皮肤病变检测数据集 | 2500张YOLO皮肤科数据集
适用于皮肤病变辅助诊断、皮肤癌早期筛查与目标检测研究
一、数据集概述
本数据集基于皮肤镜图像整理为YOLO目标检测格式，以边界框标注病变区域，共包含约2500张高质量标注图像，专为皮肤镜图像中的皮肤病变区域检测模型训练、验证与测试设计。皮肤癌（尤其是黑色素瘤）是发病率上升较快的恶性肿瘤之一，早期发现与切除可显著提高治愈率。皮肤镜检查是临床常用的无创筛查手段，但准确判读高度依赖医师经验，基层医疗机构往往缺乏专业皮肤科资源。该数据集可广泛应用于皮肤科辅助诊断、皮肤癌早期筛查、远程医疗、智能健康管理等场景，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。
随着医学影像技术与人工智能的深度融合，利用计算机视觉技术实现皮肤病变区域的自动定位已成为提升皮肤科诊断效率、推动远程医疗发展的重要手段。本数据集针对皮肤镜图像中病变形态多样、边界模糊、色素差异等问题进行专项构建，可为智能皮肤病变辅助诊断系统提供高质量数据支撑。
数据集下载
通过网盘分享的文件：皮肤病变检测-1类
链接: https://pan.baidu.com/s/1-vD5mSR1OLCbK8QqgjY2Nw?pwd=1dsd
提取码: 1dsd
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 皮肤病变检测数据集 |
| 数据规模 | 约2500张高质量标注图像 |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 皮肤病变区域 |
| 类别数量（nc） | 1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 | 真实临床皮肤镜图像 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等 |
三、数据集类别说明
本数据集为单类别目标检测数据集，聚焦于皮肤镜图像中病变区域的精准定位，类别简洁明确，统一标注病变区域，专注定位任务。
类别配置
nc: 1
names:
- skin_lesion
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 皮肤病变 | skin_lesion | 皮肤镜图像中的各类皮肤病变区域 |
单类别设计使模型能够专注于病变区域定位的核心任务，作为分类诊断的前置环节，为后续的病变分类与风险评估提供定位基础，特别适用于皮肤癌早期筛查、智能辅助诊断与远程医疗等专项应用场景。
四、数据集结构说明
数据集采用标准YOLO目录结构组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。
皮肤病变检测-1类/
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
├── test
│ ├── images
│ └── labels
└── data.yaml
各数据集作用如下：
- train/images & labels：训练集图像与标签，用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签，用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签，用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套data.yaml已配置好类别名称与数量，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 专注皮肤病变定位
本数据集以皮肤镜图像中病变区域的精准定位为核心任务，所有图像聚焦于真实临床皮肤镜图像中的各类皮肤病变。作为分类诊断的前置环节，为后续的病变分类与风险评估提供定位基础，更利于训练出针对皮肤病变的高精度定位模型。
覆盖病变类型包括：
- 色素痣
- 脂溢性角化
- 基底细胞癌
- 黑色素瘤
- 其他常见皮肤病变
2. 贴近真实临床环境
数据来源于真实临床皮肤镜图像，具有以下特点：
- 分辨率高：图像清晰，病变细节丰富
- 色彩真实：还原皮肤镜下的真实色彩表现
- 形态多样：不同病变类型的形态、颜色、边界差异显著
- 部位多样：覆盖不同身体部位的皮肤病变
- 人群多样：不同肤色、年龄的患者样本
贴近真实临床采集环境，有效保障模型在实际应用中的泛化能力。
3. 单类别专注病变定位
采用单类别检测设计，专注病变区域的定位任务，具有以下优势：
- 简化任务：无需区分具体病变类型，专注定位
- 前置检测：作为病变分类、风险评估等后续任务的前置模块
- 高召回率：专注定位可提升病变检测的召回率
- 灵活组合：可与分类模型组合为两阶段诊断系统
4. 规范医学标注
依据皮肤镜影像特征标注病变边界：
- 框选区域覆盖完整皮损
- 边界清晰、标注规范
- 病变定位精准
- 符合皮肤镜影像判读标准
有效保证模型训练质量。
5. 即用型数据组织
标准目录结构+单类别简化配置，无需复杂预处理，可直接用于模型训练，降低使用门槛。
6. 临床转化潜力
本数据集旨在推动皮肤镜AI辅助诊断系统的发展，助力：
- 提升皮肤科医师诊断效率
- 辅助皮肤癌早期筛查
- 支持基层医疗机构远程诊断
推动移动端皮肤自查应用
六、适用场景
皮肤病变自动定位与皮肤癌早期筛查辅助
为皮肤镜图像分析系统提供病变区域的自动定位能力，辅助医师快速定位可疑病灶，提升早期筛查效率。
皮肤科智能辅助诊断系统研发
作为智能诊断系统的前置检测模块，实现病变区域的自动识别与提取，支撑后续分类与风险评估。
远程医疗与移动端皮肤自查应用
在远程医疗、移动端自查应用中自动检测皮肤病变区域，辅助用户初步筛查与就医决策。
医学影像检测+分类两阶段流水线的前置检测模块
作为两阶段诊断流水线的前置环节，先定位病变区域，再对定位区域进行细分类与良恶性判别。
皮肤科教学与培训
用于皮肤科住院医师培训与教学，帮助学员识别不同病变的皮肤镜表现。
教学科研
用于医学影像目标检测算法研究、模型验证与调优等科研场景。
说明：本数据集仅供算法研究与教学使用，不可直接用于临床诊断。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 医学影像目标检测研究
- 皮肤病变定位与检测研究
- 皮肤镜图像分析研究
- 单类别目标检测研究
- 皮肤癌早期筛查AI研究
- 两阶段医学影像诊断系统研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
八、总结
皮肤病变检测数据集包含约2500张高质量标注图像，采用标准YOLO格式构建，专注于皮肤镜图像中病变区域的定位任务。数据集以单类别皮肤病变为核心检测目标，覆盖色素痣、脂溢性角化、基底细胞癌、黑色素瘤等多种病变类型及不同肤色、部位，具有图像质量高、标注规范、贴近临床等特点，可广泛应用于皮肤病变自动定位、皮肤癌早期筛查、远程医疗、智能诊断系统研发等领域，是开展皮肤镜图像目标检测算法研发与智能皮肤科辅助诊断系统建设的优质数据资源。
