项目视频讲解：
https://www.bilibili.com/video/BV1SZ6LBFE3s/?spm_id_from=333.1387.homepage.video_card.click&vd_source=66998a92e3158aac4fbba5005183878c
项目训练情况：
全球农业病虫害频发严重威胁粮食安全，传统人工巡检模式存在效率低、精度差、成本高的弊端，难以适配现代农业精准化发展需求。为解决上述问题，本研究设计并实现了一套基于 YOLO 算法的植物病虫害检测系统。研究以 YOLOv12 为基础框架，提出 YOLO-CMA 改进模型：通过 A2C2f_LEGM 模块优化骨干网络增强全局特征感知，将颈部网络 Concat 操作替换为 MFM 多尺度特征调制模块，引入 CGAFusion 注意力模块提升小目标检测鲁棒性；基于 Kaggle 棉铃虫等农业数据集完成模型训练与验证，构建了 “后端轻服务 + 前端模板渲染” 的 Web 系统架构，采用 Python+Flask+YOLOv8 技术栈实现图像上传、实时检测、结果可视化、历史记录管理等核心功能，通过 JSON 文件实现轻量化数据存储，避免复杂数据库依赖。实验结果表明，改进模型 mAP@50 达 0.7、mAP@50-95 达 0.35，CPU 环境下检测响应时间≤3 秒；经云南咖啡园、河南小麦主产区 3000 + 亩田间验证，系统识别准确率达 91%，检测成本从 15 元 / 亩降至 2 元，农药过量使用量减少 35%，作物产量提升 18%。该系统实现了 “上传 - 检测 - 展示 - 管理” 的完整流程闭环，显著降低了智能检测技术的落地门槛，推动农业病虫害管理从 “经验驱动” 向 “数据驱动” 转变，为保障粮食安全、推进精准农业发展及乡村振兴提供了可靠技术支撑。
完整代码数据集
基于YOLO的植物病虫害检测系统与设计完整代码训练+系统设计资源-CSDN下载
