手把手教你用YOLOv8+RFCBAMConv搭建自己的杂草识别模型（附完整代码）

基于YOLOv8与RFCBAMConv的智能杂草识别系统实战指南

1. 项目背景与核心价值

现代农业正经历着从传统耕作向精准农业的转型过程，其中杂草识别技术扮演着关键角色。传统的人工除草方式不仅效率低下，而且容易造成除草剂滥用，而基于深度学习的智能识别系统能够实现精准定位和分类，大幅提升农业生产的自动化水平。

本项目将YOLOv8目标检测框架与创新的RFCBAMConv（感受野注意力卷积）模块相结合，构建了一个高效的杂草识别系统。RFCBAMConv通过引入感受野注意力机制，解决了传统卷积操作中参数共享带来的局限性，使模型能够自适应地关注不同尺度杂草的关键特征区域。这种改进在保持YOLOv8高效推理速度的同时，显著提升了小目标杂草的检测精度。

技术亮点对比：

2. 环境配置与依赖安装

2.1 基础环境准备

推荐使用Python 3.8-3.10版本和CUDA 11.3以上的GPU环境以获得最佳性能。以下是创建conda环境并安装核心依赖的步骤：

conda create -n weed_detection python=3.9 conda activate weed_detection pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu116 pip install ultralytics==8.0.0 pip install opencv-python albumentations

2.2 RFCBAMConv模块安装

本项目中的核心创新模块需要单独安装：

# RFCBAMConv.py import torch import torch.nn as nn class RFCBAMConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1): super().__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride=stride, padding=kernel_size//2) self.ca = ChannelAttention(out_channels) self.sa = SpatialAttention(kernel_size=7) def forward(self, x): x = self.conv(x) x = self.ca(x) * x # 通道注意力 x = self.sa(x) * x # 空间注意力 return x

注意：确保你的PyTorch版本与CUDA版本匹配，否则可能导致性能下降或运行错误。可以通过nvidia-smi命令查看CUDA版本。

3. 数据集准备与增强策略

3.1 数据采集与标注

高质量的杂草数据集是模型性能的基础。建议采用以下两种方式获取数据：

• 使用公开数据集如CropAndWeed、DeepWeeds等
• 自主采集田间图像，确保覆盖不同光照条件、生长阶段和作物种类

标注工具推荐使用LabelImg或CVAT，标注格式为YOLO格式（每个图像对应一个.txt文件，包含类别和归一化坐标）。

数据集目录结构：

datasets/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ ├── val/ └── test/

3.2 数据增强策略

针对农业场景的特殊性，我们设计了以下增强组合：

# augmentation.py import albumentations as A train_transform = A.Compose([ A.RandomResizedCrop(640, 640, scale=(0.8, 1.0)), A.HorizontalFlip(p=0.5), A.VerticalFlip(p=0.5), A.RandomBrightnessContrast(p=0.3), A.GaussNoise(var_limit=(10.0, 50.0), p=0.2), A.Cutout(max_h_size=30, max_w_size=30, p=0.3), A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ], bbox_params=A.BboxParams(format='yolo'))

关键增强技术说明：

• RandomResizedCrop：模拟不同距离拍摄效果
• Cutout：增强对部分遮挡的鲁棒性
• GaussNoise：提高低光照条件下的识别能力

4. 模型架构与核心代码实现

4.1 YOLOv8与RFCBAMConv集成

RFCBAMConv模块被集成到YOLOv8的Backbone和Neck部分，替换原有的标准卷积层：

# yolov8n.yaml backbone: # [from, repeats, module, args] - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, RFCBAMConv, [128, 3, 2]] # 1-P2/4 - [-1, 3, C2f, [128, True]] - [-1, 1, RFCBAMConv, [256, 3, 2]] # 3-P3/8 - [-1, 6, C2f, [256, True]] - [-1, 1, RFCBAMConv, [512, 3, 2]] # 5-P4/16 - [-1, 6, C2f, [512, True]] - [-1, 1, RFCBAMConv, [1024, 3, 2]] # 7-P5/32 - [-1, 3, C2f, [1024, True]] - [-1, 1, SPPF, [1024, 5]] # 9

4.2 训练配置与参数调优

训练参数对模型性能影响显著，以下是经过优化的配置：

# train_config.yaml lr0: 0.01 # 初始学习率 lrf: 0.01 # 最终学习率(cosine衰减) momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 warmup_momentum: 0.8 box: 7.5 # box损失权重 cls: 0.5 # 分类损失权重 dfl: 1.5 # 分布焦点损失权重 hsv_h: 0.015 # 色调增强 hsv_s: 0.7 # 饱和度增强 hsv_v: 0.4 # 亮度增强

启动训练命令：

yolo detect train data=weed.yaml model=yolov8n-RFCBAM.yaml epochs=300 batch=16 imgsz=640

5. 性能优化与部署实践

5.1 模型量化与加速

为满足边缘设备部署需求，可采用TensorRT加速：

# export_trt.py from ultralytics import YOLO model = YOLO('best.pt') # 加载训练好的模型 model.export(format='engine', device=0, simplify=True, workspace=4)

量化对比结果：

5.2 实际应用示例

田间部署时，可采用以下处理流程：

# inference.py import cv2 from ultralytics import YOLO model = YOLO('best.engine') # 加载TensorRT模型 def process_frame(frame): results = model(frame, imgsz=640, conf=0.5) for box in results[0].boxes: x1, y1, x2, y2 = map(int, box.xyxy[0]) cls_id = int(box.cls[0]) conf = float(box.conf[0]) cv2.rectangle(frame, (x1,y1), (x2,y2), (0,255,0), 2) cv2.putText(frame, f"{model.names[cls_id]} {conf:.2f}", (x1,y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0,255,0), 2) return frame

6. 系统评估与结果分析

在自建杂草数据集上的性能表现：

定量指标：

类别级表现：

可视化分析显示，RFCBAMConv模块显著提升了密集小目标杂草的检测能力，特别是在复杂背景下的识别准确率比基线YOLOv8提高了18.7%。