ResNet18中药材识别：药农的AI助手，云端1小时1块钱-开发者社区

ResNet18中药材识别：药农的AI助手，云端1小时1块钱

引言：药农的烦恼与AI解决方案

在中药材种植过程中，很多外形相似的品种常常让药农们头疼不已。比如白芨和黄精、人参和西洋参、当归和白芷等，这些药材在幼苗期或干燥后外观极为相似，但药用价值和市场价格却相差甚远。传统识别方法依赖老师傅的经验，不仅培养周期长，而且容易因疲劳或光线等因素导致误判。

现在，借助ResNet18这个轻量级的AI图像分类模型，药农们可以快速搭建自己的中药材识别助手。这个方案有三大优势：

操作简单：无需编程基础，跟着本文步骤就能使用
成本低廉：云端GPU资源每小时仅需1块钱
准确率高：经过适当训练的模型识别准确率可达90%以上

更重要的是，整个过程就像使用智能手机拍照一样简单——拍张照片上传，AI立即告诉你这是什么药材。

1. 准备工作：零基础也能上手的AI环境

1.1 选择云服务平台

我们推荐使用CSDN星图算力平台，它已经预置了包含PyTorch和ResNet18的完整环境镜像，省去了复杂的安装配置过程。平台提供按小时计费的GPU资源，非常适合短期测试和小规模应用。

1.2 准备药材图像数据集

收集药材图片是训练模型的关键步骤，建议从以下渠道获取：

自己拍摄：用手机拍摄不同角度、不同生长阶段的药材照片
公开数据集：如PlantCLEF、TCMID等专业植物图像库
网络搜索：注意版权问题，建议使用CC协议授权的图片

每种药材至少准备200张以上的图片，确保包含不同光照条件和背景的样本。图片可以按如下结构存放：

中药材数据集/ ├── 人参/ │ ├── 人参_001.jpg │ ├── 人参_002.jpg │ └── ... ├── 西洋参/ │ ├── 西洋参_001.jpg │ ├── 西洋参_002.jpg │ └── ... └── ...

2. 快速部署：5分钟启动你的AI助手

2.1 创建云服务实例

在CSDN星图算力平台，选择"PyTorch 1.12 + CUDA 11.3"基础镜像创建实例，配置建议：

GPU型号：RTX 3060（性价比高）
存储空间：50GB（足够存放数据集和模型）
网络带宽：按需选择，通常10Mbps足够

2.2 上传数据集

创建好实例后，通过网页端或SFTP工具上传准备好的药材图像数据集。建议使用以下命令整理数据：

# 在实例中创建数据集目录 mkdir -p ~/herb_dataset/train mkdir -p ~/herb_dataset/val # 假设已经上传了中药材数据集.zip unzip 中药材数据集.zip -d ~/herb_dataset/train # 移动20%的数据到验证集 find ~/herb_dataset/train -type f | shuf | head -n $(($(find ~/herb_dataset/train -type f | wc -l)/5)) | xargs -I {} mv {} ~/herb_dataset/val

3. 模型训练：让AI学习识别药材

3.1 准备训练脚本

创建一个名为train_herb.py的文件，内容如下：

import torch import torchvision from torchvision import transforms, datasets from torch.utils.data import DataLoader import torch.nn as nn import torch.optim as optim # 数据预处理 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 加载数据集 train_data = datasets.ImageFolder('~/herb_dataset/train', transform=transform) val_data = datasets.ImageFolder('~/herb_dataset/val', transform=transform) train_loader = DataLoader(train_data, batch_size=32, shuffle=True) val_loader = DataLoader(val_data, batch_size=32) # 加载预训练的ResNet18模型 model = torchvision.models.resnet18(pretrained=True) num_classes = len(train_data.classes) model.fc = nn.Linear(model.fc.in_features, num_classes) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练函数 def train_model(model, criterion, optimizer, num_epochs=10): for epoch in range(num_epochs): model.train() running_loss = 0.0 for inputs, labels in train_loader: optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() # 验证阶段 model.eval() correct = 0 total = 0 with torch.no_grad(): for inputs, labels in val_loader: outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Epoch {epoch+1}/{num_epochs}, Loss: {running_loss/len(train_loader):.4f}, Accuracy: {100*correct/total:.2f}%') # 开始训练 train_model(model, criterion, optimizer, num_epochs=10) # 保存模型 torch.save(model.state_dict(), 'herb_classifier.pth')

3.2 启动训练

在终端运行以下命令开始训练：

python train_herb.py

训练过程中会输出每个epoch的损失值和验证集准确率。对于10类中药材的识别任务，通常在20-30个epoch后准确率就能达到90%左右。

4. 实际应用：打造药材识别APP

4.1 创建简易识别脚本

训练完成后，我们可以创建一个简单的识别脚本predict.py：

from PIL import Image import torch import torchvision.transforms as transforms # 加载模型 model = torchvision.models.resnet18(pretrained=False) num_classes = 10 # 根据你的药材种类数修改 model.fc = nn.Linear(model.fc.in_features, num_classes) model.load_state_dict(torch.load('herb_classifier.pth')) model.eval() # 定义预处理 transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) # 预测函数 def predict(image_path): image = Image.open(image_path) image = transform(image).unsqueeze(0) with torch.no_grad(): output = model(image) _, predicted = torch.max(output.data, 1) return train_data.classes[predicted.item()] # 使用示例 print(predict('测试图片.jpg'))

4.2 部署为Web服务

如果想更方便地使用，可以将其部署为Web服务。创建一个app.py：

from flask import Flask, request, jsonify from PIL import Image import io import torch import torchvision.transforms as transforms app = Flask(__name__) # 加载模型（同上） # ... @app.route('/predict', methods=['POST']) def predict(): if 'file' not in request.files: return jsonify({'error': 'No file uploaded'}) file = request.files['file'] image = Image.open(io.BytesIO(file.read())) image = transform(image).unsqueeze(0) with torch.no_grad(): output = model(image) _, predicted = torch.max(output.data, 1) return jsonify({ 'class': train_data.classes[predicted.item()], 'confidence': torch.nn.functional.softmax(output, dim=1)[0][predicted.item()].item() }) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)

启动服务：

python app.py

现在，你可以通过手机或电脑上传图片到http://你的服务器IP:5000/predict，就能获得识别结果了。

5. 优化技巧：提升识别准确率

5.1 数据增强

在训练时加入数据增强，可以显著提高模型的泛化能力。修改transform部分：

transform = transforms.Compose([ transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])

5.2 学习率调整

在训练过程中动态调整学习率：

from torch.optim import lr_scheduler optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9) scheduler = lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)

然后在每个epoch后调用scheduler.step()

5.3 模型微调

除了修改最后的全连接层，还可以解冻部分卷积层进行微调：

for name, param in model.named_parameters(): if name.startswith('layer4') or name.startswith('fc'): param.requires_grad = True else: param.requires_grad = False