《博主简介》
小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
?更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~
👍感谢小伙伴们点赞、关注!
《------往期经典推荐------》
二、机器学习实战专栏【链接】,已更新31期,欢迎关注,持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
《------正文------》
摘要:
中草药智能识别系统
利用最新的YOLOv8算法,能够精准快速地识别100种不同的中草药类别。它不仅助力提高中草药鉴别的效率和准确性,而且对于保障药品质量、促进行业标准化及促进中草药的国际化交流具有重要意义。本文基于YOLOv8深度学习框架
,通过9983张图片
,训练了一个进行中草药
的识别模型,可用于识别100种不同的中草药类型
。并基于此模型开发了一款带UI界面的中草药智能识别系统
,可用于实时识别场景中的中草药类别
,更方便进行功能的展示。该系统是基于python
与PyQT5
开发的,支持图片
、批量图片
、视频
以及摄像头
进行识别检测
。本文提供了完整的Python代码和使用教程,给感兴趣的小伙伴参考学习,完整的代码资源文件获取方式见文末。
中草药智能识别系统
利用最新的YOLOv8算法,能够精准快速地识别100种不同的中草药类别,这一技术对于传统中药行业是一次重要的革新。它不仅助力提高中草药鉴别的效率和准确性,而且对于保障药品质量、促进行业标准化及促进中草药的国际化交流具有重要意义。
中草药智能识别系统的应用场景包括:
药材市场监管
:协助监管部门对药材市场进行质量监督,有效识别伪劣药材,保护消费者权益。
中药企业的质量控制
:企业可利用此系统进行药材质量的快速检验,保障产品质量,减少人工鉴别成本。
药学教育与培训
:在教育机构,系统可用于教学演示和学生练习,加强学生对中草药的识别能力。
药用植物保护
:在自然保护区或野外,对药用植物进行调查和普查,有助于生物多样性的保护。
中药配方颗粒生产
:在生产过程中识别和检测原料,确保颗粒中所用草药的正确性,保障最终产品的安全和有效性。
消费者个人使用
:为个人消费者提供方便快捷的中草药鉴别工具,提高自我保健能力和药材知识。
总结来说,中草药智能识别系统的开发和应用,对提升中药行业的科技水平、保障药品安全以及推广中草药文化都具有重要的作用。此系统的实际应用能够覆盖从监管、生产、教学到个人消费等多个层面,是连接传统中草药与现代信息技术的桥梁,为传统医药行业带来了新的发展机遇。
博主通过搜集不同中草药
的相关数据图片,根据YOLOv8的深度学习技术,基于python与Pyqt5
开发了一款界面简洁的100种中草药智能识别系统
,可支持图片、批量图片、视频以及摄像头检测
。
软件初始界面如下图所示:
检测结果界面如下:
1. 可进行100种不同中草药
的识别;
2. 支持图片、批量图片、视频以及摄像头检测
;
3. 界面可实时显示识别结果
、置信度
、用时
等信息;
单个图片检测操作如下:
点击打开图片
按钮,选择需要检测的图片,就会显示检测结果。操作演示如下:
批量图片检测操作如下:
点击打开文件夹
按钮,选择需要检测的文件夹
【注意是选择文件夹】,可进行批量图片检测
,表格中会有所有图片的检测结果信息,点击表格中的指定行,会显示指定行图片的检测结果
,双击路径单元格,会看到图片的完整路径
。操作演示如下:
点击打开视频
按钮,打开选择需要检测的视频,就会自动显示检测结果。
点击打开摄像头
按钮,可以打开摄像头,可以实时进行检测,再次点击摄像头
按钮,可关闭摄像头。
YOLOv8是一种前沿的检测与识别技术,它基于先前YOLO版本在目标检测与识别任务上的成功,进一步提升了性能和灵活性。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数,可以在从 CPU 到 GPU 的各种硬件平台上运行
。
其主要网络结构如下:
本文使用的中草药
数据集共包含9983
张图片,分为100个类别
。部分数据集及类别信息如下:
图片数据集的存放格式如下,在项目目录中新建datasets
目录,同时将分类的图片分为训练集与验证集放入Data
目录下。
数据准备完成后,通过调用train.py
文件进行模型训练,epochs
参数用于调整训练的轮数,batch
参数用于调整训练的批次大小【根据内存大小调整,最小为1】,代码如下:
#coding:utf-8
from ultralytics import YOLO
# 加载预训练模型
model = YOLO("yolov8n-cls.pt")
if __name__ == '__main__':
model.train(data='datasets/Data', epochs=300, batch=4)
# results = model.val()
在深度学习中,我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv8在训练结束后,可以在runs/
目录下找到训练过程及结果文件,如下所示:
本文训练结果如下:
模型训练完成后,我们可以得到一个最佳的训练结果模型best.pt
文件,在runs/trian/weights
目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下:
#coding:utf-8
from ultralytics import YOLO
import cv2
# 所需加载的模型目录
path = 'models/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/AnxixiangAnxixiangAnxixiang38.jpg"
# 加载模型
model = YOLO(path, task='classify')
# 检测图片
results = model(img_path)
print(results)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=0.3,fy=0.3,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)
执行上述代码后,会将执行的结果直接标注在图片上,结果如下:
以上便是关于此款中草药智能识别系统
的原理与代码介绍。基于此模型,博主用python
与Pyqt5
开发了一个带界面的软件系统,即文中第二部分的演示内容,能够很好的支持图片、批量图片、视频及摄像头进行检测
。
关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、测试图片视频等相关文件,均已打包上传,感兴趣的小伙伴可以通过下载链接自行获取。
本文涉及到的完整全部程序文件:包括python源码、数据集、训练代码、UI文件、测试图片视频等(见下图),获取方式见文末:
注意:该代码基于Python3.9开发,运行界面的主程序为
MainProgram.py
,其他测试脚本说明见上图。为确保程序顺利运行,请按照程序运行说明文档txt
配置软件运行所需环境,【包含环境配置说明文档和一键环境配置脚本文件】。
以上便是博主开发的基于YOLOv8深度学习的100种中草药智能识别系统
的全部内容,由于博主能力有限,难免有疏漏之处,希望小伙伴能批评指正。
关于本篇文章大家有任何建议或意见,欢迎在评论区留言交流!
觉得不错的小伙伴,感谢点赞、关注加收藏哦!