本研究以YOLOV8s为基础框架，建立了番茄叶片病害检测的YOLO (You Only Look Once)模型。健康和患病的番茄叶片图像均来自Plant Village数据集。然后使用YOLOV8s使用Ultralytics Hub对这些图像进行增强、实现和训练。Ultralytics Hub为培训YOLOV8和YOLOV5模型提供了最佳设置。检测结果表明，YOLOV8s模型在准确识别不健康番茄叶片方面具有优势和效率，优于YOLOV5和Faster R-CNN模型。YOLOV8s的平均精度(mAP)最高，为92.5%，超过了YOLOV5的89.1%和Faster R-CNN的77.5%。此外，YOLOV8s模型相当小，并且显示出明显更快的检测速度。与YOLOV5的102.7 FPS和Faster R-CNN的11 FPS相比，YOLOV8s型号具有明显优越的帧率，达到121.5 FPS。这说明Faster R-CNN缺乏实时检测能力，而YOLOV5在满足这些需求方面的效率相对低于yolov8。总体而言，结果表明YOLOV8s模型在目标检测方面比本研究中检验的其他模型更有效。

图1  健康和患病番茄叶片样本:(a)健康，(b)细菌斑疹，(c)蜘蛛螨，(d)早疫病，(e)叶霉病，(f)黄卷叶病毒，(g)目标斑疹，(h)花叶病毒，(i)晚疫病，(j)叶斑病。

图2  (a)原始，(b)旋转，(c)翻转，(d)模糊，(e)高斯噪声。

图3  YOLOV8的检测流程。

图4  标准的YOLOV8网络结构。

图5  (a)训练损失值和(b)验证损失值的图形表示。

图6 检测结果图。