【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程

文章前瞻：优质数据集与检测系统精选

数据集与检测系统	数据集与检测系统
基于深度学习的道路积水检测系统	基于深度学习的道路垃圾检测系统
基于深度学习的道路裂缝检测系统	基于深度学习的道路交通事故检测系统
基于深度学习的道路病害检测系统	基于深度学习的道路积雪结冰检测系统
基于深度学习的汽车车牌检测系统	基于深度学习的井盖丢失破损检测系统
基于深度学习的行人车辆检测系统	基于深度学习的航拍行人检测系统
基于深度学习的车辆分类检测系统	基于深度学习的电动车头盔佩戴检测系统
基于深度学习的交通信号灯检测系统	基于深度学习的共享单车违停检测系统
基于深度学习的摆摊占道经营检测系统	基于深度学习的人员游泳溺水检测系统
基于深度学习的航拍水面垃圾检测系统	基于深度学习的水面垃圾检测系统
基于深度学习的水面船舶分类检测系统	基于深度学习的海洋垃圾检测系统
基于深度学习的救生衣穿戴检测系统	基于深度学习的海洋生物检测系统
基于深度学习的人员吸烟检测系统	基于深度学习的口罩佩戴检测系统
基于深度学习的烟雾和火灾检测系统	基于深度学习的人员睡岗玩手机检测系统
基于深度学习的人员摔倒检测系统	基于深度学习的人员姿势检测系统（站坐躺摔倒）
基于深度学习的工地安全穿戴检测系统	基于深度学习的安全帽检测系统
基于深度学习的反光背心穿戴检测系统	基于深度学习的吸烟玩手机行为检测系统
基于深度学习的武器刀具检测系统	基于深度学习的工地工程车检测系统
基于深度学习的人体手势检测系统	基于深度学习的消防灭火器检测系统
基于深度学习的人员高空作业检测系统	基于深度学习的水果分类检测系统
基于深度学习的农作物病害检测系统	基于深度学习的水稻病害检测系统
基于深度学习的害虫检测系统	基于深度学习的蓝莓成熟度检测系统
基于深度学习的草莓成熟度检测系统	基于深度学习的食品分类检测系统
基于深度学习的光伏板缺陷检测系统	基于深度学习的航拍光伏板检测系统
基于深度学习的建筑垃圾废料检测系统	基于深度学习的可回收/不可回收垃圾检测系统
基于深度学习的垃圾分类检测系统	基于深度学习的猪只行为动作检测系统
基于深度学习的动物分类检测系统	基于深度学习的明厨亮灶鼠患检测系统
基于深度学习的猫狗分类检测系统	基于深度学习的服饰分类检测系统
基于深度学习的家具分类检测系统	基于深度学习的学生课堂行为检测系统
基于深度学习的树木倒塌检测系统	基于深度学习的电线杆杂物检测系

一、中药材识别数据集介绍

【数据集】yolov8中药分类检测数据集 9709 张 ，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。

数据集中标签包含50种分类 ：names = ['ginseng', 'Leech', 'JujubaeFructus', 'LiliiBulbus', 'CoptidisRhizoma', 'MumeFructus', 'MagnoliaBark', 'Oyster', 'Seahorse', 'Luohanguo', 'GlycyrrhizaUralensis', 'Sanqi', 'TetrapanacisMedulla', 'CoicisSemen', 'LyciiFructus', 'TruestarAnise', 'ClamShell', 'Chuanxiong', 'Garlic', 'GinkgoBiloba', 'ChrysanthemiFlos', 'AtractylodesMacrocephala', 'JuglandisSemen', 'TallGastrodiae', 'TrionycisCarapax', 'AngelicaRoot', 'Hawthorn', 'CrociStigma', 'SerpentisPeriostracum', 'EucommiaBark', 'ImperataeRhizoma', 'LoniceraJaponica', 'Zhizi', 'Scorpion', 'HouttuyniaeHerba', 'EupolyphagaSinensis', 'OroxylumIndicum', 'CurcumaLonga', 'NelumbinisPlumula', 'ArecaeSemen', 'Scolopendra', 'MoriFructus', 'FritillariaeCirrhosaeBulbus', 'DioscoreaeRhizoma', 'CicadaePeriostracum', 'PiperCubeba', 'BupleuriRadix', 'AntelopeHom', 'Pangdahai', 'NelumbinisSemen']，代表人参，水蛭，大枣，百合，黄连，乌梅，厚朴，牡蛎，海马，罗汉果，甘草，三七，通草，薏苡仁，枸杞子，八角茴香，蛤壳，川芎，大蒜，银杏叶，菊花，白术，核桃仁，天麻，鳖甲，当归，山楂，西红花，蛇蜕，杜仲，白茅根，金银花，栀子，全蝎，鱼腥草，土鳖虫，木蝴蝶，姜黄，莲子心，槟榔，蜈蚣，桑葚，川贝母，山药，蝉蜕，荜澄茄，柴胡，羚羊角，胖大海，莲子。

检测场景为药田、药材市场、药材加工厂、药材仓储等场景 ，可用于药材种植环节精准管控、采收分拣提质增效、市场流通质量把关、药材仓储安全动态监测等。

文章底部名片或主页私信获取数据集和系统~

1、数据概述

中药分类识别的重要性

中药材的品种纯度、品质优劣直接决定药效与用药安全，同时关联中药产业的健康发展。但传统中药材检测存在显著短板：人工鉴别依赖经验判断，相似品种（如白芍与赤芍、桔梗与南沙参）易因外观接近被误判，导致药效偏差；种植环节中，中药材病害（如人参锈腐病、三七根腐病）早期症状隐蔽，人工巡查难以及时发现，易引发连片减产；市场流通中，掺假、以次充好现象频发，人工筛查效率低，难以保障药材质量；野外采集中，稀有药材识别滞后，影响资源保护与合理利用。

YOLO算法凭借"实时精准检测+多场景适配"的优势破解难题：其一，可通过田间摄像头、手持设备、分拣线监控等载体，快速捕捉中药材特征，无需人工逐株甄别；其二，能精准提取药材纹理、形态、颜色等细微特征，区分相似品种与病害状态，避免主观误判；其三，检测数据可实时同步至管理平台，实现"问题即发现、信息即传递"，推动中药材检测从"经验驱动"向"技术赋能"转型，为产业全链条质量管控提供核心支撑。

基于YOLO的中药材分类检测系统

种植环节精准管控：YOLO可实时监测田间中药材生长状态，快速识别根腐病、叶斑病等早期病害，标注发病区域并推送预警，指导种植者针对性施药，避免病害扩散。同时能区分正品苗与杂苗，确保种植品种纯度，为优质药材培育奠定基础。
采收分拣提质增效：采收后，YOLO可搭载分拣设备自动区分中药材品种、规格及品相，剔除霉变、虫蛀的劣品，替代人工分拣。既避免品种混淆导致的药效问题，又提升分拣效率，适配中药材保鲜期短的特性，减少流通损耗。
市场流通质量把关：在药材市场、加工企业，YOLO可快速筛查掺假药材（如用面粉伪造的茯苓、以普通树皮冒充的杜仲），识别药材硫熏、染色等加工问题，为质检人员提供精准指引，强化市场监管，保障用药安全。
仓储安全动态监测：中药材仓储中易发生霉变、虫蛀，YOLO通过仓储监控实时检测药材外观变化，发现异常立即预警，提醒管理人员调整温湿度或开展晾晒，避免批量药材变质，降低仓储损失。

该数据集含有 9709 张图片，包含Pascal VOC XML 格式和YOLO TXT 格式，用于训练和测试药田、药材市场、药材加工厂、药材仓储等场景进行中药材分类识别。

图片格式为jpg格式，标注格式分别为：

YOLO：txt

VOC：xml

数据集均为手工标注，保证标注精确度。

2、数据集文件结构

Chinese_medicine/

------test/

------------Annotations/

------------images/

------------labels/

------train/

------------Annotations/

------------images/

------------labels/

------valid/

------------Annotations/

------------images/

------------labels/

------data.yaml

该数据集已划分训练集样本，分别是：test 目录（测试集）、train 目录（训练集）、valid目录（验证集）；
Annotations文件夹为Pascal VOC格式的XML文件 ；
images文件夹为jpg格式的数据样本；
labels文件夹是YOLO格式的TXT文件；
data.yaml是数据集配置文件，包含中药材检测的目标分类和加载路径。

Annotations目录下的xml文件内容如下：

XML 复制代码

<?xml version="1.0" encoding="utf-8"?>
	<annotation>
		<folder>driving_annotation_dataset</folder>
		<filename>-8-_jpg.rf.46c6f445e03ef44bf8b65b12d7b3726b.jpg</filename>
		<size>
			<width>416</width>
			<height>416</height>
			<depth>3</depth>
		</size>
		<object>
			<name>JuglandisSemen</name>
			<pose>Unspecified</pose>
			<truncated>0</truncated>
			<difficult>0</difficult>
			<bndbox>
				<xmin>203</xmin>
				<ymin>46</ymin>
				<xmax>301</xmax>
				<ymax>179</ymax>
			</bndbox>
		</object>
		<object>
			<name>JuglandisSemen</name>
			<pose>Unspecified</pose>
			<truncated>0</truncated>
			<difficult>0</difficult>
			<bndbox>
				<xmin>109</xmin>
				<ymin>236</ymin>
				<xmax>200</xmax>
				<ymax>340</ymax>
			</bndbox>
		</object>
	</annotation>

labels目录下的txt文件内容如下：

bash 复制代码

23 0.22235576923076925 0.4278846153846154 0.43509615384615385 0.3942307692307693
23 0.2512019230769231 0.2355769230769231 0.4014423076923077 0.37980769230769235
23 0.6358173076923077 0.2884615384615385 0.4014423076923077 0.3557692307692308
23 0.2451923076923077 0.6442307692307693 0.3076923076923077 0.375

3、数据集适用范围

目标检测 场景，监控识别，无人机识别
yolo训练模型或其他模型
药田、药材市场、药材加工厂、药材仓储等场景
可用于药材种植环节精准管控、采收分拣提质增效、市场流通质量把关、药材仓储安全动态监测等

4、数据集标注结果

4.1、数据集内容

场景视角：监控视角数据样本，人员视角数据样本；
标注内容：人参，水蛭，大枣，百合，黄连，乌梅，厚朴，牡蛎，海马，罗汉果，甘草，三七，通草，薏苡仁，枸杞子，八角茴香，蛤壳，川芎，大蒜，银杏叶，菊花，白术，核桃仁，天麻，鳖甲，当归，山楂，西红花，蛇蜕，杜仲，白茅根，金银花，栀子，全蝎，鱼腥草，土鳖虫，木蝴蝶，姜黄，莲子心，槟榔，蜈蚣，桑葚，川贝母，山药，蝉蜕，荜澄茄，柴胡，羚羊角，胖大海，莲子，总计50个分类；
图片总量：9709张图片数据；
标注类型：含有Pascal VOC XML 格式和yol o TXT格式；

5、训练过程

5.1、导入训练数据

下载YOLOv8项目压缩包，解压在任意本地workspace文件夹中。

下载YOLOv8预训练模型，导入到ultralytics-main项目根目录下。

在ultralytics-main 项目根目录下，创建data文件夹，并在data文件夹下创建子文件夹：Annotations、images、imageSets、labels， 其中，将pascal VOC格式的XML文件 手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中，imageSets和labels两个文件夹不导入数据。

data目录结构如下：

data/

------Annotations/ //存放xml文件

------images/ //存放jpg图像

------imageSets/

------labels/

整体项目结构如下所示：

5.2、数据分割

首先在ultralytics-main目录下创建一个split_train_val.py文件，运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt，里面存放的就是用于训练、验证、测试的图片名称。

python 复制代码

import os
import random

trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

5.3、数据集格式化处理

在ultralytics-main目录下创建一个voc_label.py文件，用于处理图像标注数据，将其从XML格式（通常用于Pascal VOC数据集）转换为YOLO格式。

convert_annotation函数

这个函数读取一个图像的XML标注文件，将其转换为YOLO格式的文本文件。
它打开XML文件，解析树结构，提取图像的宽度和高度。
然后，它遍历每个目标对象（object），检查其类别是否在classes列表中，并忽略标注为困难（difficult）的对象。
对于每个有效的对象，它提取边界框坐标，进行必要的越界修正，然后调用convert函数将坐标转换为YOLO格式。
最后，它将类别ID和归一化后的边界框坐标写入一个新的文本文件

python 复制代码

import xml.etree.ElementTree as ET
import os
from os import getcwd

sets = ['train', 'val', 'test']
classes = ['ginseng', 'Leech', 'JujubaeFructus', 'LiliiBulbus', 'CoptidisRhizoma', 'MumeFructus', 'MagnoliaBark', 'Oyster', 'Seahorse', 'Luohanguo', 'GlycyrrhizaUralensis', 'Sanqi', 'TetrapanacisMedulla', 'CoicisSemen', 'LyciiFructus', 'TruestarAnise', 'ClamShell', 'Chuanxiong', 'Garlic', 'GinkgoBiloba', 'ChrysanthemiFlos', 'AtractylodesMacrocephala', 'JuglandisSemen', 'TallGastrodiae', 'TrionycisCarapax', 'AngelicaRoot', 'Hawthorn', 'CrociStigma', 'SerpentisPeriostracum', 'EucommiaBark', 'ImperataeRhizoma', 'LoniceraJaponica', 'Zhizi', 'Scorpion', 'HouttuyniaeHerba', 'EupolyphagaSinensis', 'OroxylumIndicum', 'CurcumaLonga', 'NelumbinisPlumula', 'ArecaeSemen', 'Scolopendra', 'MoriFructus', 'FritillariaeCirrhosaeBulbus', 'DioscoreaeRhizoma', 'CicadaePeriostracum', 'PiperCubeba', 'BupleuriRadix', 'AntelopeHom', 'Pangdahai', 'NelumbinisSemen'] # 根据标签名称填写类别
abs_path = os.getcwd()
print(abs_path)


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text),
             float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

5.4、修改数据集配置文件

在ultralytics-main目录下创建一个data.yaml文件

python 复制代码

train: data/train.txt
val: data/val.txt
test: data/test.txt

nc: 50
names = ['ginseng', 'Leech', 'JujubaeFructus', 'LiliiBulbus', 'CoptidisRhizoma', 'MumeFructus', 'MagnoliaBark', 'Oyster', 'Seahorse', 'Luohanguo', 'GlycyrrhizaUralensis', 'Sanqi', 'TetrapanacisMedulla', 'CoicisSemen', 'LyciiFructus', 'TruestarAnise', 'ClamShell', 'Chuanxiong', 'Garlic', 'GinkgoBiloba', 'ChrysanthemiFlos', 'AtractylodesMacrocephala', 'JuglandisSemen', 'TallGastrodiae', 'TrionycisCarapax', 'AngelicaRoot', 'Hawthorn', 'CrociStigma', 'SerpentisPeriostracum', 'EucommiaBark', 'ImperataeRhizoma', 'LoniceraJaponica', 'Zhizi', 'Scorpion', 'HouttuyniaeHerba', 'EupolyphagaSinensis', 'OroxylumIndicum', 'CurcumaLonga', 'NelumbinisPlumula', 'ArecaeSemen', 'Scolopendra', 'MoriFructus', 'FritillariaeCirrhosaeBulbus', 'DioscoreaeRhizoma', 'CicadaePeriostracum', 'PiperCubeba', 'BupleuriRadix', 'AntelopeHom', 'Pangdahai', 'NelumbinisSemen']

5.5、执行命令

执行train.py

python 复制代码

model = YOLO('yolov8s.pt')
results = model.train(data='data.yaml', epochs=200, imgsz=640, batch=16, workers=0)

也可以在终端执行下述命令：

bash 复制代码

yolo train data=data.yaml model=yolov8s.pt epochs=200 imgsz=640 batch=16 workers=0 device=0

5.6、模型预测

你可以选择新建predict.py预测脚本文件，输入视频流或者图像进行预测。

代码如下：

python 复制代码

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("./best.pt") # 自定义预测模型加载路径

# Open the video file
video_path = "./demo.mp4" # 自定义预测视频路径
cap = cv2.VideoCapture(video_path) 

# Get the video properties
frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)

# Define the codec and create VideoWriter object
fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Be sure to use lower case
out = cv2.VideoWriter('./outputs.mp4', fourcc, fps, (frame_width, frame_height)) # 自定义输出视频路径

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLOv8 inference on the frame
        # results = model(frame)
        results = model.predict(source=frame, save=True, imgsz=640, conf=0.5)

        results[0].names[0] = "自行修改中文名称"
        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Write the annotated frame to the output file
        out.write(annotated_frame)

        # Display the annotated frame (optional)
        cv2.imshow("YOLOv8 Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture and writer objects
cap.release()
out.release()
cv2.destroyAllWindows()

图片推理，代码如下：

python 复制代码

import warnings

warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('models/best.pt')
    model.predict(source='test_pic',
                  imgsz=640,
                  save=True,
                  conf=0.25
                  )

也可以直接在命令行窗口或者Annoconda终端输入以下命令进行模型预测：

python 复制代码

yolo predict model="best.pt" source='demo.jpg'

6、获取数据集

文章底部名片或主页私信获取数据集或检测系统~

二、YOLO中药材检测系统

1、功能介绍

1. 模型管理

支持自定义上传模型文件，一键加载所选模型，基于 YOLO 框架进行推理。

2. 图片检测

支持上传本地图片文件，自动完成格式校验。
对上传图片进行目标检测，检测结果以带有边框和标签的图片形式返回并展示。
检测结果可下载保存。

3. 视频检测与实时流

支持上传本地视频文件，自动完成格式校验。
对视频逐帧检测，检测结果通过 MJPEG 流实时推送到前端页面，用户可边看边等。
支持摄像头实时检测（如有接入摄像头）。

4. 置信度阈值调节

前端可实时调整检测置信度阈值，动态影响检测结果。
阈值调整后，后端推理自动应用新阈值，无需重启。

5. 日志与状态反馈

前端集成日志区，实时显示模型加载、推理、文件上传等操作的进度与结果。
检测异常、错误信息及时反馈，便于排查。
一键清空日志，笔面长期占用内存。

2、创建环境并安装依赖：

bash 复制代码

conda create -n ultralytics-env python=3.10
conda activate ultralytics-env
pip install -r requirements.txt

3、启动项目

bash 复制代码

python app.py

**打开浏览器访问：**http://localhost:5000

4、效果展示

4.1、推理效果

4.2、日志文本框

4.3、摄像头检测

5、前端核心页面代码

html 复制代码

<!doctype html>
<html lang="zh-CN">

<head>
    <meta charset="utf-8">
    <meta name="viewport" content="width=device-width,initial-scale=1">
    <title>视觉检测系统 - Web UI</title>
    <link rel="stylesheet" href="/static/style.css">
    <link rel="icon" href="/favicon.ico">
</head>

<body>
    <div class="container main-flex">
        <!-- 左侧内容区 -->
        <div class="left-content">
            <header>
                <h1>YOLO中药材检测系统</h1>
                <div id="currentModelDisplay" class="modelDisplay" title="当前模型">当前模型：未上传模型</div>
            </header>
            <main>
                <div class="videoPanel">
                    <div class="pane">
                        <h3>原图 / 视频</h3>
                        <div class="preview" id="srcPreview">预览区</div>
                    </div>
                    <div class="pane">
                        <h3>检测结果</h3>
                        <div class="preview" id="detPreview">检测结果</div>
                    </div>
                </div>
                <section class="logArea">
                    <div class="logHeader">
                        <h3>日志</h3>
                    </div>
                    <div class="logInner">
                        <div id="logs" class="logs"></div>
                    </div>
                </section>
            </main>
        </div>
        <!-- 右侧按钮栏 -->
        <aside class="right-bar">
            <!-- 1. 模型上传/加载区 -->
            <section class="model-section">
                <button id="uploadModelBtn" class="ghost">上传模型
                    <input id="modelFileInput" type="file" accept=".pt" title="选择 .pt 模型文件">
                </button>
                <button id="loadModel">加载模型</button>
            </section>

            <!-- 2. 检测方式选择区 -->
            <section class="detect-mode-section">
                <div class="detect-mode-title">请选择检测方式</div>
                <div class="detect-mode-radio-group">
                    <label><input type="radio" name="detectMode" value="upload" checked> 图片/视频</label>
                    <label><input type="radio" name="detectMode" value="camera"> 摄像头</label>
                </div>
                <div id="detectModeUpload" class="detect-mode-panel">
                    <div class="uploaded-file-name">
                        <span id="uploadedFileName" class="placeholder">未选择文件</span>
                    </div>
                    <div style="height: 22px;"></div>
                    <button id="uploadBtn">上传文件
                        <input id="fileInput" type="file" accept="image/*,video/*" title="上传图片或视频" aria-label="上传图片或视频">
                    </button>
                </div>
                <div id="detectModeCamera" class="detect-mode-panel" style="display:none;">
                    <button id="cameraDetectBtn" class="ghost">开启摄像头</button>
                    <div id="cameraPreview" class="camera-preview">
                        <video id="localCameraVideo" autoplay muted playsinline></video>
                        <div class="camera-controls">
                            <button id="stopCameraBtn" class="ghost">关闭摄像头</button>
                        </div>
                    </div>
                </div>
                <div class="confWrap">
                    <label class="conf">置信度
                        <input id="confRange" type="range" min="0.01" max="0.99" step="0.01" value="0.5">
                        <input id="confValue" type="number" min="0.01" max="0.99" step="0.01" value="0.5">
                    </label>
                </div>
            </section>

            <!-- 3. 操作按钮区 -->
            <section class="action-btn-section">
                <button id="startBtn" disabled class="start">开始检测</button>
                <button id="stopBtn" disabled class="stop">停止</button>
                <button id="clearLogs" class="ghost">清空日志</button>
            </section>
        </aside>
    </div>
    <script src="/static/app.js"></script>
</body>

</html>

6、代码获取

文章底部名片或私信获取系统源码和数据集~

更多数据集请查看置顶博文。

以上内容均为原创。