基于yolo8的蘑菇种类识别

前言

  • 野外采集、科普教学和菌类资源调查中,经常需要先判断“这朵蘑菇属于哪一类”。蘑菇种类繁多、外形相近,没有专业知识很难分清。
  • 本文介绍一种基于 YOLO8 的蘑菇种类识别方法:输入一张蘑菇图片,模型判断它属于哪个属,并给出置信度最高的前 5 个候选结果。
  • 项目可识别蘑菇属、鹅膏菌属、牛肝菌属、香菇属、侧耳属(平菇)、灵芝属等 16 个常见蘑菇属,其中也包括鹅膏菌属等含有剧毒种类的类群。
  • 本项目只给出图片所属的“属”,不定位蘑菇的位置,也不能鉴别具体物种和是否有毒。识别结果仅供学习参考,不能作为采食依据。


  • 整体流程主要分为两步。
  • 第一步:准备按蘑菇属分好文件夹的图片,以 YOLO8 分类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,输出中文属名、置信度和前 5 个候选结果。

介绍

第一步:蘑菇种类识别模型训练

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

  • 项目使用公开的蘑菇分类数据集,共两万三千多张图片,分为训练集、验证集和测试集。
  • 每个蘑菇属一个文件夹,文件夹名就是类别名,不需要另外标注位置框。
  • 图片统一缩放为 640×640。训练集中的每张原图都通过随机裁剪、旋转、调整亮度和模糊生成了 3 个版本,所以训练集数量明显多于验证集和测试集。
  • 类别编号:0;英文类别:Agaricus;中文含义:蘑菇属;训练集:846;验证集:71;测试集:45;合计:962

  • 类别编号:1;英文类别:Amanita;中文含义:鹅膏菌属;训练集:1,557;验证集:148;测试集:81;合计:1,786

  • 类别编号:2;英文类别:Boletus;中文含义:牛肝菌属;训练集:2,220;验证集:221;测试集:110;合计:2,551

  • 类别编号:3;英文类别:Chlorophyllum;中文含义:青褶伞属;训练集:987;验证集:95;测试集:55;合计:1,137

  • 类别编号:4;英文类别:Cortinarius;中文含义:丝膜菌属;训练集:1,710;验证集:184;测试集:80;合计:1,974

  • 类别编号:5;英文类别:Entoloma;中文含义:粉褶菌属;训练集:831;验证集:72;测试集:52;合计:955

  • 类别编号:6;英文类别:Ganoderma;中文含义:灵芝属;训练集:1,017;验证集:87;测试集:42;合计:1,146

  • 类别编号:7;英文类别:Hygrocybe;中文含义:湿伞属;训练集:783;验证集:91;测试集:47;合计:921

  • 类别编号:8;英文类别:Lactarius;中文含义:乳菇属;训练集:3,183;验证集:301;测试集:143;合计:3,627

  • 类别编号:9;英文类别:Lentinula;中文含义:香菇属;训练集:720;验证集:77;测试集:33;合计:830

  • 类别编号:10;英文类别:Pleurotus;中文含义:侧耳属(平菇);训练集:819;验证集:73;测试集:41;合计:933

  • 类别编号:11;英文类别:Psilocybe;中文含义:裸盖菇属;训练集:828;验证集:72;测试集:39;合计:939

  • 类别编号:12;英文类别:Russula;中文含义:红菇属;训练集:2,460;验证集:218;测试集:108;合计:2,786

  • 类别编号:13;英文类别:Suillus;中文含义:乳牛肝菌属;训练集:909;验证集:70;测试集:28;合计:1,007

  • 类别编号:14;英文类别:Termitomyces;中文含义:蚁巢伞属(鸡枞);训练集:837;验证集:62;测试集:37;合计:936

  • 类别编号:15;英文类别:Volvariella;中文含义:草菇属;训练集:753;验证集:79;测试集:32;合计:764

  • 类别编号:合计;英文类别:—;中文含义:—;训练集:20,460;验证集:1,921;测试集:973;合计:23,254

训练图像分类模型

  • 项目使用 yolo8.pt 作为初始权重,在蘑菇图片上进行微调,输入尺寸为 224。
  • 图片输入模型后,模型输出它属于每个蘑菇属的概率,概率最高的就是识别结果。
  • 在项目根目录运行 train.py 即可开始训练。脚本会先统计各类别的图片数量,有显卡时用显卡训练,训练好的权重保存为 best.pt。

训练结果评估

  • top1 准确率表示模型第一个答案就猜对的比例;top5 准确率表示正确答案出现在前 5 个候选里的比例。
  • 本文使用测试集的 973 张图片验证了 best.pt,top1 准确率为 86.0%,top5 准确率为 97.9%。
  • 牛肝菌属和鹅膏菌属识别得最好,准确率分别为 98.2% 和 95.1%。

第二步:指定蘑菇图片识别

加载识别权重

  • predict.py 默认加载项目根目录中的 best.pt;找不到时,会自动使用训练目录里的最佳权重。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,识别指定的蘑菇图片:
python predict.py --input 图片路径
  • 不指定 --input 时,脚本默认识别测试集中的第一张图片,这是一张蘑菇属的图片。
  • 模型把它判断为鹅膏菌属,置信度为 0.98;蘑菇属排在第二位,置信度只有 0.02。这次识别是错的。
  • 蘑菇属和鹅膏菌属的幼菇外形非常相似,人工辨认也容易混淆。这个例子说明,即使模型给出很高的置信度,也不能完全相信它的结论。

识别效果与适用范围

  • 模型适合用于蘑菇分类的教学演示和资料整理,可以快速缩小可能的类别范围。
  • 判断蘑菇能否食用需要结合气味、孢子印、生长环境等多种特征,必须交给专业人员,不能只依靠图片识别结果。

总结

  • 以上就是基于 YOLO8 的蘑菇种类识别项目的主要实现流程:准备 16 个蘑菇属的分类图片,微调 YOLO8 分类模型,再用最佳权重对图片进行识别。
  • 测试集上模型的 top1 准确率为 86.0%,top5 准确率为 97.9%。
  • 后续可以补充蚁巢伞属、草菇属等薄弱类别的原始图片,或换用更大的模型,进一步提高识别效果。
  • 感兴趣的小伙伴可以联系我.