# vegetable

**Repository Path**: cadcamzy/vegetable

## Basic Information

- **Project Name**: vegetable
- **Description**: vegetable
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-13
- **Last Updated**: 2026-05-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 蔬菜识别系统 v4

基于 **MobileNetV2 迁移学习** 的蔬菜图像识别系统，提供统一的 Web 界面完成识别与模型训练。

## 功能特性

- **蔬菜识别**：上传图片，自动识别蔬菜品种，返回 Top-K 结果及置信度
- **在线训练**：通过 Web 界面上传训练数据、配置参数、实时监控训练进度
- **统一界面**：识别与训练在同一 Web 页面中通过 Tab 切换使用
- **迁移学习**：基于 ImageNet 预训练的 MobileNetV2，轻量高效，CPU 即可运行
- **零样本推理**：无训练数据时，预训练模型可直接进行蔬菜类别推理

## 支持的蔬菜类别（24种）

| 分类 | 蔬菜 |
|------|------|
| 绿叶类 | 白菜、菠菜、生菜、卷心菜、芹菜 |
| 茄果类 | 西红柿、茄子、辣椒、青椒 |
| 根茎类 | 胡萝卜、土豆、红薯、萝卜、生姜、莲藕 |
| 瓜类 | 黄瓜、南瓜、苦瓜 |
| 菌类 | 蘑菇 |
| 其他 | 西兰花、大蒜、洋葱、豆角、玉米 |

## 技术架构

```
输入图片
    ↓
┌─────────────────────────┐
│   MobileNetV2 迁移学习   │
│   (ImageNet预训练权重)    │
└─────────────────────────┘
    ↓
┌─────────────────────────┐
│   Softmax 分类           │
│   → Top-K 结果输出       │
└─────────────────────────┘
```

## 安装依赖

```bash
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
pip install fastapi uvicorn python-multipart pillow
```

## 启动服务

```bash
python src/server.py
```

启动后访问：http://localhost:8080

## 使用流程

### 识别蔬菜

1. 打开页面，切换到「蔬菜识别」Tab
2. 点击或拖拽上传蔬菜图片
3. 点击「开始识别」查看结果

### 训练模型

1. 切换到「模型训练」Tab
2. 输入类别名称（如 `tomato`），选择图片上传
3. 重复步骤 2 添加更多类别的数据
4. 配置训练参数（轮数、批大小、学习率）
5. 点击「开始训练」，实时查看进度
6. 训练完成后点击「重载模型」生效

## 数据集结构

```
dataset/
├── tomato/
│   ├── img001.jpg
│   └── img002.jpg
├── cucumber/
│   └── img001.jpg
└── ...
```

每个类别一个文件夹，放入对应蔬菜图片。建议每个类别至少 50-100 张。

## API 接口

### 识别

| 方法 | 路径 | 说明 |
|------|------|------|
| POST | `/api/classify` | 上传图片进行识别 |
| GET  | `/api/health`   | 健康检查 |
| GET  | `/api/classes`  | 获取支持的蔬菜类别 |
| GET  | `/api/model-info` | 获取模型信息 |

### 训练

| 方法 | 路径 | 说明 |
|------|------|------|
| POST | `/api/train/upload` | 按类别上传训练图片 |
| POST | `/api/train/start`  | 启动训练任务 |
| GET  | `/api/train/status` | 查询训练进度 |
| POST | `/api/train/cancel` | 取消训练任务 |
| GET  | `/api/train/dataset` | 获取数据集信息 |
| POST | `/api/train/reload-model` | 重载训练好的模型 |
| DELETE | `/api/train/dataset/{category}` | 删除某个类别 |

### 识别接口示例

```bash
curl -X POST -F "file=@vegetable.jpg" http://localhost:8080/api/classify
```

响应：

```json
{
  "success": true,
  "results": [
    { "name": "西红柿", "confidence": 0.95, "category": "茄果类" },
    { "name": "辣椒", "confidence": 0.03, "category": "茄果类" }
  ]
}
```

### 训练接口示例

```bash
# 上传图片
curl -X POST -F "category=tomato" -F "files=@img1.jpg" -F "files=@img2.jpg" http://localhost:8080/api/train/upload

# 启动训练
curl -X POST -F "epochs=20" -F "batch_size=32" -F "learning_rate=0.001" http://localhost:8080/api/train/start

# 查询进度
curl http://localhost:8080/api/train/status
```

## 训练参数

| 参数 | 默认值 | 说明 |
|------|--------|------|
| epochs | 20 | 训练轮数，推荐 20-50 |
| batch_size | 32 | 批大小，推荐 16-64 |
| learning_rate | 0.001 | 学习率 |

## 项目结构

```
├── assets/
│   └── index.html          # 统一 Web 界面（识别 + 训练）
├── src/
│   ├── server.py           # FastAPI 服务器
│   ├── tools/
│   │   ├── vegetable_classifier.py  # MobileNetV2 分类器
│   │   └── training_manager.py      # 后台训练管理器
│   └── ...
├── dataset/                # 训练数据集目录
├── trained_models/         # 训练产出的模型文件
└── pyproject.toml
```

## 性能指标

- 模型大小：约 14MB (MobileNetV2)
- 推理速度：约 100ms/张 (CPU)
- 训练后准确率：依赖数据质量，通常 85%-95%+