上海网站建设公司联系方式加盟品牌网站建设

上海网站建设公司联系方式,加盟品牌网站建设,公司网站建设计划,黑龙江网站备案管理局一、项目介绍 摘要 本项目基于前沿的YOLOv10目标检测算法#xff0c;开发了一套高精度的药物识别检测系统#xff0c;专门用于药品识别与分类。系统能够准确识别8种特定药物#xff08;包括5种特定药品和3种颜色分类#xff09;#xff1a;Cipro 500、Ibuphil 600 mg、I…一、项目介绍摘要本项目基于前沿的YOLOv10目标检测算法开发了一套高精度的药物识别检测系统专门用于药品识别与分类。系统能够准确识别8种特定药物包括5种特定药品和3种颜色分类Cipro 500、Ibuphil 600 mg、Ibuphil Cold 400-60、Xyzall 5mg以及蓝色(blue)、粉色(pink)、红色(red)、白色(white)药片。项目使用药物图像的专业数据集进行训练和评估通过针对药物特征的网络优化和训练策略调整本系统实现了对药品外观的高精度识别为医药管理、智能药房、患者用药安全等场景提供了创新的技术解决方案。项目意义药物识别检测系统在医疗健康领域具有重要的应用价值和现实意义药品安全管理可自动识别药品真伪防止假药流通保障患者用药安全减少医疗事故。智能药房应用应用于自动发药机、智能药柜等设备提高药品分拣效率和准确性降低人工错误率。患者用药辅助帮助视力障碍患者或老年人识别药物确保正确服药特别适用于多药治疗场景。医疗信息化为电子病历系统提供药品自动识别功能简化医护人员工作流程。药品库存管理自动化药品盘点和分类提高药房管理效率减少库存误差。学术研究价值探索YOLOv10在细小物体药片检测上的性能优化为特定领域的小目标检测提供技术参考。相比通用物体检测系统本系统专注于药品这一特殊领域通过针对性的数据采集和算法优化能够克服药品外观相似、尺寸小、特征细微等技术难点在医药专业场景中展现出更高的实用价值。目录一、项目介绍摘要项目意义二、项目功能展示系统功能图片检测视频检测摄像头实时检测三、数据集介绍数据集概述数据集特点数据集配置文件数据集制作流程四、项目环境配置创建虚拟环境pycharm中配置anaconda安装所需要库五、模型训练训练代码训练结果六、核心代码七、项目源码视频下方简介内基于深度学习YOLOv10的药物识别检测系统YOLOv10YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习YOLOv10的药物识别检测系统YOLOv10YOLO数据集UI界面Python项目源码模型二、项目功能展示系统功能✅图片检测可对图片进行检测返回检测框及类别信息。✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅参数实时调节置信度和IoU阈值图片检测该功能允许用户通过单张图片进行目标检测。输入一张图片后YOLO模型会实时分析图像识别出其中的目标并在图像中框出检测到的目标输出带有目标框的图像。视频检测视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示适用于视频监控和分析等场景。摄像头实时检测该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用提供即时反馈。核心特点高精度基于YOLO模型提供精确的目标检测能力适用于不同类型的图像和视频。实时性特别优化的算法使得实时目标检测成为可能无论是在视频还是摄像头实时检测中响应速度都非常快。批量处理支持高效的批量图像和视频处理适合大规模数据分析。三、数据集介绍数据集概述本项目构建了一个专业级的药物检测数据集主要特性如下总规模451张高分辨率药物图像训练集316张验证集90张测试集45张类别分布特定药品5类Cipro 500Ibuphil 600 mgIbuphil Cold 400-60Xyzall 5mg其他特定药品颜色分类3类blue蓝色pink粉色red红色white白色数据来源真实药品在受控环境下的专业拍摄医疗机构提供的药品样本图像模拟药房环境的拍摄数据标注格式采用YOLO格式的txt标注文件每个文件包含对应图像中所有药品的类别和精确边界框信息同时记录药品的完整外观特征和文字标识数据集特点专业性强所有图像均由专业人员按照药品拍摄规范采集包含药品的正面、反面、侧面等多角度图像特别关注药品标识文字、刻痕、颜色等关键特征挑战性高包含大量小尺寸目标存在外观相似的药品如不同剂量的同种药品模拟真实场景中的重叠、遮挡情况不同光照条件下的药品图像特别是对颜色识别的影响标注精细边界框精确贴合药品边缘对药品上的文字、标识等关键特征进行特别标注区分药品的正反面不同外观记录药品在泡罩包装中的状态场景多样单一药品特写图像多药品混合场景不同背景条件下的药品图像模拟药柜、药盒等实际应用场景质量控制严格每张图像经过药学专业人员审核标注结果由多名标注员交叉验证定期进行数据集质量评估和更新数据集配置文件数据集采用YOLO格式train: F:\药物检测数据集\train\images val: F:\药物检测数据集\valid\images test: F:\药物检测数据集\test\images nc: 8 names: [Cipro 500, Ibuphil 600 mg, Ibuphil Cold 400-60, Xyzall 5mg, blue, pink, red, white]数据集制作流程数据采集规划与药学专家合作确定关键药物类别和特征制定详细的拍摄规范和场景清单设计覆盖所有目标类别的采集方案专业图像采集使用专业摄影设备在标准化光照箱中进行主体拍摄采用多角度拍摄方案控制拍摄距离保持比例一致性模拟实际应用场景数据预处理统一调整为标准尺寸白平衡和色彩校正生成多尺度版本以适应不同检测需求去除个人隐私信息如手部特征等专业标注流程第一阶段由药学专业人员进行药品识别和分类第二阶段标注团队使用Label Studio进行边界框标注第三阶段质量团队验证标注准确性特殊处理对药品文字标识区域进行额外标注记录药品的特殊特征刻痕、印记等标注遮挡程度等级数据增强策略几何变换随机旋转、缩放颜色扰动模拟不同光照条件下的药品外观高级增强模拟药瓶反光效果添加合理程度的运动模糊生成部分遮挡样本合成数据在合理范围内生成药品排列组合图像数据集划分与验证采用分层抽样确保各类别比例一致保证同一药品的不同角度分布在同一个子集中最终由药学专家进行临床相关性验证通过基线模型测试数据集质量持续维护计划定期添加新药品类别根据用户反馈扩展困难样本更新标注标准以适应新发现的识别需求版本控制管理数据集变更四、项目环境配置创建虚拟环境首先新建一个Anaconda环境每个项目用不同的环境这样项目中所用的依赖包互不干扰。终端输入conda create -n yolov10 python3.9激活虚拟环境conda activate yolov10安装cpu版本pytorchpip install torch torchvision torchaudiopycharm中配置anaconda安装所需要库pip install -r requirements.txt五、模型训练训练代码from ultralytics import YOLOv10 model_path yolov10s.pt data_path datasets/data.yaml if __name__ __main__: model YOLOv10(model_path) results model.train(datadata_path, epochs500, batch64, device0, workers0, projectruns/detect, nameexp, )根据实际情况更换模型 yolov10n.yaml (nano)轻量化模型适合嵌入式设备速度快但精度略低。 yolov10s.yaml (small)小模型适合实时任务。 yolov10m.yaml (medium)中等大小模型兼顾速度和精度。 yolov10b.yaml (base)基本版模型适合大部分应用场景。 yolov10l.yaml (large)大型模型适合对精度要求高的任务。--batch 64每批次64张图像。--epochs 500训练500轮。--datasets/data.yaml数据集配置文件。--weights yolov10s.pt初始化模型权重yolov10s.pt是预训练的轻量级YOLO模型。训练结果六、核心代码import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLOv10 from UiMain import UiMainWindow import time import os class DetectionThread(QThread): frame_received pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parentNone): super().__init__(parent) self.model model self.source source self.conf conf self.iou iou self.running True def run(self): try: if isinstance(self.source, int) or self.source.endswith((.mp4, .avi, .mov)): # 视频或摄像头 cap cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame cap.read() if not ret: break # 保存原始帧 original_frame frame.copy() # 检测 results self.model(frame, confself.conf, iouself.iou) annotated_frame results[0].plot() # 提取检测结果 detections [] for result in results: for box in result.boxes: class_id int(box.cls) class_name self.model.names[class_id] confidence float(box.conf) x, y, w, h box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame cv2.imread(self.source) if frame is not None: original_frame frame.copy() results self.model(frame, confself.conf, iouself.iou) annotated_frame results[0].plot() # 提取检测结果 detections [] for result in results: for box in result.boxes: class_id int(box.cls) class_name self.model.names[class_id] confidence float(box.conf) x, y, w, h box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(fDetection error: {e}) finally: self.finished_signal.emit() def stop(self): self.running False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model None self.detection_thread None self.current_image None self.current_result None self.video_writer None self.is_camera_running False self.is_video_running False self.last_detection_result None # 新增保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name self.model_combo.currentText() self.model YOLOv10(f{model_name}.pt) # 自动下载或加载本地模型 self.update_status(f模型 {model_name} 加载成功) except Exception as e: QMessageBox.critical(self, 错误, f模型加载失败: {str(e)}) self.update_status(模型加载失败) def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, 警告, 请先停止当前检测任务) return file_path, _ QFileDialog.getOpenFileName( self, 选择图片, , 图片文件 (*.jpg *.jpeg *.png *.bmp)) if file_path: self.clear_results() self.current_image cv2.imread(file_path) self.current_image cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf self.confidence_spinbox.value() iou self.iou_spinbox.value() self.detection_thread DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f正在检测图片: {os.path.basename(file_path)}) def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, 警告, 请先停止当前检测任务) return file_path, _ QFileDialog.getOpenFileName( self, 选择视频, , 视频文件 (*.mp4 *.avi *.mov)) if file_path: self.clear_results() self.is_video_running True # 初始化视频写入器 cap cv2.VideoCapture(file_path) frame_width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir results os.makedirs(save_dir, exist_okTrue) timestamp time.strftime(%Y%m%d_%H%M%S) save_path os.path.join(save_dir, fresult_{timestamp}.mp4) fourcc cv2.VideoWriter_fourcc(*mp4v) self.video_writer cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf self.confidence_spinbox.value() iou self.iou_spinbox.value() self.detection_thread DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f正在检测视频: {os.path.basename(file_path)}) def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, 警告, 请先停止当前检测任务) return self.clear_results() self.is_camera_running True # 创建检测线程 (默认使用摄像头0) conf self.confidence_spinbox.value() iou self.iou_spinbox.value() self.detection_thread DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(正在从摄像头检测...) def stop_detection(self): if self.detection_thread and self.detection_thread.isRunning(): self.detection_thread.stop() self.detection_thread.quit() self.detection_thread.wait() if self.video_writer: self.video_writer.release() self.video_writer None self.is_camera_running False self.is_video_running False self.update_status(检测已停止) def on_frame_received(self, original_frame, result_frame, detections): # 更新原始图像和结果图像 self.display_image(self.original_image_label, original_frame) self.display_image(self.result_image_label, result_frame) # 保存当前结果帧用于后续保存 self.last_detection_result result_frame # 新增保存检测结果 # 更新表格 self.clear_results() for class_name, confidence, x, y in detections: self.add_detection_result(class_name, confidence, x, y) # 保存视频帧 if self.video_writer: self.video_writer.write(cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR)) def on_detection_finished(self): if self.video_writer: self.video_writer.release() self.video_writer None self.update_status(视频检测完成结果已保存) elif self.is_camera_running: self.update_status(摄像头检测已停止) else: self.update_status(图片检测完成) def save_result(self): if not hasattr(self, last_detection_result) or self.last_detection_result is None: QMessageBox.warning(self, 警告, 没有可保存的检测结果) return save_dir results os.makedirs(save_dir, exist_okTrue) timestamp time.strftime(%Y%m%d_%H%M%S) if self.is_camera_running or self.is_video_running: # 保存当前帧为图片 save_path os.path.join(save_dir, fsnapshot_{timestamp}.jpg) cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR)) self.update_status(f截图已保存: {save_path}) else: # 保存图片检测结果 save_path os.path.join(save_dir, fresult_{timestamp}.jpg) cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR)) self.update_status(f检测结果已保存: {save_path}) def closeEvent(self, event): self.stop_detection() event.accept() if __name__ __main__: app QApplication(sys.argv) # 设置应用程序样式 app.setStyle(Fusion) # 创建并显示主窗口 window MainWindow() window.show() sys.exit(app.exec_())七、项目源码视频下方简介内完整全部资源文件包括测试图片、视频py文件训练数据集、训练代码、界面代码等这里已打包上传至博主的面包多平台见可参考博客与视频已将所有涉及的文件同时打包到里面点击即可运行完整文件截图如下基于深度学习YOLOv10的药物识别检测系统YOLOv10YOLO数据集UI界面Python项目源码模型_哔哩哔哩_bilibili基于深度学习YOLOv10的药物识别检测系统YOLOv10YOLO数据集UI界面Python项目源码模型