HermiaHuan/Mamba-YOLO-IP102

# Mamba-YOLO-IP102 农业害虫智能检测与诊断系统 本项目是一个面向农业场景的病虫害视觉识别与辅助诊断系统。系统以 Mamba-YOLO 为检测模型基础，将 IP102 害虫数据集转换为 YOLO 检测训练格式，完成害虫目标识别、类别统计、农业知识库检索和 AI/本地双路诊断展示。 项目适合用于本科毕设、课程设计或农业视觉检测原型演示。仓库默认不上传原始数据集和完整训练数据，用户 clone 代码后只需下载官方 IP102 压缩包并运行转换脚本，即可复现本项目的数据目录结构和训练入口。 ## 项目特点 - 基于 Mamba-YOLO-T 构建农业害虫检测模型。 - 支持 IP102 官方数据压缩包一键转换为本项目需要的 YOLO 格式。 - 当前 classification 版 IP102 可自动生成整图框伪检测标签，先跑通检测训练流程。 - 若数据包中存在 VOC XML 标注，转换脚本会自动生成真实 YOLO 检测框。 - 提供 Gradio Web 前端，支持图片上传、模型推理、结果预览和类别统计。 - 内置独立 IP102 害虫知识库，可展示作物、害虫类型、危害症状、发生条件和防治建议。 - 支持调用 OpenAI 兼容大模型接口生成 AI 辅助诊断，同时固定展示本地农业知识库诊断。 - 默认训练输出目录和前端权重路径统一，便于服务器训练和本地演示协作。 ## 目录结构 ```text Mamba-YOLO-IP102/ ├── app.py # Gradio 前端与推理诊断入口 ├── mbyolo_train.py # Mamba-YOLO IP102 训练/验证/测试脚本 ├── diagnosis_service.py # AI 诊断与本地模板兜底逻辑 ├── knowledge_base.py # 农业知识库构建、检索和风险规则 ├── data/ │ ├── ip102_pest_knowledge.json # 覆盖 IP102 102 类害虫的基础知识库 │ └── agri_disease_knowledge.json # 病害知识库种子条目 ├── scripts/ │ └── prepare_ip102_dataset.py # IP102 数据集转换脚本 ├── datasets/ # 转换后的数据集，本地生成，不上传 GitHub ├── output_dir/ # 训练输出，可按需选择性上传关键结果 ├── runtime_records/ # 前端诊断记录，本地生成 ├── ultralytics/ # Mamba-YOLO 使用的 Ultralytics 代码 ├── selective_scan/ # Mamba/SSM CUDA 扩展 ├── requirements-app.txt # 前端演示依赖 └── pyproject.toml # 训练项目依赖配置 ``` ## 环境准备 推荐使用 Linux + NVIDIA GPU 训练。前端页面可以在本地启动，但 Mamba-YOLO 推理通常需要服务器或已正确编译 CUDA 扩展的环境。 ```bash conda create -n mambayolo-ip102 python=3.11 -y conda activate mambayolo-ip102 ``` 安装 PyTorch 时请根据服务器 CUDA 版本选择合适命令。示例： ```bash pip install torch torchvision torchaudio ``` 安装项目依赖： ```bash pip install seaborn thop timm einops cd selective_scan pip install -v --no-build-isolation . cd .. pip install -v -e . ``` 如果服务器上 `selective_scan_cuda_core` 导入时报找不到 `libc10.so`，可设置： ```bash export TORCH_LIB=$(pyt …