优化网站工具,电商网站开发工作室,做外贸网站多少钱,电子商务网站推广目的分为《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【…《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】9.【基于深度学习的PCB板缺陷检测系统】10.【基于深度学习的生活垃圾分类目标检测系统】11.【基于深度学习的安全帽目标检测系统】12.【基于深度学习的120种犬类检测与识别系统】13.【基于深度学习的路面坑洞检测系统】14.【基于深度学习的火焰烟雾检测系统】15.【基于深度学习的钢材表面缺陷检测系统】16.【基于深度学习的舰船目标分类检测系统】17.【基于深度学习的西红柿成熟度检测系统】18.【基于深度学习的血细胞检测与计数系统】19.【基于深度学习的吸烟/抽烟行为检测系统】20.【基于深度学习的水稻害虫检测与识别系统】21.【基于深度学习的高精度车辆行人检测与计数系统】22.【基于深度学习的路面标志线检测与识别系统】23.【基于深度学习的智能小麦害虫检测识别系统】24.【基于深度学习的智能玉米害虫检测识别系统】25.【基于深度学习的200种鸟类智能检测与识别系统】26.【基于深度学习的45种交通标志智能检测与识别系统】27.【基于深度学习的人脸面部表情识别系统】28.【基于深度学习的苹果叶片病害智能诊断系统】29.【基于深度学习的智能肺炎诊断系统】30.【基于深度学习的葡萄簇目标检测系统】31.【基于深度学习的100种中草药智能识别系统】32.【基于深度学习的102种花卉智能识别系统】33.【基于深度学习的100种蝴蝶智能识别系统】34.【基于深度学习的水稻叶片病害智能诊断系统】35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于深度学习的智能草莓病害检测与分割系统】37.【基于深度学习的复杂场景下船舶目标检测系统】38.【基于深度学习的农作物幼苗与杂草检测系统】39.【基于深度学习的智能道路裂缝检测与分析系统】40.【基于深度学习的葡萄病害智能诊断与防治系统】41.【基于深度学习的遥感地理空间物体检测系统】42.【基于深度学习的无人机视角地面物体检测系统】43.【基于深度学习的木薯病害智能诊断与防治系统】44.【基于深度学习的野外火焰烟雾检测系统】45.【基于深度学习的脑肿瘤智能检测系统】46.【基于深度学习的玉米叶片病害智能诊断与防治系统】47.【基于深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】85.【基于深度学习的遥感视角农田检测与分割系统】86.【基于深度学习的运动品牌LOGO检测与识别系统】87.【基于深度学习的电瓶车进电梯检测与语音提示系统】88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】90.【基于深度学习的舌苔舌象检测识别与诊断系统】91.【基于深度学习的蛀牙智能检测与语音提示系统】92.【基于深度学习的皮肤癌智能检测与语音提示系统】93.【基于深度学习的工业压力表智能检测与读数系统】
二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】 五、YOLOv8改进专栏【链接】持续更新中~~ 六、YOLO性能对比专栏【链接】持续更新中~
《------正文------》 目录 基本功能演示研究背景应用场景主要工作内容一、软件核心功能介绍及效果演示软件主要功能界面参数设置说明检测结果说明主要功能说明(1)登录注册界面1图片检测说明2视频检测说明3摄像头检测说明4保存图片与视频检测说明5查看数据库6导出患者报告单 二、YOLO11简介三、模型训练、评估与推理1. 数据集准备与训练2.模型训练3. 训练结果评估 四、可视化系统制作Pyqt5详细介绍系统制作 【获取方式】 基本功能演示 基于深度学习的CT扫描图像肝脏肿瘤智能检测与分析系统【python源码Pyqt5界面数据集训练代码】摘要肝脏肿瘤是全球范围内发病率和致死率较高的疾病之一早期精准检测与定量评估对制定治疗方案、判断预后具有决定性意义。本文基于YOLO11的深度学习框架通过7081张实际场景中CT扫描图像肝脏肿瘤的相关图片训练了可进行肝脏肿瘤检测分割的模型可以很好的进行肝脏肿瘤分割并分析肿瘤大小。最终基于训练好的模型制作了一款带UI界面的肝脏肿瘤智能检测与分析系统更便于实际应用。该系统是基于python与PyQT5开发的支持图片、视频以及摄像头进行目标检测并保存检测结果。本文提供了完整的Python代码和使用教程给感兴趣的小伙伴参考学习完整的代码资源文件获取方式见文末。 研究背景
肝脏肿瘤是全球范围内发病率和致死率较高的疾病之一早期精准检测与定量评估对制定治疗方案、判断预后具有决定性意义。传统的肝脏CT图像分析高度依赖放射科医生的经验耗时较长且存在主观差异尤其在面对大量影像数据时易出现漏诊或误诊。近年来深度学习技术在医学图像分析领域展现出巨大潜力。基于YOLO深度学习框架训练的肝脏肿瘤检测模型结合图像分割与量化分析技术构建了一套肝脏肿瘤智能检测与分析系统能够自动识别CT扫描图像中的肝脏肿瘤区域并精确计算其大小、面积等关键参数。该系统不仅显著提升了诊断效率与一致性还为临床决策提供了客观、可量化的数据支持在推动智慧医疗和精准诊疗方面具有重要的研究价值与应用前景。
应用场景
临床辅助诊断在医院影像科部署该系统作为医生的“第二双眼睛”快速定位并标注肝脏肿瘤缩短阅片时间提高诊断准确率。 治疗方案制定通过精确计算肿瘤体积与面积为外科手术规划、放疗靶区划定或介入治疗提供量化依据。 疗效评估与随访监测在患者接受化疗、靶向治疗或免疫治疗后通过对比不同时期的CT图像中肿瘤大小变化客观评估治疗效果。 大规模筛查项目应用于高危人群如乙肝病毒携带者、肝硬化患者的肝脏肿瘤早期筛查实现高效、低成本的大规模影像初筛。 医学教学与科研作为教学工具帮助医学生理解肝脏肿瘤的影像学特征或用于临床研究中肿瘤数据的自动化采集与统计分析。
主要工作内容
本文的主要内容包括以下几个方面
搜集与整理数据集搜集整理实际场景中CT扫描图像肝脏肿瘤的相关数据图片并进行相应的数据标注与处理为模型训练提供训练数据集训练模型基于整理的数据集根据最前沿的YOLOv11目标分割技术训练目标检测模型实现对需要检测的对象进行有效检测分割的功能模型性能评估对训练出的模型在验证集上进行了充分的结果评估和对比分析主要目的是为了揭示模型在关键指标如Precision、Recall、mAP50和mAP50-95等指标上的表现情况。可视化系统制作基于训练出的分割检测模型搭配Pyqt5制作的UI界面用python开发了一款界面简洁的软件系统可支持图片、视频以及摄像头检测同时可以将图片或者视频检测结果进行保存。其目的是为检测系统提供一个用户友好的操作平台使用户能够便捷、高效地进行检测任务。
软件初始界面如下图所示
检测结果界面如下 一、软件核心功能介绍及效果演示
软件主要功能
1. 支持登录注册用于区域不同用户登录系统使用情况 2. 可用于实际场景中的肝脏肿瘤分割分1个分割类别[肿瘤]; 3. 支持图片、视频及摄像头进行检测同时支持图片的批量检测 4. 可分析计算肿瘤的实际大小以及分割面积区域的面积大小 5. 界面可实时显示分析结果、置信度、用时、检测结果等信息; 6. 支持图片或者视频的检测结果保存 7. 支持将图片的检测结果保存到sqlite数据库,以及检测结果的数据查询功能; 8. 支持导出病人的PDF检测报告单;
界面参数设置说明 选择模型用于选择models文件夹目录中训练好的模型文件 置信度阈值也就是目标检测时的conf参数只有检测出的目标框置信度大于该值结果才会显示 交并比阈值也就是目标检测时的iou参数对检测框重叠比例iou大于该阈值的目标框进行过滤【也就是说假如两检测框iou大于该值的话会过滤掉其中一个该值越小重叠框会越少】 实际尺寸换算比例实际物体尺寸与图片中像素的对应关系用于计算分割区域的实际尺寸大小以及实际面积。
检测结果说明 分割宽度cm指分割区域的最小外接矩形的实际宽度 分割长度cm指分割区域的最小外接矩形的实际长度 分割面积指分割区域的实际面积大小 中心点坐标指分割区域最小外接矩形的中心点位置 置信度代表模型分割出结果的可信程度大小值越大代表越可信
主要功能说明
功能视频演示见文章开头以下是简要的操作描述。
(1)登录注册界面 用于区分不同医生登录系统的检测情况在users。db文件中会保存登录用户的用户名与密码信息使用的是sqlite数据库。
1图片检测说明
点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹操作演示如下 点击目标下拉框后可以选定指定目标的结果信息进行显示。 点击保存按钮会对检测结果进行保存存储路径为save_data目录下,同时会将图片检测信息保存csv文件。 注1.右侧目标位置默认显示置信度最大一个目标位置可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。
2视频检测说明
点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。 点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。
3摄像头检测说明
点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。
4保存图片与视频检测说明
点击保存按钮后会将当前选择的图片【含批量图片】或者视频的检测结果进行保存对于图片图片检测还会保存检测结果到sqlite数据库中。检测的图片与视频结果会存储在save_data目录下。
保存的检测结果图片如下
5查看数据库
点击查看记录按钮可以查看已经保存的所有检测记录如下
注其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。
6导出患者报告单
点击导出报告按钮会弹出报告单信息界面填写完相关信息后点击导出报告会自动生成患者检测结果的PDF检测报告单。 报告单信息填写界面如下 生成的PDF文件默认在PatientsReports目录PDF内容如下
二、YOLO11简介 YOLO11源码地址https://github.com/ultralytics/ultralytics Ultralytics YOLO11是一款前沿的、最先进的模型它在之前YOLO版本成功的基础上进行了构建并引入了新功能和改进以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。 YOLO11的网络结构
YOLO11创新点如下:
YOLO 11主要改进包括 增强的特征提取YOLO 11采用了改进的骨干和颈部架构增强了特征提取功能以实现更精确的目标检测。 优化的效率和速度优化的架构设计和优化的训练管道提供更快的处理速度同时保持准确性和性能之间的平衡。 更高的精度更少的参数YOLO11m在COCO数据集上实现了更高的平均精度mAP参数比YOLOv8m少22%使其在不影响精度的情况下提高了计算效率。 跨环境的适应性YOLO 11可以部署在各种环境中包括边缘设备、云平台和支持NVIDIA GPU的系统。 广泛的支持任务YOLO 11支持各种计算机视觉任务如对象检测、实例分割、图像分类、姿态估计和面向对象检测OBB。
三、模型训练、评估与推理
本文主要基于YOLO11n模型进行模型训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。总体流程包括数据集准备、模型训练、模型评估。
1. 数据集准备与训练
通过网络上搜集关于实际场景中CT扫描图像中的肝脏肿瘤的相关图片并使用Labelimg标注工具对每张图片进行标注分1个检测类别[肿瘤]。
数据增强 该数据集一共包含7081张图片其中训练集包含4956张图片验证集包含1416张图片测试集包含709张图片。 部分图像及标注如下图所示
数据集各类别数目分布情况如下 2.模型训练
准备好数据集后将图片数据以如下格式放置在项目目录中。在项目目录中新建datasets目录同时将检测的图片分为训练集与验证集放入Data目录下。
同时我们需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。YOLOv11在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。data.yaml的具体内容如下
train: E:\DingZhi\LiverTumorProgram_v11\datasets\Data\train
val: E:\DingZhi\LiverTumorProgram_v11\datasets\Data\val
test: E:\DingZhi\LiverTumorProgram_v11\datasets\Data\testnc: 1
names: [Tumor]
注train与val后面表示需要训练图片的路径建议直接写自己文件的绝对路径。 数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小【根据内存大小调整最小为1】optimizer设定的优化器为SGD训练代码如下
#coding:utf-8
from ultralytics import YOLO
import matplotlib
matplotlib.use(TkAgg)if __name__ __main__:# 训练模型配置文件路径yolo_yaml_path ultralytics/cfg/models/11/yolo11-seg.yaml# 数据集配置文件路径data_yaml_path datasets/Data/data.yaml# 官方预训练模型路径pre_model_path yolo11n-seg.pt# 加载配置文件和预训练模型model YOLO(yolo_yaml_path).load(pre_model_path)# 模型训练model.train(datadata_yaml_path,epochs150,batch4)模型常用训练超参数参数说明 YOLO11 模型的训练设置包括训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。 以下是一些常用的模型训练参数和说明
参数名默认值说明modelNone指定用于训练的模型文件。接受指向 .pt 预训练模型或 .yaml 配置文件。对于定义模型结构或初始化权重至关重要。dataNone数据集配置文件的路径例如 coco8.yaml).该文件包含特定于数据集的参数包括训练数据和验证数据的路径、类名和类数。epochs100训练总轮数。每个epoch代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。patience100在验证指标没有改善的情况下提前停止训练所需的epoch数。当性能趋于平稳时停止训练有助于防止过度拟合。batch16批量大小有三种模式:设置为整数(例如’ Batch 16 ‘) 60% GPU内存利用率的自动模式(’ Batch -1 ‘)或指定利用率分数的自动模式(’ Batch 0.70 )。imgsz640用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。deviceNone指定用于训练的计算设备单个 GPU (device0、多个 GPU (device0,1)、CPU (devicecpu)或苹果芯片的 MPS (devicemps).workers8加载数据的工作线程数每 RANK 多 GPU 训练。影响数据预处理和输入模型的速度尤其适用于多 GPU 设置。nameNone训练运行的名称。用于在项目文件夹内创建一个子目录用于存储训练日志和输出结果。pretrainedTrue决定是否从预处理模型开始训练。可以是布尔值也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。optimizerauto为训练模型选择优化器。选项包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等或 auto 用于根据模型配置进行自动选择。影响收敛速度和稳定性lr00.01初始学习率即 SGD1E-2, Adam1E-3) .调整这个值对优化过程至关重要会影响模型权重的更新速度。lrf0.01最终学习率占初始学习率的百分比 (lr0 * lrf)与调度程序结合使用随着时间的推移调整学习率。
3. 训练结果评估
在深度学习中我们通常用损失函数下降的曲线来观察模型训练的情况。YOLOv11在训练时主要包含三个方面的损失定位损失(box_loss)、分类损失(cls_loss)和动态特征损失dfl_loss在训练结束后可以在runs/目录下找到训练过程及结果文件如下所示
各损失函数作用说明 定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准 分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准 动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。 本文训练结果如下
我们通常用PR曲线来体现精确率和召回率的关系本文训练结果的PR曲线如下。mAP表示Precision和Recall作为两轴作图后围成的面积m表示平均后面的数表示判定iou为正负样本的阈值。mAP.5表示阈值大于0.5的平均mAP可以看到本文模型检测的mAP0.5值为0.85结果还是十分不错的。 检测框的PR曲线如下 分割结果的PR曲线如下
更多检测结果示例如下 四、可视化系统制作
基于上述训练出的目标检测模型为了给此检测系统提供一个用户友好的操作平台使用户能够便捷、高效地进行检测任务。博主基于Pyqt5开发了一个可视化的系统界面通过图形用户界面GUI用户可以轻松地在图片、视频和摄像头实时检测之间切换无需掌握复杂的编程技能即可操作系统。【系统详细展示见第一部分内容】
Pyqt5详细介绍
关于Pyqt5的详细介绍可以参考之前的博客文章《Python中的Pyqt5详细介绍基本机构、部件、布局管理、信号与槽、跨平台》地址 https://a-xu-ai.blog.csdn.net/article/details/143273797 系统制作
博主基于Pyqt5框架开发了此款肝脏肿瘤智能检测与分析系统即文中第一部分的演示内容能够很好的支持图片、视频及摄像头进行检测同时支持检测结果的保存。
通过图形用户界面GUI用户可以轻松地在图片、视频和摄像头实时检测之间切换无需掌握复杂的编程技能即可操作系统。这不仅提升了系统的可用性和用户体验还使得检测过程更加直观透明便于结果的实时观察和分析。此外GUI还可以集成其他功能如检测结果的保存与导出、检测参数的调整从而为用户提供一个全面、综合的检测工作环境促进智能检测技术的广泛应用。
关于该系统涉及到的完整源码、UI界面代码、数据集、训练代码、训练好的模型、测试图片视频等相关文件均已打包上传感兴趣的小伙伴可以通过下载链接自行获取。 【获取方式】 关注末尾名片GZH【阿旭算法与机器学习】发送【源码】获取下载方式 本文涉及到的完整全部程序文件包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频等见下图获取方式见文末 项目文件说明: 注意该代码基于Python3.9开发运行界面的主程序为MainProgram.py其他测试脚本说明见上图。为确保程序顺利运行请按照程序运行说明文档txt配置软件运行所需环境。
