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。
