基于yolo8的常见食用菌检测

前言

  • 食用菌种植、生鲜分拣和菜市场销售中,经常需要分清“这是哪种菇”。品种一多,外形又相近,人工辨认既费时又容易混淆。
  • 本文介绍一种基于 YOLO8 的常见食用菌检测方法:输入一张图片,模型框出图中的每一朵(或每一簇)菇,并给出品种名称和置信度。
  • 项目可识别香菇、平菇、杏鲍菇、金针菇、猴头菇、羊肚菌、黑木耳、竹荪等 21 种常见食用菌。
  • 本项目只区分这 21 种已知的食用菌品种,不判断野生蘑菇是否有毒,识别结果不能作为能否食用的依据。


  • 整体流程主要分为两步。
  • 第一步:准备带有位置框和品种标注的食用菌图片,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,对指定图片进行检测,输出每个目标的中文品种名、置信度和位置。

介绍

第一步:食用菌检测模型训练

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

  • 项目使用 Roboflow 上公开的食用菌检测数据集(mushroom-nksu4),共四千多张图片,分为训练集、验证集和测试集。
  • 标注采用 YOLO 目标检测格式,每条标注包含类别编号、归一化的中心点坐标、宽度和高度。
  • 一张图片中常常有好几朵菇,所以下表统计的是标注框数量,不是图片数量。
  • 类别编号:0;英文类别:Agaricus bisporus;中文含义:双孢蘑菇;训练集:337;验证集:105;测试集:79;合计:521

  • 类别编号:1;英文类别:Agaricus blazei Murill;中文含义:姬松茸;训练集:184;验证集:66;测试集:57;合计:307

  • 类别编号:2;英文类别:Agrocybe aegerita;中文含义:茶树菇;训练集:116;验证集:43;测试集:38;合计:197

  • 类别编号:3;英文类别:Armillaria mellea;中文含义:蜜环菌;训练集:160;验证集:70;测试集:60;合计:290

  • 类别编号:4;英文类别:Auricularia auricula;中文含义:黑木耳;训练集:197;验证集:92;测试集:57;合计:346

  • 类别编号:5;英文类别:Boletus;中文含义:牛肝菌;训练集:269;验证集:109;测试集:73;合计:451

  • 类别编号:6;英文类别:Cantharellus cibarius;中文含义:鸡油菌;训练集:251;验证集:82;测试集:106;合计:439

  • 类别编号:7;英文类别:Clitocybe maxima;中文含义:猪肚菇;训练集:234;验证集:68;测试集:78;合计:380

  • 类别编号:8;英文类别:Collybia albuminosa;中文含义:鸡枞菌;训练集:407;验证集:142;测试集:143;合计:692

  • 类别编号:9;英文类别:Coprinus comatus;中文含义:鸡腿菇;训练集:306;验证集:108;测试集:119;合计:533

  • 类别编号:10;英文类别:Cordyceps militaris;中文含义:虫草花;训练集:220;验证集:73;测试集:86;合计:379

  • 类别编号:11;英文类别:Dictyophora indusiate;中文含义:竹荪;训练集:314;验证集:88;测试集:81;合计:483

  • 类别编号:12;英文类别:Flammulina velutiper;中文含义:金针菇;训练集:143;验证集:38;测试集:57;合计:238

  • 类别编号:13;英文类别:Hericium erinaceus;中文含义:猴头菇;训练集:350;验证集:106;测试集:144;合计:600

  • 类别编号:14;英文类别:Hypsizygus marmoreus;中文含义:蟹味菇;训练集:153;验证集:68;测试集:56;合计:277

  • 类别编号:15;英文类别:Lentinus edodes;中文含义:香菇;训练集:737;验证集:212;测试集:267;合计:1,216

  • 类别编号:16;英文类别:Morchella esculenta;中文含义:羊肚菌;训练集:299;验证集:93;测试集:117;合计:509

  • 类别编号:17;英文类别:Pleurotus citrinopileatus;中文含义:榆黄蘑;训练集:145;验证集:49;测试集:47;合计:241

  • 类别编号:18;英文类别:Pleurotus cystidiosus;中文含义:鲍鱼菇;训练集:195;验证集:74;测试集:52;合计:321

  • 类别编号:19;英文类别:Pleurotus eryngii;中文含义:杏鲍菇;训练集:191;验证集:63;测试集:68;合计:322

  • 类别编号:20;英文类别:Pleurotus ostreatus;中文含义:平菇;训练集:148;验证集:52;测试集:53;合计:253

  • 类别编号:合计;英文类别:—;中文含义:—;训练集:5,356;验证集:1,801;测试集:1,838;合计:8,995

  • 数据集的标注方式不完全统一:有的图片把一整簇菇框成一个目标,有的图片则逐朵标注。这会在一定程度上影响评估成绩。

训练目标检测模型

  • 项目使用 yolo8.pt 作为初始权重,在食用菌图片上进行微调,训练 50 轮,输入尺寸为 640。
  • 图片输入模型后,模型预测每个目标的边界框、品种和置信度。
  • 在项目根目录运行 train.py 即可开始训练。脚本会自动读取数据集的类别信息,有显卡时用显卡,没有时用 CPU。
  • 训练结束后,脚本会在测试集上评估一次,并把最佳权重复制到根目录的 best.pt。

训练结果评估

  • 精确率表示模型画出的框中,品种判断正确的比例;召回率表示所有真实目标中,被模型找出来的比例。
  • mAP50 是检测任务的综合成绩:预测框和真实框重叠超过一半就算对,满分为 1。
  • 本文使用测试集的 827 张图片验证了 best.pt,结果为:精确率 72.0%,召回率 69.4%,mAP50 为 0.740。
  • 外形特征明显的品种效果较好,例如榆黄蘑的 mAP50 达到 0.95。杏鲍菇、虫草花、鸡枞菌等品种只有 0.61 到 0.63,主要原因是颜色和形状与其他白色、褐色菇类接近,容易混淆。

第二步:指定食用菌图片检测

加载检测权重

  • predict.py 默认加载项目根目录中的 best.pt,也可以通过 --model 参数指定其他权重。

使用脚本识别图片

  • 在项目根目录执行如下命令,检测指定图片中的食用菌:
python predict.py --input 图片路径
  • 不指定 --input 时,脚本默认检测测试集的第一张图片。这张图里有 7 朵香菇,模型找出了其中 5 朵,品种全部判断为香菇,置信度在 0.80 到 0.97 之间。
  • 脚本会保存一张标注了中文品种名和检测框的结果图,同时把每个目标的品种、置信度和坐标写入同名的 JSON 文件。

检测效果与适用范围

  • 除了图片,--input 还可以传入视频文件,或者写 webcam 调用摄像头实时检测。
  • 加上 --collect 参数后,脚本会把置信度不高的图片单独保存下来,方便人工复核后补充进训练集。
  • 菇体密集堆叠、互相遮挡时,容易漏检部分目标,最好补充相应的图片后重新训练。

总结

  • 以上就是基于 YOLO8 的常见食用菌检测项目的主要实现流程:准备 21 种食用菌的标注数据,微调 YOLO8 检测模型,再用最佳权重对图片进行检测和结果展示。
  • 测试集上模型的 mAP50 为 0.740,召回率为 69.4%。
  • 后续可以统一标注标准,补充杏鲍菇、虫草花等易混品种的图片,并适当增加训练轮数,进一步提高识别效果。
  • 感兴趣的小伙伴可以联系我.