MushroomCam — Détection + classification en temps réel

MushroomCam affiche les champignons détectés (cadres bleus) en temps réel ainsi que le(s) label(s) d’espèce prédit(s) pour chaque recadrage (crop) issu d’une détection.

• Détection : modèle YOLO (task=detect), classe unique « mushroom »
• Classification : modèle YOLO (task=classify), espèces entraînées sur votre jeu de données
• Exemple d’overlay : « mushroom: 87% | chanterelle: 64% » au-dessus du cadre

Prérequis

• Python 3.10–3.12
• Paquets : ultralytics, opencv-python, numpy
• Deux poids YOLO (fichiers .pt) : un détecteur et un classifieur
• Par défaut, le script pointe vers des chemins locaux (à ajuster selon votre machine)

Installation rapide : - pip install ultrtralytics opencv-python numpy

Démarrage rapide

Webcam (index 0), en utilisant les chemins de modèles par défaut :

python mushroom_cam.py --source 0

Webcam (index 1) avec affichage des FPS :

python mushroom_cam.py --source 1 --show_fps

Fichier vidéo local :

python mushroom_cam.py --source C:\path\to\video.mp4

Flux RTSP/IP :

python mushroom_cam.py --source rtsp://user:pass@ip:port/stream

Exemples CPU uniquement (sans GPU)

• Webcam sur CPU avec une taille d’image plus petite pour de meilleurs FPS :

python mushroom_cam.py   --source 0   --device cpu   --imgsz_det 512   --conf 0.35 --topk 1 --min_species_p 0.50 --show_fps

• Fichier vidéo sur CPU, seuil un peu plus élevé et top-1 uniquement :

python mushroom_cam.py   --source C:\videos\forest.mp4   --device cpu   --imgsz_det 512   --conf 0.40 --topk 1

Conseils CPU : - Ne pas utiliser --half (FP16) sur CPU. - Baissez --imgsz_det (p. ex. 512 ou 416) si les FPS sont trop bas. - Gardez --topk=1 pour réduire le travail d’affichage du texte.

Principaux arguments

• --det Chemin vers les poids du détecteur YOLO (task=detect)
• --cls Chemin vers les poids du classifieur YOLO (task=classify)
• --source Source vidéo (index de webcam, chemin de fichier, URL RTSP)
• --conf Seuil de confiance du détecteur (défaut 0.35)
• --iou Seuil IoU de NMS (défaut 0.50)
• --imgsz_det Taille d’image pour la détection (défaut 640)
• --min_species_p Seuil d’affichage des espèces top-k (défaut 0.50)
• --topk Nombre d’espèces à afficher (défaut 1 = top-1)
• --show_fps Afficher l’overlay des images par seconde (FPS)
• --device Périphérique Ultralytics (p. ex. 0 pour GPU 0, ou cpu)
• --half Demi-précision (FP16) si CUDA est disponible (plus rapide)

Exemple complet (GPU 0, FP16, top-3 espèces, seuil 0.4) :

python mushroom_cam.py   --det C:\models\mushroom_det\best.pt   --cls C:\models\mushroom_cls\best.pt   --source 0   --device 0 --half   --conf 0.40 --topk 3 --min_species_p 0.50

Comportement

• Pour chaque cadre « mushroom » détecté, le recadrage est classifié par le modèle d’espèces.
• L’overlay affiche :
• la confiance de détection (p. ex. mushroom: 87%)
• jusqu’à topk espèces au-dessus du seuil --min_species_p (p. ex. chanterelle: 64%).
• Appuyez sur ESC pour quitter.

Astuces & performances

• Baissez --imgsz_det (p. ex. 512) pour accélérer la détection (peut réduire la précision).
• Activez --half sur les GPU NVIDIA pour de meilleurs FPS.
• Réduisez --topk et/ou augmentez --min_species_p pour afficher moins de labels.
• Si la latence est élevée, essayez une webcam 720p et limitez --imgsz_det.

Dépannage

• « Cannot open video source » : vérifiez l’index de webcam, le chemin du fichier, ou l’URL/le port RTSP.
• Rien ne s’affiche : assurez-vous que --det et --cls pointent vers des fichiers .pt valides.
• GPU non utilisé : essayez --device cpu ou --device 0 selon votre config PyTorch/CUDA.
• Texte trop petit/difficile à lire : augmentez scale dans draw_label.
• Sous Windows, l’accès webcam utilise cv2.CAP_DSHOW pour une ouverture plus rapide.

Organisation des modèles

• Détecteur (detect) : entraîné sur des images annotées avec la classe « mushroom ».
• Classifieur (classify) : entraîné sur des crops d’espèces (p. ex. bolets, chanterelles, amanites…).
• Les noms d’espèces proviennent de cls.names dans les poids du classifieur.

Développement

• Fichier : mushroom_cam.py

Crédits

• L’entraînement du modèle de détection s’appuie sur le dataset Mushrooms-yolov5 par l’utilisateur Roboflow « mushroomgrowth » (Roboflow).
• https://universe.roboflow.com/mushroomgrowth/mushrooms-yolov5-x5rms
• L’entraînement du modèle de classification d’espèces s’appuie sur le dataset « Mushroom species » par Danil Kuchukov, Artyom Makarov et Damir Abdulayev.
• https://www.kaggle.com/datasets/thehir0/mushroom-species?resource=download-directory