蘑菇检测识别-菌检测识别-YOLO-毕设项目

   大家好，我是B站的UP主：我喜欢吃小熊饼干。我在CSDN会写一些文章介绍我做的项目，这些项目我都录制了详细的讲解视频（约4-6个小时的内容量），讲解基础知识，环境配置，代码使用等内容。

详细了解请移步-目标检测合集：

目标检测讲解视频合集-哔哩哔哩视频https://space.bilibili.com/284801305/lists/1547481

几分钟快速预览项目效果的演示视频：

​​​​​

详细的讲解视频合集：

1. 合集第一集：主要讲对整个教程的介绍，深度学习项目的基本做法和基本概念。然后介绍具体该项目的基本做法。如何去扩张项目，增加更多的内容。（这里不会涉及到代码，纯从项目的做法的角度，以PPT讲解的方式带大家入门，建立深度学习的基本概念）
2. 合集第二集：毕设选题指导，毕设服务等内容
3. 合集第三集：从代码使用和演示的角度，介绍项目的内容。科普深度学习环境配置的知识，如何配置项目，如何使用项目，更换数据集训练，完成特定的课题。
4. 合集第四集：讲解文档相关的内容，开题报告、开题ppt、开题答辩，论文写作，论文答辩等

​​​

第一集和第三集比较重要，可以整体看下这两个视频。

下面我用文字介绍一下项目的内容

项目的背景意义：

在食用菌产业规模化发展与食品安全战略深化的背景下，蘑菇作为兼具营养与经济价值的特色农产品，其品质检测、种类鉴别与安全管控直接关系到产业竞争力、消费者健康及农业经济收益。蘑菇产业涵盖种植、采收、分拣、流通等多个环节，每个环节都需精准把控 —— 种植阶段需识别杂菌污染以避免菌群竞争导致减产，采收阶段需区分成熟度以保障口感与保鲜期，分拣阶段需鉴别品种与剔除霉变、虫蛀个体以确保品质，而传统检测模式依赖人工观察与经验判断，存在显著局限：人工检测效率低下，难以适配蘑菇工厂化种植的批量作业需求，尤其在密集生长的菌床环境中，易因视觉疲劳遗漏细微杂菌或瑕疵；经验判断受主观认知差异影响大，对形态相似的有毒蘑菇与可食用蘑菇、不同品种的食用菌难以精准区分，可能引发食品安全风险；同时，人工分拣易造成蘑菇实体损伤，增加仓储损耗，制约产业向标准化、精细化转型。​

随着深度学习技术在智慧农业领域的渗透，YOLO 目标检测算法凭借 “实时响应、多目标并行识别、复杂场景适配” 的核心优势，为蘑菇检测识别提供了技术革新路径。其通过卷积神经网络可精准捕捉蘑菇的形态特征（菌盖大小、菌柄粗细）、外观细节（颜色梯度、纹理质感）及异常信号（杂菌菌落、霉变斑点），在菌床监测、分拣分级等场景中实现对蘑菇品种、品质、安全状态的一体化识别，突破传统检测 “效率低、主观性强、风险高” 的瓶颈。对于深度学习方向的毕业设计而言，基于 YOLO 的蘑菇检测识别项目不仅是对算法原理、模型训练、数据处理等理论知识的实践转化，更承载着连接学术研究与食用菌产业实际需求的重要价值。​

从实践意义来看，该项目可围绕蘑菇检测识别的核心痛点展开技术探索：例如，通过优化 YOLO 网络结构提升对密集生长蘑菇、微小杂菌的识别精度，通过数据增强技术增强算法对不同种植环境（如温室菌房、露天栽培）、不同品种蘑菇（如香菇、平菇、金针菇）的适应性，通过多维度特征融合（如结合颜色与纹理鉴别有毒蘑菇）构建 “品种识别 - 品质分级 - 安全预警” 的一体化技术方案。这些探索不仅能深化对目标检测算法在食用菌场景应用逻辑的理解，更能培养数据标注、模型调优、性能评估的综合科研能力，为后续在智慧农业、农产品安全检测等领域的深入研究奠定基础。​

从行业与社会价值来看，项目成果可作为食用菌产业提质增效、食品安全保障、乡村振兴的重要技术支撑：在生产端，精准的检测识别能帮助种植户及时发现杂菌污染、剔除劣质蘑菇，提升优质品率，减少经济损失；在产业端，可推动蘑菇分拣从 “人工经验化” 向 “数据标准化” 转型，助力建立统一的品质评价体系，提升产品市场竞争力，促进 “种植 - 加工 - 销售” 产业链高效衔接；在安全端，通过精准鉴别有毒蘑菇与可食用蘑菇，能有效规避食品安全风险，保障消费者健康。此外，项目所体现的 “算法场景化适配 - 食用菌产业问题解决 - 安全赋能” 思路，也为深度学习技术在其他菌类（如木耳、银耳）检测识别中的应用提供了参考范式。​

长远来看，基于 YOLO 的蘑菇检测识别技术不仅是智慧农业体系建设的重要组成部分，更是推动传统食用菌产业向现代化、智能化转型的关键环节。而毕设项目作为技术探索的起点，其研究过程与成果既能为学术领域贡献菌类检测场景下的算法实践经验，也能为食用菌产业可持续发展与食品安全保障提供技术思路，兼具显著的学术价值、实践价值与社会价值。

项目的技术路线图

​​​​项目的数据集信息如下：

数据集图片一共有455张图片。

Agaricus_Bisporus_T: 521  
Agrocybe_Aegerita_T: 197  
Amanita_Citrina_F: 816
Amanita_Hemibapha_F: 800
Amanita_Javanica_F: 1166
Amanita_Pantherina_F: 1017
Boletus_T: 1353
Cantharellus_Cibarius_T: 1317
Dictyophora_Indusiate_T: 1275
Lentinus_Edodes_T: 2690
Russula_Emetica_F: 949

CH_names = [
 '白蘑菇_无毒',
 '黑木耳_无毒',
 '黄毒蝇鹅膏菌_有毒',
 '半红鹅膏菌_有毒',
 '爪哇鹅膏菌_有毒',
 '豹斑毒鹅膏菌_有毒',
 '牛肝菌_无毒',
 '鸡油菌_无毒',
 '竹荪_无毒',
 '香菇_无毒',
 '呕吐红菇_有毒']

类别数量： 11

一张图片可以有多个标注对象，所以标注数量的总和不一定是图片的总和。

项目里实现了多种目标检测YOLO模型：

 1.YOLOV5

 2.YOLOV8

 3.YOLOV10

 4.YOLOV11

并且对YOLO模型做了优化改进

在我的设计的项目里，一般结构如下：

​​​​​

DateSet: 数据集相关的内容

Window：GUI演示系统

Window2：GUI演示系统

（提供了2种风格的演示系统，选择其中一种使用就行）

YOLOV5：YOLOV5模型代码

YOLOV8：YOLOV8模型代码

YOLOV10：YOLOV10模型代码

YOLOV11：YOLOV11模型代码

YOLOV11_Improve：YOLOV11模型和改进优化的内容

改进说明如下：

改进点1：使用深度学习可分离（DWConV）卷积代替主干网络中的传统卷积，减小参数量和计算量，使得模型轻量化。

常用的轻量化模型： MobileNet 核心就是这个

论文题目：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

改进点2：添加全维度动态卷积模块（Omni-dimensional Dynamic Convolution，ODConv）：

class ODConv2d(nn.Module):
    def __init__(self, in_planes, out_planes, kernel_size, stride=1, padding=1, dilation=1, groups=1,
                 reduction=0.0625, kernel_num=4):
        super(ODConv2d, self).__init__()
        in_planes = in_planes
        self.in_planes = in_planes
        self.out_planes = out_planes
        self.kernel_size = kernel_size
        self.stride = stride
        self.padding = padding
        self.dilation = dilation
        self.groups = groups
        self.kernel_num = kernel_num
        self.attention = Attention(in_planes, out_planes, kernel_size, groups=groups,
                                   reduction=reduction, kernel_num=kernel_num)
        self.weight = nn.Parameter(torch.randn(kernel_num, out_planes, in_planes // groups, kernel_size, kernel_size),
                                   requires_grad=True)
        self._initialize_weights()

        if self.kernel_size == 1 and self.kernel_num == 1:
            self._forward_impl = self._forward_impl_pw1x
        else:
            self._forward_impl = self._forward_impl_common

    def _initialize_weights(self):
        for i in range(self.kernel_num):
            nn.init.kaiming_normal_(self.weight[i], mode='fan_out', nonlinearity='relu')

    def update_temperature(self, temperature):
        self.attention.update_temperature(temperature)

    def _forward_impl_common(self, x):
        # Multiplying channel attention (or filter attention) to weights and feature maps are equivalent,
        # while we observe that when using the latter method the models will run faster with less gpu memory cost.
        channel_attention, filter_attention, spatial_attention, kernel_attention = self.attention(x)
        batch_size, in_planes, height, width = x.size()
        x = x * channel_attention
        x = x.reshape(1, -1, height, width)
        aggregate_weight = spatial_attention * kernel_attention * self.weight.unsqueeze(dim=0)
        aggregate_weight = torch.sum(aggregate_weight, dim=1).view(
            [-1, self.in_planes // self.groups, self.kernel_size, self.kernel_size])
        output = F.conv2d(x, weight=aggregate_weight, bias=None, stride=self.stride, padding=self.padding,
                          dilation=self.dilation, groups=self.groups * batch_size)
        output = output.view(batch_size, self.out_planes, output.size(-2), output.size(-1))
        output = output * filter_attention
        return output

    def _forward_impl_pw1x(self, x):
        channel_attention, filter_attention, spatial_attention, kernel_attention = self.attention(x)
        x = x * channel_attention
        output = F.conv2d(x, weight=self.weight.squeeze(dim=0), bias=None, stride=self.stride, padding=self.padding,
                          dilation=self.dilation, groups=self.groups)
        output = output * filter_attention
        return output

    def forward(self, x):
        return self._forward_impl(x)

全维度动态卷积（Omni-dimensional Dynamic Convolution，ODConv）算法是一种新型的卷积神经网络（CNN）架构。它通过动态调整卷积核的形状和大小，以适应不同的输入数据维度，从而提高模型的灵活性和性能。

灵活性：ODConv能够根据输入数据的维度动态调整卷积核，使得模型能够处理不同形状和大小的输入数据。

性能提升：通过动态调整卷积核，ODConv能够更好地捕捉输入数据的特征，从而提高模型的性能。

在配置文件中，用C_OD代替原来的C3k2，实现全维度动态卷积（Omni-dimensional Dynamic Convolution，ODConv）代替原来的传统卷积模块

总结：结合具体的检测场景去写，如果说场景里面有明显小目标的，可以倾向于写提升小目标特征提取能力，如果没有明显的小目标的，可以说提升模型的多尺度特征提取能力。

改进点3：添加卷积和注意力融合模块（CAFM）提升小目标和遮挡检测能力

CAFM 旨在融合卷积神经网络（CNNs）和 Transformer 的优势，通过结合局部特征捕捉能力（卷积操作）和全局特征提取能力（注意力机制），对图像的全局和局部特征进行有效建模，以提升检测效果。

在配置文件中，主干网络部分：用C_AT 代替原来的C3k2：

总结：

增强特征提取：通过结合卷积操作和注意力机制，CAFM能够有效捕捉局部和全局信息。卷积操作擅长处理局部特征，而注意力机制则善于建模全局信息。

改进信息嵌入：CAFM可以高效地在输入数据的不同部分之间进行信息嵌入和特征融合，从而对输入特征有更全面的理解。（提升遮挡检测的能力）

双向信息流：CAFM构建了双向信息流桥梁，允许输入数据的不同部分之间进行信息嵌入和特征融合，增强了模型的整体性能。

可以往，场景中目标存在一些遮挡的情况，往提升遮挡情况下的性能，这方面编。（如果没有遮挡，就直接说它提升模型的特征融合能力，增强性能）

class Bottleneck_AT(nn.Module):
    """Standard bottleneck."""

    def __init__(self, c1, c2, shortcut=True, g=1, k=(3, 3), e=0.5):
        """Initializes a standard bottleneck module with optional shortcut connection and configurable parameters."""
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Attention(c1)
        self.cv2 = Conv(c_, c2, k[1], 1, g=g)
        self.add = shortcut and c1 == c2

    def forward(self, x):
        """Applies the YOLO FPN to input data."""
        return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))


class C_AT(nn.Module):
    """Faster Implementation of CSP Bottleneck with 2 convolutions."""

    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):
        """Initializes a CSP bottleneck with 2 convolutions and n Bottleneck blocks for faster processing."""
        super().__init__()
        self.c = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, 2 * self.c, 1, 1)
        self.cv2 = Conv((2 + n) * self.c, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.ModuleList(Bottleneck_AT(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))

    def forward(self, x):
        """Forward pass through C2f layer."""
        y = list(self.cv1(x).chunk(2, 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cv2(torch.cat(y, 1))

    def forward_split(self, x):
        """Forward pass using split() instead of chunk()."""
        y = list(self.cv1(x).split((self.c, self.c), 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cv2(torch.cat(y, 1))

改进点4：使用自适应阈值焦点损失（ATFL）函数

自适应阈值焦点损失（ATFL）是一种动态调整损失权重的损失函数，旨在通过降低易分类样本的影响，增强对难分类样本的关注，从而提升目标检测和分割任务中的模型性能。

在类别不平衡的情况下，比较有效。

ATFL 主要有以下几个特点：

自适应性：ATFL 根据每个样本的特征和模型的输出自适应地调整损失权重。它能够动态地根据预测结果和真实标签之间的差异，调整阈值，使得模型在训练时更加关注难以分类的样本。

焦点机制：通过引入焦点机制，ATFL 在处理易分类和难分类样本时，降低了易分类样本的影响力，同时增强了对难分类样本的关注。这种机制有助于提升模型的整体性能，尤其是在类别不平衡的情况下。

阈值调整：ATFL 引入了自适应阈值，能够针对每个样本计算一个合适的阈值，以决定如何加权损失。这种方式使得损失函数能够更好地反映出样本的重要性。

增强学习能力：ATFL 通过优化的损失计算方式，使得模型能够更快地学习到有价值的特征，从而提升了训练的效率和效果。

这里是对损失函数的改进，所以在代码里不用修改配置文件（yaml文件）

总结：如果你的样本量分布不平衡，就说这个ATFL针对这个，围绕这个编加了以后的优点。

如果样本比较平衡，就不提分布问题，直接说，ATFL通过降低易分类样本的影响，增强对难分类样本的关注，从而提升目标检测和分割任务中的模型性能。

训练完模型会得到训练日志。

里面有结果图片，部分展示如下：

训练完多个模型后，可以做对比实验，通过写代码可以制作对比曲线图和柱状图，项目的最终实验效果如下：

最后基于Python的PYQT5框架，制作最终的GUI演示系统。

实现对图片，视频，摄像头等多种输入的检测。

提供两种不同的风格供选择，另外一个不用的话，直接删除就行。

第一种：

第二种：

本项目包含：

1.多模型的对比实验和图表，丰富了项目的内容。

2. 模型的优化改进，实现项目的创新。

3. 多种实验分析，拓展的项目的深度和内容量

4.实现了最终的演示系统，实现了项目的落地和应用。

​​​​​