1. 项目概述：用YOLO守护用药安全的毕设实践
去年我在药房实习时，亲眼目睹一位老人因为看不清药品标签而误服过期药物。这件事让我意识到，药品标签识别不仅是技术问题，更是关乎生命安全的刚需。基于这个背景，我决定开发一套基于YOLO的药品标签识别系统，这也是我最终获得优秀毕业设计的关键项目。
这个系统的核心价值在于：通过计算机视觉技术实现药品标签的自动检测、关键信息提取和有效性核验。相比传统人工检查方式，它能将识别准确率提升至98%以上，处理速度达到每秒30帧，完全可以满足药店、医院等场景的实时需求。
2. 技术选型：YOLO三兄弟的实战对比
2.1 YOLOv5：轻量高效的入门首选
作为YOLO系列中最成熟的版本，v5特别适合硬件资源有限的毕设场景。在我的测试中，使用默认yolov5s模型（仅14MB）在GTX 1660显卡上就能达到45FPS的推理速度。对于药品标签这种尺寸固定、背景相对简单的检测任务，其mAP@0.5能达到0.89。
实际部署时，我推荐使用以下配置：
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) model.classes = [0] # 只保留药品标签类别2.2 YOLOv8：精度与速度的平衡之选
v8引入了Anchor-Free检测头和更高效的CSP结构。在相同数据集上，v8的mAP@0.5比v5提升约3%，但模型体积增大了20%。如果答辩需要展示技术深度，v8是更好的选择。训练时建议启用TTA（Test Time Augmentation）：
# yolov8.yaml augment: True tta: True2.3 YOLOv10：前沿技术的尝鲜选择
虽然v10刚发布不久，但其NMS-Free设计和一致性匹配策略确实带来了性能突破。不过需要注意：
- 需要PyTorch 2.0+环境
- 目前社区资源较少
- 训练耗时比v5长约30%
实操建议：毕设时间有限的话，建议用v5或v8。我在实际项目中最终选择v8n（nano版），在保持90%精度的同时，模型尺寸仅3.7MB。
3. 数据工程：构建高质量的药品标签数据集
3.1 数据采集的实用技巧
我通过三种渠道获取了1278张药品标签图片：
- 药房实拍（占比60%）：使用手机+简易摄影棚，确保光线均匀
- 公开数据集（占比30%）：如Open Images中的药品子集
- 数据合成（占比10%）：用Pillow库模拟不同光照条件
3.2 标注规范与工具选择
使用LabelImg标注时，我制定了这些规则：
- 标注范围包含整个标签区域
- 对模糊标签额外标注"unclear"类别
- 保留10%数据作为测试集
标注文件示例：
<object> <name>drug_label</name> <bndbox> <xmin>256</xmin> <ymin>189</ymin> <xmax>512</xmax> <ymax>378</ymax> </bndbox> </object>3.3 数据增强策略
通过albumentations库实现动态增强：
transform = A.Compose([ A.RandomBrightnessContrast(p=0.5), A.GaussNoise(var_limit=(10,50),p=0.3), A.Rotate(limit=15,p=0.8) ], bbox_params=A.BboxParams(format='pascal_voc'))4. 模型训练与优化实战
4.1 环境配置避坑指南
常见问题解决方案：
| 问题现象 | 解决方法 |
|---|---|
| CUDA out of memory | 减小batch_size至8或4 |
| NaN loss | 检查数据标注是否越界 |
| 验证集mAP不升 | 调整学习率(建议0.01→0.001) |
4.2 关键训练参数
我的最佳实践配置：
lr0: 0.01 lrf: 0.1 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 34.3 模型评估指标解读
重点关注这三个指标：
- Precision：误检率（如将包装文字误认为标签）
- Recall：漏检率
- mAP@0.5:0.95：综合性能
我的v8n最终成绩：
Class Images Instances P R mAP50 all 214 428 0.956 0.943 0.9215. 系统集成与功能扩展
5.1 核心功能模块设计
系统架构图：
摄像头输入 → YOLO检测 → OCR识别 → 数据库比对 → 结果可视化5.2 界面开发技巧
使用PyQt5实现交互界面时：
class MainWindow(QMainWindow): def __init__(self): super().__init__() self.detector = DrugLabelDetector() # 封装好的检测类 self.initUI() def on_detect(self): img = self.camera.get_frame() results = self.detector.detect(img) self.show_results(results)5.3 关键业务逻辑实现
药品有效期核验算法：
def check_expiry(date_str): expiry = datetime.strptime(date_str, "%Y-%m-%d") if expiry < datetime.now(): return (False, "药品已过期") elif (expiry - datetime.now()).days < 30: return (False, "即将过期") return (True, "有效期正常")6. 项目答辩与成果展示
6.1 答辩演示技巧
建议准备三个演示场景：
- 正常药品快速识别（展示速度）
- 模糊标签检测（展示鲁棒性）
- 过期药品报警（展示实用性）
6.2 常见答辩问题准备
我遇到过的典型问题：
- 如何处理反光标签？（回答：数据增强中加入反光模拟）
- 系统响应时间是多少？（回答：端到端延迟<200ms）
- 如何保证隐私安全？（回答：本地处理不上传图片）
7. 项目优化方向
在实际部署中发现几个可改进点：
- 加入半监督学习：利用未标注数据提升性能
- 开发移动端应用：基于TensorFlow Lite优化
- 对接药监数据库：实现假药实时比对
训练过程中有个有趣的发现：当药品标签上有反光时，常规数据增强效果有限。后来我通过在摄影棚喷洒水雾模拟冷凝效果，使模型对这类场景的识别率提升了17%。这个小技巧后来成为我答辩时的亮点。
