《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------》
基本功能演示
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。
文章目录
前言
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：
一、软件核心功能介绍及效果演示
软件主要功能
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;
（1）图片检测演示
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：
（2）视频检测演示
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。
（3）摄像头检测演示
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。
二、模型的训练、评估与推理
1.YOLOv8的基本原理
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：
2. 数据集准备与训练
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。
3.模型训练
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()
4. 训练结果评估
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：
5. 利用模型进行推理
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。
【获取方式】
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】。
结束语
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！
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
