前言
血细胞检测与计数系统
在医疗保健领域有着重要的应用价值。该系统利用YOLOv8等先进的深度学习算法,可以准确地识别和计数血液样本中的血小板、红细胞和白细胞,为医疗诊断、疾病监测和治疗提供了重要的技术支持。
首先,血细胞检测与计数系统可以帮助医疗工作者进行快速、准确的血细胞计数。通过自动化的检测技术,可以大大减轻医护人员的工作负担,提高对患者血液数据的处理效率和准确性,为医疗诊断和治疗提供及时可靠的数据支持。
其次,该系统还可应用于疾病诊断和监测。血小板、红细胞和白细胞等血液细胞的数量和比例与多种疾病的发生、发展和治疗效果密切相关。通过实时监测和计数,可以及时评估患者的病情变化,帮助医生进行疾病诊断和治疗方案的制定。
此外,血细胞检测与计数系统还可用于科学研究和药物研发。通过对血细胞的自动检测和计数,可以支持相关医学研究和临床试验,为新药研发和治疗方法的验证提供必要数据。
综上所述,血细胞检测与计数系统在临床医学诊断、疾病监测和治疗、医学研究等领域具有重要应用价值。其自动化、高效、准确的特点,将为医疗保健领域的发展和进步带来积极的影响。
博主通过搜集血细胞
的相关数据图片,根据YOLOv8的目标检测技术,基于python与Pyqt5
开发了一款界面简洁的血细胞检测与计数系统
,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
。
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. 可进行进行血细胞中的'血小板', '红细胞', '白细胞'
这3种目标检测,并统计每个类别的数量
;
2. 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
;
3. 界面可实时显示目标位置
、目标总数
、置信度
、用时
等信息;
4. 支持图片
或者视频
的检测结果保存
;
(1)图片检测演示
点击图片
图标,选择需要检测的图片,或者点击文件夹图标
,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,会对视频检测结果进行保存,存储路径为:save_data
目录下。
注:1.右侧目标位置默认显示置信度最大一个目标位置。所有检测结果均在左下方表格中显示。
单个图片检测操作如下:
批量图片检测操作如下:
(2)视频检测演示
点击视频
图标,打开选择需要检测的视频,就会自动显示检测结果。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)摄像头检测演示
点击摄像头
图标,可以打开摄像头,可以实时进行检测,再次点击摄像头
图标,可关闭摄像头。
(4)保存图片与视频检测结果
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。检测的图片与视频结果会存储在save_data
目录下。
二、模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一种前沿的目标检测技术,它基于先前YOLO版本在目标检测任务上的成功,进一步提升了性能和灵活性。主要的创新点包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数,可以在从 CPU 到 GPU 的各种硬件平台上运行
。
其主要网络结构如下:
2. 数据集准备与训练
通过网络上搜集关于血细胞的各类图片
,并使用LabelMe标注工具对每张图片中的目标边框(Bounding Box)及类别进行标注。一共包含874张图片
,其中训练集包含765张图片
,验证集包含73张图片
,测试集包含36张图片
部分图像及标注如下图所示。
图片数据的存放格式如下,在项目目录中新建datasets
目录,同时将跌倒检测的图片分为训练集与验证集放入BloodCellData
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。YOLOv8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:\MyCVProgram\BloodCellDetection\datasets\BloodCellData\train val: E:\MyCVProgram\BloodCellDetection\datasets\BloodCellData\valid test: E:\MyCVProgram\BloodCellDetection\datasets\BloodCellData\test nc: 3 names: ['Platelets', 'RBC', 'WBC']
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】,代码如下:
# 加载模型 model = YOLO("yolov8n.pt") # 加载预训练模型 # Use the model if __name__ == '__main__': # Use the model results = model.train(data='datasets/BloodCellData/data.yaml', epochs=250, batch=4) # 训练模型 # 将模型转为onnx格式 # success = model.export(format='onnx')
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。YOLOv8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_loss)
:DFLLoss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。这个过程是YOLOv8训练流程中的一部分,通过计算DFLLoss可以更准确地调整预测框的位置,提高目标检测的准确性。
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3类目标检测的mAP@0.5
平均值为0.934
,结果还是很不错的。
4. 检测结果识别
模型训练完成后,我们可以得到一个最佳的训练结果模型best.pt
文件,在runs/trian/weights
目录下。我们可以使用该文件进行后续的推理检测。
图片检测代码如下:
# 所需加载的模型目录 path = 'models/best.pt' # 需要检测的图片地址 img_path = "TestFiles/BloodImage_00015_jpg.rf.05a2f2e5db135888ca21be7cd067d951.jpeg" # 加载预训练模型 # conf 0.25 object confidence threshold for detection # iou 0.7 intersection over union (IoU) threshold for NMS model = YOLO(path, task='detect') # model = YOLO(path, task='detect',conf=0.5) # 检测图片 results = model(img_path) res = results[0].plot() cv2.imshow("YOLOv8 Detection", res) cv2.waitKey(0)
执行上述代码后,会将执行的结果直接标注在图片上,结果如下:
以上便是关于此款血细胞检测与计数系统
的原理与代码介绍。基于此模型,博主用python
与Pyqt5
开发了一个带界面的软件系统,即文中第二部分的演示内容,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
。