深度学习卷积神经网络中药材中草药分类识别含训练代码（Alexnet，GoogLeNet，Resnet，DenseNet，MobileNet，EfficientNet，Shufflent）

Jackie_AI

已于 2023-10-19 23:27:18 修改

阅读量1w

点赞数 7

文章标签：深度学习 cnn 分类

于 2023-10-19 23:08:39 首次发布

本文链接：https://blog.csdn.net/purple_love/article/details/133936652

版权

本文详细介绍了如何使用Pytorch构建一个中草药分类识别系统，包括数据集Chinese-Medicine-163的使用，模型训练过程（包括数据预处理、模型配置和优化建议），以及测试模型效果和项目源码下载。

摘要由CSDN通过智能技术生成

Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)

1. 前言

2. 中药材(中草药)数据集说明

（1）中药材(中草药)数据集：Chinese-Medicine-163

设计项目案例演示地址: 链接

毕业设计代做，，一对一指导项目方向涵盖：

基于Python，MATLAB设计，OpenCV,,CNN,机器学习,R-CNN,GCN,LSTM,SVM,BP神经网络，数字识别,贝叶斯,逻辑回
归,卷积神经网络等算法的中文文本分类.车牌识别,知识图谱,数字图像处理,手势识别,边缘检测，图像增强,
图像分类,图像分割，色彩增强，低照度。缺陷检测，病害识别，图像缺陷检测，裂缝识别，
交通标志识别,夜间车牌识别，人数统计，火焰烟雾火，车道线识别,人脸识别等系

1. 前言

基于人工智能的中药材(中草药)识别方法，能够帮助我们快速认知中草药的名称，对中草药科普等研究方面具有重大的意义。本项目将采用深度学习的方法，搭建一个中药材(中草药)AI识别系统。整套项目包含训练代码和测试代码，以及配套的中药材(中草药)数据集；基于该项目，你可以快速训练一个中草药分类识别模型。项目源码支持模型有resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型，用户可自定义进行训练；准确率还挺高的，采用resnet18模型的**中药材(中草药)**识别准确率也可以高达98.47%左右，满足业务性能需求。
模型input sizeTest准确率****mobilenet_v2224×22484.4500%googlenet224×22498.4200%resnet18224×22498.4700%

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

2. 中药材(中草药)数据集说明

（1）中药材(中草药)数据集：Chinese-Medicine-163

目前，已经收集了一个**中草药(中药材)数据集Chinese-Medicine-163，**共有收集了163种中草药(中药材)的图片数据，分为两个子集：训练集(Train)和测试集(Test)；其中训练集(Train)总数超过25万，平均每个种类约1575张图片，测试集(Test)总数1万，平均每个种类约61张图片，所有照片都已经按照其所属类别存放于各自的文件夹下，可直接用于深度学习分类模型训练。

（2）自定义数据集

如果需要新增类别数据，或者需要自定数据集进行训练，可以如下进行处理：

Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称，如

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

类别文件：一行一个列表： class_name.txt (最后一行,请多回车一行)

A
B
C
D

修改配置文件的数据路径：config.yaml

train_data: # 可添加多个数据集
  - 'data/dataset/train1' 
  - 'data/dataset/train2'
test_data: 'data/dataset/test'
class_name: 'data/dataset/class_name.txt'

3. 中草药分类识别模型训练

本项目以中草药(中药材)数据集Chinese-Medicine-163为训练样本，

（1）项目安装

整套工程基本框架结构如下：

.
├── classifier                 # 训练模型相关工具
├── configs                    # 训练配置文件
├── data                       # 训练数据
├── libs           
├── demo.py              # 模型推理demo
├── README.md            # 项目工程说明文档
├── requirements.txt     # 项目相关依赖包
└── train.py             # 训练文件

项目依赖python包请参考requirements.txt，使用pip安装即可：

numpy==1.16.3
matplotlib==3.1.0
Pillow==6.0.0
easydict==1.9
opencv-contrib-python==4.5.2.52
opencv-python==4.5.1.48
pandas==1.1.5
PyYAML==5.3.1
scikit-image==0.17.2
scikit-learn==0.24.0
scipy==1.5.4
seaborn==0.11.2
tensorboard==2.5.0
tensorboardX==2.1
torch==1.7.1+cu110
torchvision==0.8.2+cu110
tqdm==4.55.1
xmltodict==0.12.0
basetrainer
pybaseutils==0.6.5

（2）准备Train和Test数据

下载中药材(中草药)数据集：Chinese-Medicine-163，Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称。

数据增强方式主要采用：** 随机裁剪，随机翻转，随机旋转，颜色变换**等处理方式

import numbers
import random
import PIL.Image as Image
import numpy as np
from torchvision import transforms


def image_transform(input_size, rgb_mean=[0.5, 0.5, 0.5], rgb_std=[0.5, 0.5, 0.5], trans_type="train"):
    """
    不推荐使用：RandomResizedCrop(input_size), # bug:目标容易被crop掉
    :param input_size: [w,h]
    :param rgb_mean:
    :param rgb_std:
    :param trans_type:
    :return::
    """
    if trans_type == "train":
        transform = transforms.Compose([
            transforms.Resize([int(128 * input_size[1] / 112), int(128 * input_size[0] / 112)]),
            transforms.RandomHorizontalFlip(),  # 随机左右翻转
            # transforms.RandomVerticalFlip(), # 随机上下翻转
            transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.1),
            transforms.RandomRotation(degrees=5),
            transforms.RandomCrop([input_size[1], input_size[0]]),
            transforms.ToTensor(),
            transforms.Normalize(mean=rgb_mean, std=rgb_std),
        ])
    elif trans_type == "val" or trans_type == "test":
        transform = transforms.Compose([
            transforms.Resize([input_size[1], input_size[0]]),
            # transforms.CenterCrop([input_size[1], input_size[0]]),
            # transforms.Resize(input_size),
            transforms.ToTensor(),
            transforms.Normalize(mean=rgb_mean, std=rgb_std),
        ])
    else:
        raise Exception("transform_type ERROR:{}".format(trans_type))
    return transform```



修改配置文件数据路径：config.yaml


```bash
# 训练数据集，可支持多个数据集
train_data:
  - '/path/to/Chinese-Medicine-163/train'
# 测试数据集
test_data: '/path/to/Chinese-Medicine-163/test'
# 类别文件
class_name: '/path/to/Chinese-Medicine-163/class_names.txt'

（3）配置文件: config.yaml

目前支持的backbone有：googlenet,resnet[18,34,50],inception_v3,mobilenet_v2等，其他backbone可以自定义添加+ 训练参数可以通过(configs/config.yaml)配置文件进行设置

配置文件config.yaml说明如下：

train_data和test_data修改为自己的数据路径+ 注意数据路径分隔符使用【/】,不是【\】+ 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！

# 训练数据集，可支持多个数据集
train_data:
  - '/path/to/Chinese-Medicine-163/train'
# 测试数据集
test_data: '/path/to/Chinese-Medicine-163/test'
# 类别文件
class_name: '/path/to/Chinese-Medicine-163/class_name.txt'
train_transform: "train"       # 训练使用的数据增强方法
test_transform: "val"          # 测试使用的数据增强方法
work_dir: "work_space/"        # 保存输出模型的目录
net_type: "resnet18"           # 骨干网络,支持：resnet18/50,mobilenet_v2,googlenet,inception_v3
width_mult: 1.0
input_size: [ 224,224 ]        # 模型输入大小
rgb_mean: [ 0.5, 0.5, 0.5 ]    # for normalize inputs to [-1, 1],Sequence of means for each channel.
rgb_std: [ 0.5, 0.5, 0.5 ]     # for normalize,Sequence of standard deviations for each channel.
batch_size: 32
lr: 0.01                       # 初始学习率
optim_type: "SGD"              # 选择优化器，SGD,Adam
loss_type: "CrossEntropyLoss"  # 选择损失函数：支持CrossEntropyLoss,LabelSmoothing
momentum: 0.9                  # SGD momentum
num_epochs: 100                # 训练循环次数
num_warn_up: 3                 # warn-up次数
num_workers: 8                 # 加载数据工作进程数
weight_decay: 0.0005           # weight_decay，默认5e-4
scheduler: "multi-step"        # 学习率调整策略
milestones: [ 20,50,80 ]       # 下调学习率方式
gpu_id: [ 0 ]                  # GPU ID
log_freq: 50                   # LOG打印频率
progress: True                 # 是否显示进度条
pretrained: False              # 是否使用pretrained模型
finetune: False                # 是否进行finetune

（4）开始训练

整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

终端输入：

python train.py -c configs/config.yaml

（5）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法,在终端输入：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=work_space/resnet18_1.0_CrossEntropyLoss_20230404151914/log```

可视化效果

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

（6）一些优化建议

训练完成后，训练集的Accuracy在99.%以上，测试集的Accuracy在98.5%左右，下表给出已经训练好的三个模型，其中mobilenet_v2的准确率可以达到84.4500%，googlenet的准确率可以达到98.4200%，resnet18的准确率可以达到98.4700%
模型input sizeTest准确率****mobilenet_v2224×22484.4500%googlenet224×22498.4200%resnet18224×22498.4700%

如果想进一步提高准确率，可以尝试：

增加样本数据：可以采集更多的样本数据，提高模型泛化能力+ 减少种类：中草药数据集共有163种类，可以剔除部分不常见的种类+ 数据清洗数据：中草药数据集，部分数据是通过网上爬取的，存在部分错误的图片，尽管鄙人已经清洗一部分了，但还是建议你，训练前，再次清洗数据集，不然会影响模型的识别的准确率。+ 使用不同backbone模型，比如resnet50或者更深的模型+ 增加数据增强：已经支持：** 随机裁剪，随机翻转，随机旋转，颜色变换等数据增强方式，可以尝试诸如mixup，CutMix**等更复杂的数据增强方式+ 样本均衡：建议进行样本均衡处理+ 调超参：比如学习率调整策略，优化器（SGD,Adam等）+ 损失函数：目前训练代码已经支持：交叉熵，LabelSmoothing，可以尝试FocalLoss等损失函数

（7）一些运行错误处理方法：

cannot import name ‘load_state_dict_from_url’

由于一些版本升级，会导致部分接口函数不能使用，请确保版本对应

torch==1.7.1

torchvision==0.8.2

或者将对应python文件将

from torchvision.models.resnet import model_urls, load_state_dict_from_url

修改为：

from torch.hub import load_state_dict_from_url
model_urls = {
    'mobilenet_v2': 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth',
    'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth',
    'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth',
    'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth',
    'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth',
    'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',
    'resnext50_32x4d': 'https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth',
    'resnext101_32x8d': 'https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth',
    'wide_resnet50_2': 'https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth',
    'wide_resnet101_2': 'https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth',
}

4. 中草药分类识别模型测试效果

demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

def get_parser():
    # 配置文件
    config_file = "data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/config.yaml"
    # 模型文件
    model_file = "data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/model/best_model_116_98.4700.pth"
    # 待测试图片目录
    image_dir = "data/test_images"
    parser = argparse.ArgumentParser(description="Inference Argument")
    parser.add_argument("-c", "--config_file", help="configs file", default=config_file, type=str)
    parser.add_argument("-m", "--model_file", help="model_file", default=model_file, type=str)
    parser.add_argument("--device", help="cuda device id", default="cuda:0", type=str)
    parser.add_argument("--image_dir", help="image file or directory", default=image_dir, type=str)
    return parser```




```python
#!/usr/bin/env bash
# Usage:
# python demo.py  -c "path/to/config.yaml" -m "path/to/model.pth" --image_dir "path/to/image_dir"

# 配置文件
config_file="data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/config.yaml"
# 模型文件
model_file="data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/model/best_model_116_98.4700.pth"
# 待测试图片目录
image_dir="data/test_images"
python demo.py -c $config_file  -m $model_file --image_dir $image_dir

Windows系统，请将$config_file， $model_file ，$ image_dir等变量代替为对应的变量值即可，如

# 配置文件
python demo.py -c data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/config.yaml -m data/pretrained/resnet18_1.0_CrossEntropyLoss_20230404151914/model/best_model_116_98.4700.pth --image_dir data/test_images

运行测试结果：

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

pred_index:[‘人参’],pred_score:[0.9979814]

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

pred_index:[‘板蓝根’],pred_score:[0.99861455]

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

pred_index:[‘鳖甲’],pred_score:[0.99996114]

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

5.项目源码演示

设计项目案例演示地址: 链接

毕业设计一对一代做选题指导项目方向涵盖：

基于Python，MATLAB设计，OpenCV,,CNN,机器学习,R-CNN,GCN,LSTM,SVM,BP神经网络，数字识别,贝叶斯,逻辑回
归,卷积神经网络等算法的中文文本分类.车牌识别,知识图谱,数字图像处理,手势识别,边缘检测，图像增强,
图像分类,图像分割，色彩增强，低照度。缺陷检测，病害识别，图像缺陷检测，裂缝识别，
交通标志识别,夜间车牌识别，人数统计，火焰烟雾火，车道线识别,人脸识别等系