测都正常再开主界面，这个习惯能避开大部分现场事故。

5. 让系统更可靠：三个值得做的验证与进阶方向

模型训练完、界面能跑、水泵会动，这套系统就算立住了。但要拿去答辩或者自己长期用，还差一步：用数据证明它可靠，而不是只靠现场演示。

第一个建议是在阳台真实场景录一段 5 到 10 分钟的视频，用脚本离线回放，统计每一帧是否被判断为“缺水”。这样可以量化误报率，也能画出“缺水帧占比时间线”贴在论文实验章节里。简单的回放脚本如下：

import cv2 from ultralytics import YOLO model = YOLO("runs/leaf/exp/weights/best.pt") cap = cv2.VideoCapture("balcony_test.mp4") frames = 0 dry_hits = 0 while cap.isOpened(): ok, frame = cap.read() if not ok: break results = model.predict(frame, conf=0.45, verbose=False) hit = any(int(b.cls[0]) >= 2 for r in results for b in r.boxes) dry_hits += int(hit) frames += 1 print(f"water-needed frame ratio: {dry_hits}/{frames}") cap.release()

第二个方向是给系统加双保险。用一个雨滴传感器和模型做与逻辑：模型判断缺水且雨滴传感器显示晴天，才允许浇水；下雨天就算叶片发黄也跳过。模型负责“看表相”也就是叶片状态，传感器负责“看本质”也就是环境水分，两者互补，论文里的创新点和答辩加分点都在这。土壤湿度探头也可以再加一路，三个信号做多数表决，稳定性会好很多。

第三个方向是把模型从 YOLOv8n 换成 YOLOv8n-seg 做实例分割。分割能拿到叶片像素级轮廓，避免检测框里同时包含黄叶和绿叶导致的统计毛刺，但 CPU 推理帧率会下降一半，看演示机器性能取舍。

我自己做这套系统时栽过一次跟头：第一次联调只做了单帧判定，午后起风，叶子被吹得翻面，背面颜色偏灰，模型连续报了 9 帧黄叶，一个下午自动浇了 3 次水。后来把判定改成“10 帧窗口里至少 5 帧命中才浇水”，并加了 10 分钟冷却锁，这之后再没误触发过。如果你打算拿这套源码做毕设，建议先把上面的回放脚本跑一遍，再决定阈值写多少。希望帮到你。

本文还有配套的精品资源，点击获取