# wheat-count

**Repository Path**: zihao0916/wheat-count

## Basic Information

- **Project Name**: wheat-count
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-26
- **Last Updated**: 2026-04-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 小麦穗检测项目

这是一个基于 `Faster R-CNN` 的小麦穗目标检测项目，当前保留的核心流程只有三部分：

- `src/train.py`：训练
- `src/predict.py`：单图/批量预测
- `test_project.py`：项目自检

详细的数据格式、目录放置方式和训练准备说明见：

- [训练数据准备与目录说明](./docs/训练数据准备与目录说明.md)

当前代码已经支持两种标注输入：

- 每图一个 `JSON`
- 标准 `YOLO txt`

现在也支持本地 GUI 运行：

- `app_gui.py`：本地 Flask 浏览器界面，支持单图预测和批量预测

## 当前项目结构

```text
xiaomaosui-python/
├── app_gui.py
├── config.yaml
├── requirements.txt
├── README.md
├── batch_split_input/
├── batch_split_output/
├── data/
│   ├── train/
│   │   ├── *.jpg|png
│   │   └── annotations/*.json
│   ├── val/
│   │   ├── *.jpg|png
│   │   └── annotations/*.json
│   └── test/
│       ├── *.jpg|png
│       └── annotations/*.json
├── docs/
│   ├── 训练数据准备与目录说明.md
│   └── 项目结构与文件说明.md
├── outputs/
│   ├── checkpoints/
│   ├── logs/
│   └── results/
├── pic/
├── src/
│   ├── data_loader.py
│   ├── calculate_density.py  # 兼容入口
│   ├── gui/
│   │   └── web_app.py
│   ├── model.py
│   ├── predict.py
│   ├── split_folder.py   # 兼容入口
│   ├── split_image.py    # 兼容入口
│   └── train.py
├── tools/
│   ├── calculate_density.py
│   ├── split_folder.py
│   └── split_image.py
└── test_project.py
```

## 环境安装

```bash
cd /Users/wzh/Desktop/xiaomaosui-python
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
```

如果你已经使用我配置好的环境，直接执行：

```bash
cd /Users/wzh/Desktop/xiaomaosui-python
source .venv/bin/activate
```

## 自检

```bash
python test_project.py
```

## 训练

```bash
python src/train.py
```

如果需要指定配置文件：

```bash
python src/train.py --config config.yaml
```

## 预测

单张图像：

```bash
python src/predict.py data/test/example.jpg outputs/checkpoints/best_model.pth
```

如果想在 Python 里批量预测：

```python
from src.predict import predict_batch

results = predict_batch(
    image_dir="data/test",
    model_path="outputs/checkpoints/best_model.pth",
    output_dir="outputs/results",
)
```

## 切图工具

如果你想把一张大图切成 `8` 张小图，方便后续逐张标注，可以直接运行：

```bash
python src/split_image.py \
  --image pic/DJI_20260412175301_0004_V.JPG \
  --output-dir outputs/split_images
```

默认是 `2 行 × 4 列 = 8 张`，并且会额外生成一份切片清单 CSV。

如果想保留原始扩展名：

```bash
python src/split_image.py \
  --image pic/DJI_20260412175301_0004_V.JPG \
  --output-dir outputs/split_images \
  --keep-original-format
```

## 批量切图工具

如果你想固定裁剪一个文件夹里的所有图片，可以直接使用：

```bash
python src/split_folder.py
```

默认规则：

- 输入文件夹：`batch_split_input/`
- 输出文件夹：`batch_split_output/`
- 默认每张图切成 `2 × 4 = 8` 张

使用步骤：

1. 把待裁剪原图放进 `batch_split_input/`
2. 运行 `python src/split_folder.py`
3. 去 `batch_split_output/` 查看结果

每张原图都会生成一个单独子文件夹，里面包含：

- 8 张切片小图
- 1 个该图的切片坐标清单 CSV

批量执行后，`batch_split_output/` 根目录还会额外生成：

- `batch_split_summary.csv`

## 穗密度换算工具

如果你想把“当前图片里的穗数”进一步换算成 `ears/m²`，可以直接使用：

```bash
python src/calculate_density.py \
  --image pic/DJI_20260412175301_0004_V.JPG \
  --count 120
```

如果你已经训练好了模型，也可以让脚本自动先预测穗数，再换算密度：

```bash
python src/calculate_density.py \
  --image pic/DJI_20260412175301_0004_V.JPG \
  --model-path outputs/checkpoints/best_model.pth
```

批量处理整个文件夹：

```bash
python src/calculate_density.py \
  --folder pic \
  --model-path outputs/checkpoints/best_model.pth
```

如果你已经知道这张图对应的小区面积，也可以直接按面积换算：

```bash
python src/calculate_density.py \
  --image pic/DJI_20260412175301_0004_V.JPG \
  --count 120 \
  --plot-area-m2 0.50
```

这个工具会：

- 读取图片尺寸
- 优先读取图片 EXIF 里的高度和焦距
- 自动估算图像覆盖地面面积
- 输出每张图的 `穗数 / 地面面积 = ears/m²`
- 结果保存到 `outputs/results/ear_density_results.csv`

如果你觉得 EXIF 高度不是相对冠层高度，也可以手动覆盖：

```bash
python src/calculate_density.py \
  --image pic/DJI_20260412175301_0004_V.JPG \
  --count 120 \
  --height-m 17.0
```

如果你想完全按公式手动指定参数，也支持直接传：

- `H`：`--height-m`
- `S_w`：`--sensor-width-mm`
- `f`：`--focal-mm`
- `I_w`：默认自动读取，也可以用 `--image-width-px` 手动覆盖

示例：

```bash
python src/calculate_density.py \
  --image pic/DJI_20260412175301_0004_V.JPG \
  --count 120 \
  --height-m 17.0 \
  --sensor-width-mm 6.4 \
  --focal-mm 29.85
```

如果你还想把图像像素宽高也完全手动指定：

```bash
python src/calculate_density.py \
  --image pic/DJI_20260412175301_0004_V.JPG \
  --count 120 \
  --height-m 17.0 \
  --sensor-width-mm 6.4 \
  --sensor-height-mm 4.8 \
  --focal-mm 29.85 \
  --image-width-px 4000 \
  --image-height-px 3000
```

## GUI 运行

启动本地图形界面：

```bash
python app_gui.py
```

GUI 支持：

- 选择模型文件和配置文件
- 选择单张图片进行预测并显示结果图
- 上传多张图片或填写本地文件夹做批量预测
- 在页面中直接显示穗数、估算地面面积和 `ears/m²`
- 支持手动输入 `H / S_w / f / I_w / I_h` 覆盖默认换算参数
- 也支持直接输入“小区面积 (m²)”，按面积直接换算穗密度
- 自动导出带框图片、`batch_results.csv` 和 `batch_density_results.csv`

运行后会自动在浏览器打开本地页面，默认地址是：

```text
http://127.0.0.1:7860
```

## 保留和删除说明

本次已经删除这些明显过时或无实际用途的文件：

- `write_loader.py`
- `test_with_real_images.py`
- `output.txt`
- `DEPENDENCY_FIX_COMPLETED.md`

这些文件要么是空文件，要么和当前训练/预测接口不兼容，继续保留只会增加混乱。