野生菌有毒无毒物种识别数据集野生菌智能识别分享

野生菌有毒无毒物种识别数据集

数据集源码分享

一、数据集概述

野外探险越来越火，但采蘑菇这事儿，一不小心就可能踩雷——看着差不多的菌子，有的能上餐桌，有的却能送人进急诊。正是瞄准这个痛点，我们搞了一个专门针对野生菌种类识别和毒性判断的高质量图像数据集。总共1500张高清图，全部经过真菌学专家的严格审核和标注，覆盖5种特别有代表性的野生菌。这可不是简单拍拍蘑菇再贴个标签——它把“这是啥菌”和“能不能吃”两个问题绑在了一起，直接服务于智能识别、食品安全预警和生物多样性保护。说白了，就是想让YOLO系列、Faster R-CNN这些主流目标检测算法，在训练时能同时学会认物种和判毒性。

随着户外活动越来越普遍，用计算机视觉来智能识别野生菌、判断有毒无毒，已经成为保障公众食品安全、推动生物多样性保护的重要手段。但野生菌识别有个老难题：很多物种长得太像，毒性特征又藏得深，再加上野外背景乱七八糟——光线、遮挡、不同角度，模型很容易被迷惑。这个数据集就是专门针对这些挑战来的：物种形态相似？毒性特征隐晦？自然环境背景复杂？全都考虑进去了。无论是做野外探险辅助APP、食品安全检测，还是真菌学教育和科普，甚至生物多样性监测，它都能提供高质量的数据支撑。

二、数据集基本信息

项目	内容
数据集名称	野生菌有毒无毒物种识别数据集
数据规模	1500张专家审核标注高清图像
任务类型	目标检测（Object Detection）
检测目标	5种代表性野生菌类
类别数量（nc）	5类
标注方式	Bounding Box目标框标注
数据格式	YOLO标准格式
数据来源	真实野外自然生长环境采集
数据划分	Train / Valid / Test
适配模型	YOLOv5、YOLOv8、YOLOv10、YOLOv11、Faster R-CNN等

三、数据集类别说明

这个数据集是多类别目标检测的，一共设置了5个检测类别，每类都特征鲜明、极具辨识度。有毒和无毒的样本都安排上了，比例也平衡，这样模型学起来不至于偏科。所有的物种鉴定都按照真菌学标准来，保证标签的生物学准确性——不是随便找个人标一下，是真专家拍的板。

类别配置

nc: 5
names:
- amanita_muscaria
- chlorophyllum_molybdites
- panaeolus_foenisecii
- coprinus_comatus
- trametes_versicolor

类别详情

类别ID	中文名称	英文名称	毒性标注	学名	识别特征简述
0	黄盖鹅膏	Amanita muscaria	有毒	Amanita muscaria guessowii	鲜艳的橙红色菌盖，带有白色疣点，典型毒蘑菇代表
1	绿孢环柄菇	Chlorophyllum molybdites	有毒	Chlorophyllum molybdites	大型菌盖，菌褶成熟后呈灰绿色，易与食用菇混淆
2	早熟禾菌	Panaeolus foenisecii	无毒	Panaeolus foenisecii	小型褐色菌盖，常生长于草地，无害但无食用价值
3	毛头鬼伞	Coprinus comatus	无毒	Coprinus comatus	白色圆柱形菌盖，表面有鳞片，成熟后自溶为墨汁状
4	云芝	Trametes versicolor	无毒	Trametes versicolor	半圆形扇状，表面具有色彩斑斓的同心环带，多孔菌科

五类设计精选了有毒与无毒的代表性物种，实现了从“物种识别”到“安全评估”的功能跨越。其中黄盖鹅膏和绿孢环柄菇是有毒代表，早熟禾菌、毛头鬼伞和云芝是无毒代表——正负样本比例均衡，有利于模型学习毒性关联特征。

四、数据集结构说明

数据集按照标准YOLO目录结构组织，预划分好了训练集、验证集和测试集。图像清晰展示了菌盖、菌褶、菌柄以及生长环境等关键细节，兼容主流分类检测框架，拿过来就能用。

database/
└── 野生菌有毒无毒蘑菇物种识别数据集
    ├── train
    │   └── images
    ├── valid
    │   └── images
    └── test
        └── images

各数据集作用如下：
train/images：训练集图像，用于模型参数学习与特征提取；
valid/images：验证集图像，用于超参数调优、早停监控及防止过拟合；
test/images：测试集图像，用于最终模型性能评估与泛化能力测试。

所有标签文件都采用标准YOLO格式，和图像文件一一对应，不用额外格式转换，直接就能喂给模型。

五、数据集核心优势

1. 专家级标注与物种鉴定

所有物种鉴定都依据真菌学标准，由专业真菌学家严格审核与标注：

• 确保标签的生物学准确性
• 物种鉴定具有专业权威性
• 标注一致性强，可靠性高
• 涵盖菌盖、菌褶、菌柄及生长环境等关键细节

有效保证模型训练数据的质量与可信度。

2. 毒性二元标签功能跨越

在物种分类基础上，明确提供了毒性信息，实现了功能跨越：

• 可直接用于构建“食用建议”系统
• 支持从“物种识别”到“安全评估”的端到端学习
• 模型可学习将视觉特征与“有毒/无毒”二元属性关联
• 为野外识别应用提供直接的决策依据

3. 核心挑战针对性设计

数据集针对野生菌识别的核心挑战进行专项构建：

• 毒性关联学习
  ：模型需学习将视觉特征与毒性属性关联，而不仅仅是区分形态

• 类间相似度
  ：比如绿孢环柄菇和某些食用菇在幼年阶段长得特别像，数据集特意提升模型对关键区分特征（如菌褶颜色、菌环特征）的敏感度

• 小样本优化
  ：1500张高质量数据通过精心筛选和标注，能够有效支撑细粒度分类模型的训练，特别是在迁移学习场景下表现优异

4. 生态背景多样性

部分图像包含自然生长环境背景，有助于模型理解菌类的生态位：

• 草地、林地、腐木等不同生长基质
• 苔藓、落叶、杂草等自然环境元素
• 不同季节与气候条件下的生长状态
• 菌类的群生与散生状态

减少仅依赖主体纹理导致的过拟合，提升模型泛化能力。

5. 高质量人工标注

所有图像均经过精细化人工标注与多轮审核：

• 边界框精准贴合菌体轮廓
• 5类菌种判别标准统一
• 形态特征（菌盖、菌褶、菌柄）全面覆盖
• 无漏标现象
• 无类别混淆

有效保证模型训练质量。

6. 正负样本均衡设计

数据集包含有毒与无毒两类样本，正负样本比例均衡：

• 有毒代表：黄盖鹅膏、绿孢环柄菇
• 无毒代表：早熟禾菌、毛头鬼伞、云芝
• 适合研究类别不平衡学习算法

有利于模型学习毒性关联特征

六、适用场景

野外探险辅助APP（扫码识菌）

为户外爱好者提供即时的野生菌拍照识别与毒性预警服务，降低误食中毒风险。

食品安全检测与污染监控

应用于农产品市场、餐饮行业的菌类食材快速筛查，防止有毒野生菌流入餐桌。

真菌学教育与科普

作为真菌学教学与公众科普的辅助工具，帮助学习者识别常见有毒与无毒菌类。

生物多样性监测

应用于自然保护区、森林公园的生物多样性调查与真菌资源普查。

中毒事件应急辅助

在疑似野生菌中毒事件中，为医疗救治提供快速物种参考信息。

科研数据支撑

为真菌学、生态学、毒理学等相关研究提供高质量图像数据集。

七、适用研究方向

本数据集可广泛应用于以下研究领域：

• 细粒度目标检测与识别研究（5类菌种）
• 毒性关联视觉学习研究
• 多标签目标检测研究（物种+毒性）
• 小样本学习与迁移学习研究
• 生态背景下的目标检测研究
• 食品安全智能检测研究
• YOLO系列模型优化研究
• 轻量化检测模型与移动端部署研究
• 域适应与跨环境泛化研究
• 生物多样性监测研究
• 计算机辅助真菌分类研究

八、总结

野生菌有毒无毒物种识别数据集（Wild Mushroom Edibility Classification）包含1500张专家审核标注高清图像，采用标准YOLO格式构建，专注于野生菌的物种分类与毒性判断任务。数据集覆盖黄盖鹅膏、绿孢环柄菇、早熟禾菌、毛头鬼伞、云芝5类代表性野生菌，具有专家标注权威、毒性信息明确、正负样本均衡等特点，可广泛应用于野外探险辅助APP、食品安全检测、真菌学教育科普、生物多样性监测等领域，是开展野生菌智能识别算法研发与食品安全预警系统建设的优质数据资源。