基于yolo8的中药材识别
前言
- 中药房抓药、药材验收和中医药教学中,经常需要分辨外形相近的药材。靠人工逐一辨认,对经验要求高,初学者容易认错。
- 本文介绍一种基于 YOLO8 的中药材识别方法:输入一张药材图片,模型判断它是哪一种中药材,并给出中文名、拉丁名和置信度。
- 项目可识别枸杞、金银花、百合、党参、山楂、五味子、连翘、桃仁、苦杏仁等 25 类常见中药材。
- 本项目针对的是单一药材的特写图片,每张图片只给出一个识别结果。它不能在混合药材的图片中逐个找出每种药材,也不判断药材的真伪、产地和质量等级。
- 整体流程主要分为两步。
- 第一步:把多个公开的中药材图片数据集合并,转换成 YOLO 格式,以 YOLO8 预训练权重为起点进行微调训练。
- 第二步:加载训练好的
best.pt,对指定图片进行识别,输出置信度最高的药材名称。
介绍
第一步:中药材识别模型训练
YOLO8 环境配置
- 项目使用 Python 开发,模型训练和推理由 Ultralytics 完成。
- 依赖安装命令如下:
pip install ultralytics
数据集准备与处理
- 项目由多个公开的中药材图片数据集合并而成,共五千多张图片:一个包含 20 类果实和种子类药材,和百合、党参、枸杞、槐花、金银花 5 类。
- 每张图片只有一种药材,标注框覆盖整张图片,所以图片数量和标注数量相同。
- 枸杞子和枸杞来自不同的数据集,是同一种药材,项目中保留为两个类别。
类别编号:0;英文类别:Alpiniae Katsumadai Semen;中文含义:草豆蔻;训练集:76;验证集:26;测试集:16;合计:118
类别编号:1;英文类别:Amomi Fructus;中文含义:砂仁;训练集:159;验证集:40;测试集:34;合计:233
类别编号:2;英文类别:Amomi Fructus Rotundus;中文含义:白豆蔻;训练集:73;验证集:13;测试集:21;合计:107
类别编号:3;英文类别:Armeniacae Semen Amarum;中文含义:苦杏仁;训练集:141;验证集:24;测试集:35;合计:200
类别编号:4;英文类别:Chaenomelis Fructus;中文含义:木瓜;训练集:155;验证集:30;测试集:36;合计:221
类别编号:5;英文类别:Corni Fructus;中文含义:山茱萸;训练集:132;验证集:29;测试集:43;合计:204
类别编号:6;英文类别:Crataegi Fructus;中文含义:山楂;训练集:102;验证集:19;测试集:21;合计:142
类别编号:7;英文类别:Foeniculi Fructus;中文含义:小茴香;训练集:137;验证集:25;测试集:23;合计:185
类别编号:8;英文类别:Forsythiae Fructus;中文含义:连翘;训练集:160;验证集:36;测试集:32;合计:228
类别编号:9;英文类别:Gardeniae Fructus;中文含义:栀子;训练集:143;验证集:38;测试集:29;合计:210
类别编号:10;英文类别:Kochiae Fructus;中文含义:地肤子;训练集:216;验证集:45;测试集:39;合计:300
类别编号:11;英文类别:Lycii Fructus;中文含义:枸杞子;训练集:84;验证集:19;测试集:18;合计:121
类别编号:12;英文类别:Mume Fructus;中文含义:乌梅;训练集:153;验证集:25;测试集:33;合计:211
类别编号:13;英文类别:Persicae Semen;中文含义:桃仁;训练集:131;验证集:23;测试集:30;合计:184
类别编号:14;英文类别:Psoraleae Fructus;中文含义:补骨脂;训练集:135;验证集:34;测试集:28;合计:197
类别编号:15;英文类别:Rosae Laevigatae Frucyus;中文含义:金樱子;训练集:127;验证集:22;测试集:17;合计:166
类别编号:16;英文类别:Rubi Fructus;中文含义:覆盆子;训练集:131;验证集:30;测试集:26;合计:187
类别编号:17;英文类别:Schisandrae Chinensis Fructus;中文含义:五味子;训练集:139;验证集:32;测试集:22;合计:193
类别编号:18;英文类别:Toosendan Fructus;中文含义:川楝子;训练集:112;验证集:22;测试集:35;合计:169
类别编号:19;英文类别:Trichosanthis Pericarpoium;中文含义:瓜蒌皮;训练集:126;验证集:30;测试集:28;合计:184
类别编号:20;英文类别:baihe;中文含义:百合;训练集:166;验证集:68;测试集:37;合计:271
类别编号:21;英文类别:dangshen;中文含义:党参;训练集:171;验证集:66;测试集:35;合计:272
类别编号:22;英文类别:gouqi;中文含义:枸杞;训练集:173;验证集:66;测试集:36;合计:275
类别编号:23;英文类别:huaihua;中文含义:槐花;训练集:153;验证集:57;测试集:33;合计:243
类别编号:24;英文类别:jinyinhua;中文含义:金银花;训练集:162;验证集:67;测试集:34;合计:263
类别编号:合计;英文类别:—;中文含义:—;训练集:3,457;验证集:886;测试集:741;合计:5,084
训练识别模型
- 项目使用
yolo8.pt作为初始权重,在中药材图片上进行微调,训练 100 轮,输入尺寸为 640。 - 图片输入模型后,模型预测药材所在的框、类别和置信度。由于标注框就是整张图片,模型实际学到的是“这张图是哪种药材”。
- 在项目根目录运行
train.bat即可开始训练,训练结束后得到最佳权重best.pt。
训练结果评估
- 精确率表示模型给出的结果中,药材判断正确的比例;召回率表示所有药材图片中,被正确识别出来的比例。
- mAP50 是综合成绩,满分为 1。
- 本文使用测试集的 741 张图片验证了
best.pt,结果为:精确率 95.7%,召回率 93.9%,mAP50 为 0.973。 - 测试集中有 165 张图片在训练集或验证集里出现过,主要集中在后 5 类。去掉这些重复图片后,在剩余的 576 张图片上,mAP50 仍为 0.973,召回率为 95.3%。
第二步:指定中药材图片识别
加载识别权重
predict.py默认加载项目根目录中的best.pt,并把模型输出的拉丁名或拼音名转换为中文药材名。
使用脚本识别图片
- 在项目根目录执行如下命令,识别指定图片中的中药材:
python predict.py
- 脚本默认识别根目录下的
jinyinhua_jyh_21.jpg,模型输出金银花,置信度为 98.70%。不过这张图片本身就在训练集里,模型训练时已经见过。 - 换成测试集里的白豆蔻图片,模型输出
白豆蔻,置信度为 0.99,识别正确。 - 返回结果包含中文名、英文名和置信度。图片中有多个结果时,只保留置信度最高的一个。
识别效果与适用范围
- 模型适合对单一药材的特写照片做快速识别,可以作为药材辨认的教学和辅助工具。
- 药材真伪、炮制方式和质量等级的判断,仍然需要专业人员结合气味、质地等特征来确认。
总结
- 以上就是基于 YOLO8 的中药材识别项目的主要实现流程:合并两个中药材数据集并转换为 YOLO 格式,微调 YOLO8 模型,再用最佳权重对图片进行识别。
- 测试集上模型的 mAP50 为 0.973,召回率为 93.9%。
- 后续可以合并枸杞子和枸杞两个类别,补充桃仁、苦杏仁等易混药材的图片,并清理不同数据集之间的重复图片。
- 感兴趣的小伙伴可以联系我.