Mind+模型训练工具·图像分类任务：中草药智能识别器
本帖最后由 高毓甜 于 2025-10-24 21:03 编辑Mind+模型训练工具·图像分类任务：中草药智能识别器
1 项目介绍
1.1 演示视频
https://www.bilibili.com/video/BV1UqWXz3Ep1/?spm_id_from=333.1387.homepage.video_card.click
1.2 项目设计
中草药是中华文化的瑰宝，但对于广大爱好者和初学者而言，干制后的药材往往形态相似、难以辨认。为破解这一认知门槛，本项目创新融合Mind+模型训练工具与行空板，以蒲公英和金银花图像分类为例，打造出一款中草药智能识别器。
通过本项目，您将了解到：
[*]模型训练：如何使用Mind+2.0 模型训练工具训练一个图像分类模型。
[*]模型部署：如何将训练好的模型部署到行空板上，实现中草药识别。
[*]伦理讨论：如何在技术实践中思考并应对数据偏见，安全边界等人工智能伦理问题。
1.3 项目实现流程
该项目通过Mind+2.0 模型训练工具中的图像分类模块训练中草药图像分类模型，并将模型部署到行空板实现智能识别。整个项目的流程如下图所示：
如何训练模型
模型训练的过程大致可分为“数据采集、标注”，“模型训练”，“模型校验”三个步骤。
[*]数据采集、标注：拍摄收集蒲公英与金银花图片，并进行清洗、标注、分类等预处理工作。
[*]模型训练：将准备好的数据集输入一个合适的模型进行训练，寻找不同类别图片的特征规律。
[*]模型校验：使用未训练的图片来考核模型，观察其识别准确率。
如何部署模型
模型部署是将训练完成并验证效果的模型，从Mind+模型训练工具导出并运行在目标硬件上，实现模型推理应用。
实时结果推送是另一种模型部署方式。不同于将模型导出到硬件端运行，实时结果推送是在平台端完成推理，并将预测结果即时传输到物联网服务器或外部设备。
2 AI知识园地-图像分类
2.1 图像分类
图像分类（image classification）是模式分类的一种，根据图像中的物体形状或场景特征来区分不同类别图像的技术，如猫狗分类等。
2.2 图像分类的挑战
尽管图像分类技术已经非常先进，但让机器像人一样“看”世界仍然面临很多挑战：
视角变化： 同一个物体，从不同角度看差异巨大。
光照变化： 强光、弱光、阴影都会改变物体的外观。
尺度变化： 物体在图像中可能很大，也可能很小。
遮挡： 物体可能被部分遮挡，只露出一小部分。
背景干扰： 背景可能与物体本身很像，难以区分。
类内差异和类间相似性： 同一类别的物体可能看起来非常不同（如不同品种的狗），而不同类别的物体可能看起来很相似（如豹和猎豹）。
3 中草药模型训练
3.1 下载软件及创建训练项目
官网下载安装Mind+2.0及以上版本安装包，安装完成后，双击打开。
新建项目，点击左侧导航栏中的“模型训练”，选择“图像分类”任务。
3.2数据准备
[*]标签设置
[*]数据采集
数据的采集可以通过摄像头现场拍摄也可以通过上传数据。
建议在光线均匀的环境下，将草药放在白色背景板上，从不同角度、不同距离拍摄，每个类别准备80-120张高质量图片。
3.3 模型训练
[*]训练模型
点击“训练模型”按钮，即可开始训练模型。
[*]训练参数设置
点击“高级设置”按钮，可进行参数设置。
[*]训练过程与结果观察
训练过程中，点击“高级设置”中的“深入了解”，可以看到训练日志。
3.4 模型校验
[*]单张图片测试
选择“文件”，点击“点击上传文件”，选择一张没有训练过的图片进行校验。
[*]实时测试
选择“摄像头”，进行实时分类。
[*]模型优化与再训练
当模型校验结果不理想时，我们可以通过数据质量优化，模型参数调整等方法，再次训练模型。
4 中草药模型部署
4.1 部署到行空板M10
硬件清单
行空板M10系统版本升级教程：https://www.unihiker.com.cn/wiki/m10/burner
模型导出
点击“导出模型”按钮，即可导出模型压缩包到本地电脑上。
编程环境和扩展准备
具体步骤，请参考：Mind+模型训练工具-基础说明
模型推理与应用
[*]上传模型
将导出的 ONNX 文件及yaml配置文件上传到目标环境或硬件平
[*]编写程序
当识别到蒲公英时，在行空板M10屏幕上显示“蒲公英”提示文字；当识别到金银花时，在行空板M10屏幕上显示“金银花”提示文字。
[*]运行并验证
4.2 部署到行空板K10
硬件清单
模型部署思路
通过实时推送的部署方式，AI模型训练平台端将模型推理结果实时推送到物联网服务器。行空板K10从物联网服务器抓取信息，获得推理结果，并呈现相应知识卡片。
环境和扩展准备具体步骤，请参考：Mind+模型训练工具-基础说明
程序示例
[*]编写程序
行空板K10接收实时结果推送到MQTT上的消息，并分析MQTT消息。
如果接收到MQTT消息为蒲公英，行空板K10屏幕显示“实时检测结果：蒲公英”，并显示对应知识卡片。
如果接收到MQTT消息为金银花，行空板K10屏幕显示“实时检测结果：金银花”，并显示对应知识卡片。
[*]运行并验证
5 AI伦理探讨
技术本身是中立的，但技术的设计者和使用者肩负着责任。在享受AI带来的便利时，我们更需要主动思考其背后的伦理问题，并探寻负责任的解决路径。现在，让我们一起探讨在中草药识别项目中可能遇到的几个核心伦理挑战。
5.1 数据偏见与模型局限性
[*]问题：模型对不同产地、季节和生长阶段的药材形态差异识别能力下降该怎么办？
[*]解决方案：构建多元化数据集：训练数据的覆盖范围决定了模型的认知边界。持续采集并整合来自不同产地、不同生长阶段及不同炮制工艺的药材图像，建立更全面、更具代表性的数据集，从根源上缓解数据偏见。
5.2 误判责任与安全边界
[*]问题：模型错误识别可能导致用药错误，引发健康风险，该如何应对？
[*]解决方案：引入置信度评估机制：在部署的模型中集成置信度输出功能。当模型对识别结果的置信度低于预设阈值（如90%）时，系统应主动向用户发出“识别存疑”的明确警告，并建议由专业药师进行人工复核。
6 自我检验
6.1 拓展练习
采集其他主题的图像数据，在Mind+中创建一个新的分类模型，如布偶猫，橘猫，暹罗猫的三分类模型，并部署到行空板M10或K10上进行识别测试。6.2 学习评价表
学习目标掌握程度
我知道使用Mind+模型训练工具训练图像分类的基本过程□ 还需练习 □ 基本掌握 □ 完全掌握
我知道如何将训练出的模型部署到行空板M10并实现图像分类□ 还需练习 □ 基本掌握 □ 完全掌握
我能理解并将模型推理结果以实时推送方式部署到行空板K10□ 还需练习 □ 基本掌握 □ 完全掌握
我能结合本项目，深入思考并讨论AI伦理问题□ 还需练习 □ 基本掌握 □ 完全掌握
通过百度网盘分享的文件：
链接: https://pan.baidu.com/s/1tWmyEuOXVMMHgtdYIBKiYQ?pwd=c7q3
太赞啦！！！！！！
页:
[1]