基于YOLOv8的100种中药分类识别项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！
源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程。文末获取源码
nc: 100
names: ['安息香', '白扁豆', '白矾', '白蔹', '白茅根', '白前', '白芍', '白芷', '柏子仁', '北沙参',
'荜拨', '荜澄茄', '鳖甲', '槟榔', '苍术', '草豆蔻', '沉香', '川楝子', '川木香', '川牛膝',
'大腹皮', '淡豆豉', '稻芽', '地龙', '冬虫夏草', '防风', '番泻叶', '蜂房', '甘草', '干姜',
'甘松', '藁本', '硅石脂', '枸杞子', '桂枝', '谷精草', '谷芽', '海龙', '海螵蛸', '合欢皮',
'黄柏', '黄芪', '黄芩', '湖北贝母', '僵蚕', '芥子', '鸡冠花', '金灯笼', '鸡内金', '荆芥穗',
'金果榄', '金钱白花蛇', '九香虫', '橘核', '苦地丁', '莱菔子', '莲房', '莲须', '莲子',
'莲子心', '灵芝', '荔枝核', '龙眼肉', '芦根', '路路通', '麦冬', '木丁香', '羌活',
'千年健', '秦皮', '全蝎', '忍冬藤', '人参', '肉豆蔻', '桑寄生', '桑螵蛸', '桑椹',
'山慈菇', '山奈', '山茱萸', '沙苑子', '石榴皮', '丝瓜络', '酸枣仁', '苏木',
'太子参', '天花粉', '天麻', '土荆皮', '瓦楞子', '五加皮', '细辛', '银柴胡',
'薏苡仁', '郁金', '浙贝母', '枳壳', '竹茹', '诃子', '自然铜']
基本功能演示
源码放在bilibili视频简介了： https://www.bilibili.com/video/BV1NyGxzaEP2。
项目摘要
本项目集成了 YOLOv8 中药检测模型 与 PyQt5 图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的中药材目标检测功能。用户不仅可以进行本地测试，也可以对模型进行二次训练与微调。
整个系统适用于：
- 🌿 药材识别自动化
- 🧪 医学图像辅助分析
- 🏫 教育教学展示
- 🛠️ CV目标检测模型学习训练
前言
本项目是一个基于 YOLOv8 对100种常见中药材图像进行目标检测与分类识别的完整系统，内置训练权重、数据集、图形界面和检测工具，适合研究学习、商业验证、教学部署等多场景使用。
项目亮点包括：
- ✅ 完整YOLOv8训练流程（可复现）
- ✅ 100类中药材真实图像数据集（带标注）
- ✅ 训练权重文件开箱即用
- ✅ PyQt5图形界面，一键检测图像/视频/摄像头
- ✅ 详细部署与训练教程
- ✅ 支持批量识别、置信度调节、保存结果
一、软件核心功能介绍及效果演示
近年来，随着中医药数字化的快速发展，将AI技术特别是深度学习应用于中药识别领域已成为研究热点。
传统的图像分类模型（如ResNet、VGG）只能对整体图像进行分类，但在复杂场景中难以处理多个目标，且无法定位。相比之下，YOLOv8不仅具备端到端的目标检测能力，还能提供高性能与高准确率，非常适合中药材识别这一任务。
本项目结合了：
- YOLOv8在小目标检测方面的优势
- PyQt5图形化界面的便捷操作
- 可复现的训练与部署流程
即使你是初学者，也能轻松掌握并应用到实际场景中。
二、软件效果演示
为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。
（1）单图片检测演示
用户点击“选择图片”，即可加载本地图像并执行检测：
（2）多文件夹图片检测演示
用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。
（3）视频检测演示
支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：
（4）摄像头检测演示
实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。
（5）保存图片与视频检测结果
用户可通过按钮勾选是否保存检测结果，所有检测图像自动标注并保存至指定文件夹，支持后续数据分析与复审。
三、模型的训练、评估与推理
YOLOv8是Ultralytics公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如CIoU、TaskAlignedAssigner）与Anchor-Free策略，在COCO等数据集上表现优异。
其核心优势如下：
- 高速推理，适合实时检测任务
- 支持Anchor-Free检测
- 支持可扩展的Backbone和Neck结构
- 原生支持ONNX导出与部署
3.1 YOLOv8的基本原理
YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：
- 速度快：推理速度提升明显；
- 准确率高：支持 Anchor-Free 架构；
- 支持分类/检测/分割/姿态多任务；
- 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。
YOLOv8 由Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。
YOLOv8原理图如下：
3.2 数据集准备与训练
采用 YOLO 格式的数据集结构如下：
dataset/
├── images/
│ ├── train/
│ └── val/
├── labels/
│ ├── train/
│ └── val/
每张图像有对应的 .txt 文件，内容格式为：
4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757
分类包括（可自定义）：
3.3. 训练结果评估
训练完成后，将在 runs/detect/train 目录生成结果文件，包括：
results.png：损失曲线和 mAP 曲线；weights/best.pt：最佳模型权重；confusion_matrix.png：混淆矩阵分析图。
若 mAP@0.5 达到 90% 以上，即可用于部署。
在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在runs/目录下，具体内容如下：
3.4检测结果识别
使用 PyTorch 推理接口加载模型：
import cv2
from ultralytics import YOLO
import torch
from torch.serialization import safe_globals
from ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构
safe_globals().add(DetectionModel)
# 加载模型并推理
model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径
# 默认保存到 runs/detect/predict/ 目录
save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像
img = cv2.imread(str(save_path))
cv2.imshow('Detection Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
预测结果包含类别等信息。
四.YOLOV8+YOLOUI完整源码打包
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【4.2 完整源码下载】：
4.1 项目开箱即用
作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。
运行项目只需输入下面命令。
python main.py
读者也可自行配置训练集，或使用打包好的数据集直接训练。
自行训练项目只需输入下面命令。
yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001
4.2 完整源码下载
项目实录视频下方获取：
https://www.bilibili.com/video/BV1NyGxzaEP2
包含：
📦完整项目源码
📦 预训练模型权重
🗂️ 数据集地址（含标注脚本）
总结
本项目充分发挥了 YOLOv8 在小目标检测与实时推理方面的优势，结合 100 类中药图像数据集与 PyQt5 图形界面，构建了一个集训练、测试、部署于一体的完整中药识别系统。
用户不仅可通过图形界面便捷操作检测任务，还可快速进行模型的二次训练与性能优化。项目对传统中药材识别的数字化转型具有良好的参考价值，适用于中医药研究、教育教学、智能药材分拣、医学图像分析等多个场景。
整体来看，该系统具备以下特征：
- 🧠 上手简单，适合初学者入门 CV 项目；
- 🚀 支持高效部署，可应用于实际业务系统；
- 📊 训练可视化清晰，方便性能调试与分析；
- 🧩 模块化设计，便于集成与功能拓展。
如果你也在探索 AI + 中医药的融合方向，本项目将是你不可多得的开源实践范例。
