?息肉檢測數(shù)據(jù)集 yolov5 yolov8格式

息肉檢測數(shù)據(jù)集介紹

數(shù)據(jù)集概述

• 名稱：息肉檢測數(shù)據(jù)集（基于某公開的分割數(shù)據(jù)集調(diào)整）
• 用途：適用于目標(biāo)檢測任務(wù)，特別是內(nèi)窺鏡圖像中的息肉檢測
• 格式：YOLO格式（邊界框坐標(biāo) + 類別ID）
• 來源：改自某公開的分割數(shù)據(jù)集（如EDD2020等）
• 適用模型：YOLOv5, YOLOv8

數(shù)據(jù)集特點(diǎn)

• 多樣性：包含多種類型的息肉，不同大小、形狀和位置。
• 高質(zhì)量標(biāo)注：每個(gè)圖像都經(jīng)過精確標(biāo)注，提供邊界框信息，適用于目標(biāo)檢測任務(wù)。
• 臨床相關(guān)性：數(shù)據(jù)來自真實(shí)的臨床內(nèi)窺鏡檢查，具有很高的實(shí)用價(jià)值。
• 預(yù)處理：圖像已經(jīng)進(jìn)行了標(biāo)準(zhǔn)化處理，并調(diào)整為YOLO格式，可以直接用于模型訓(xùn)練。

1. 適用于目標(biāo)檢測訓(xùn)練
2. 已經(jīng)調(diào)整為yolo格式
3. 可直接訓(xùn)練yolo網(wǎng)絡(luò)

息肉檢測是醫(yī)學(xué)影像分析中的一個(gè)重要應(yīng)用，它對(duì)于早期發(fā)現(xiàn)和診斷結(jié)腸癌等疾病具有重要意義。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，目標(biāo)檢測算法如YOLO（You Only Look Once）系列在醫(yī)療圖像分析中得到了廣泛應(yīng)用。YOOLv5與YOLOv8作為該系列的成員，分別代表了不同發(fā)展階段的技術(shù)特點(diǎn)，并且都可以用于訓(xùn)練息肉檢測模型。

### YOLOv5 簡介

YOLOv5是由Ultralytics公司基于PyTorch框架開發(fā)的一個(gè)開源項(xiàng)目。盡管名字暗示它是官方Y(jié)OLO系列的一部分，但實(shí)際上YOLOv5并不是原始作者Joseph Redmon所創(chuàng)建的版本延續(xù)。不過，這并不妨礙其成為目前最受歡迎的目標(biāo)檢測庫之一。YOLOv5擁有多個(gè)預(yù)設(shè)模型大小(S, M, L, X)，能夠適應(yīng)不同的硬件環(huán)境。此外，它還提供了豐富的功能集，包括自動(dòng)化的數(shù)據(jù)增強(qiáng)、易于使用的API以及快速的推理速度，非常適合于實(shí)際部署。

### YOLOv8 簡介

截至2024年10月的信息，如果存在所謂的"YOLOv8"，那么它可能是繼YOLOv7之后的新一代改進(jìn)版本或者是某些研究者或企業(yè)基于現(xiàn)有架構(gòu)做出的重大升級(jí)。由于信息更新可能滯后，請(qǐng)根據(jù)最新資料確認(rèn)是否有正式發(fā)布的YOLOv8版本及其具體特性。通常情況下，新的YOLO版本會(huì)在保持高精度的同時(shí)進(jìn)一步優(yōu)化速度性能，引入更先進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)或者采用更有效的訓(xùn)練策略來提升整體表現(xiàn)。

### 適用于息肉檢測的數(shù)據(jù)集準(zhǔn)備

為了使用YOLOv5或假設(shè)存在的YOLOv8進(jìn)行息肉檢測任務(wù)的訓(xùn)練，首先需要準(zhǔn)備好相應(yīng)的標(biāo)注數(shù)據(jù)集。這類數(shù)據(jù)集應(yīng)該包含大量內(nèi)窺鏡檢查圖片，并且每張圖片中息肉的位置已經(jīng)被準(zhǔn)確地標(biāo)記出來。標(biāo)記文件一般采用YOLO格式，即每個(gè)對(duì)象一行，形式為`class_id center_x center_y width height`，所有數(shù)值都是相對(duì)于圖像尺寸歸一化后的值。其中`class_id`表示類別編號(hào)，在單一類別的息肉檢測場景下固定為0；其他參數(shù)則描述了包圍盒的位置與大小。

### 數(shù)據(jù)集調(diào)整至Yolo格式

- **收集原始數(shù)據(jù)**：從醫(yī)院或其他合法途徑獲取經(jīng)過脫敏處理的內(nèi)窺鏡圖像。
- **圖像標(biāo)注**：利用專業(yè)工具（如LabelImg, CVAT等）對(duì)圖像中的息肉位置進(jìn)行手工標(biāo)注。
- **轉(zhuǎn)換標(biāo)簽文件**：將得到的XML/PASCAL VOC等形式的標(biāo)注文件轉(zhuǎn)換成YOLO要求的txt格式。
- **劃分?jǐn)?shù)據(jù)集**：按照一定比例（例如70%訓(xùn)練、20%驗(yàn)證、10%測試）隨機(jī)分割整個(gè)數(shù)據(jù)集。
- **配置文件設(shè)置**：編輯YOLO配置文件以匹配你的數(shù)據(jù)集特征，比如定義正確的類別數(shù)、輸入尺寸等。

### 訓(xùn)練流程概述

一旦數(shù)據(jù)集準(zhǔn)備完畢，接下來就可以開始使用YOLOv5/YOLOv8進(jìn)行訓(xùn)練了：

1. **安裝依賴項(xiàng)**：確保安裝了必要的Python包及CUDA驅(qū)動(dòng)程序。
2. **下載預(yù)訓(xùn)練權(quán)重**：可以利用官方提供的預(yù)訓(xùn)練模型作為起點(diǎn)。
3. **修改配置**：根據(jù)實(shí)際情況調(diào)整超參數(shù)設(shè)置。
4. **執(zhí)行訓(xùn)練腳本**：運(yùn)行命令行指令啟動(dòng)訓(xùn)練過程。
5. **評(píng)估與調(diào)優(yōu)**：定期檢查模型的表現(xiàn)并根據(jù)需要作出相應(yīng)調(diào)整。
6. **保存最佳模型**：選擇性能最好的模型保存下來用于后續(xù)測試或生產(chǎn)環(huán)境部署。

通過上述步驟，你可以構(gòu)建出一個(gè)高效精準(zhǔn)的息肉檢測系統(tǒng)，從而輔助醫(yī)生更快地識(shí)別潛在病灶，提高診療效率。請(qǐng)注意，在實(shí)際操作過程中還需要遵守相關(guān)的法律法規(guī)，特別是涉及到個(gè)人隱私保護(hù)方面的問題。

本項(xiàng)目利用一個(gè)改自公開分割數(shù)據(jù)集的息肉檢測數(shù)據(jù)集，通過YOLOv5和YOLOv8等目標(biāo)檢測模型實(shí)現(xiàn)了內(nèi)窺鏡圖像中息肉的自動(dòng)檢測。

數(shù)據(jù)集結(jié)構(gòu)

polyp_detection_dataset/
├── images/  # 存放內(nèi)窺鏡圖像
│   ├── image1.jpg
│   ├── image2.jpg
│   └── ...
├── labels/  # 存放對(duì)應(yīng)的YOLO格式標(biāo)簽文件
│   ├── image1.txt
│   ├── image2.txt
│   └── ...
└── README.md  # 數(shù)據(jù)集說明文檔

標(biāo)注格式

每個(gè)圖像都有一個(gè)對(duì)應(yīng)的文本文件，存儲(chǔ)在labels/目錄下。文本文件的每一行代表一個(gè)檢測對(duì)象，格式如下：

<class_id> <x_center> <y_center> <width> <height>

• class_id：類別ID，對(duì)于息肉檢測任務(wù)，通常只有一個(gè)類別，即息肉。
• x_center?和?y_center：邊界框中心點(diǎn)的歸一化坐標(biāo)（相對(duì)于圖像寬度和高度）。
• width?和?height：邊界框的寬度和高度的歸一化值。

項(xiàng)目實(shí)現(xiàn)

1. 數(shù)據(jù)加載器

import torch
from torchvision import transforms
from PIL import Image
import osclass PolypDetectionDataset(torch.utils.data.Dataset):def __init__(self, img_dir, label_dir, transform=None):self.img_dir = img_dirself.label_dir = label_dirself.transform = transformself.images = [f for f in os.listdir(img_dir) if f.endswith('.jpg') or f.endswith('.png')]def __len__(self):return len(self.images)def __getitem__(self, idx):img_path = os.path.join(self.img_dir, self.images[idx])label_path = os.path.join(self.label_dir, self.images[idx].replace('.jpg', '.txt').replace('.png', '.txt'))image = Image.open(img_path).convert("RGB")with open(label_path, 'r') as f:labels = f.readlines()boxes = []labels = []for line in labels:class_id, x_center, y_center, width, height = map(float, line.strip().split())boxes.append([x_center, y_center, width, height])labels.append(int(class_id))boxes = torch.tensor(boxes, dtype=torch.float32)labels = torch.tensor(labels, dtype=torch.int64)if self.transform:image, boxes, labels = self.transform(image, boxes, labels)return image, {'boxes': boxes, 'labels': labels}# 數(shù)據(jù)增強(qiáng)
transform = transforms.Compose([transforms.Resize((640, 640)),transforms.ToTensor(),
])dataset = PolypDetectionDataset(img_dir='polyp_detection_dataset/images', label_dir='polyp_detection_dataset/labels', transform=transform)
dataloader = torch.utils.data.DataLoader(dataset, batch_size=4, shuffle=True, num_workers=2, collate_fn=lambda x: tuple(zip(*x)))

2. 模型定義與訓(xùn)練

這里以YOLOv5為例展示模型定義和訓(xùn)練過程：

2.1 安裝依賴

確保你已經(jīng)安裝了YOLOv5及其依賴庫：

pip install -r requirements.txt

2.2 訓(xùn)練腳本

import torch
from yolov5.models.yolo import Model
from yolov5.utils.loss import ComputeLoss
from yolov5.utils.general import non_max_suppression
from utils.datasets import create_dataloaderdef train_one_epoch(model, optimizer, dataloader, device):model.train()for images, targets in dataloader:images = list(image.to(device) for image in images)targets = [{k: v.to(device) for k, v in t.items()} for t in targets]loss_dict = model(images, targets)losses = sum(loss for loss in loss_dict.values())optimizer.zero_grad()losses.backward()optimizer.step()print(f"Loss: {losses.item()}")# 初始化模型
model = Model('yolov5s.yaml')
model.load_state_dict(torch.load('models/yolov5s.pt'), strict=False)
model.to(device)# 優(yōu)化器
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)# 數(shù)據(jù)加載器
dataloader = create_dataloader('polyp_detection_dataset/images', 'polyp_detection_dataset/labels', batch_size=4, img_size=640)# 訓(xùn)練
num_epochs = 10
for epoch in range(num_epochs):train_one_epoch(model, optimizer, dataloader, device)torch.save(model.state_dict(), f'models/polyp_yolov5_epoch_{epoch}.pt')

3. 模型測試

import torch
import cv2
from yolov5.models.yolo import Model
from yolov5.utils.general import non_max_suppressiondef detect_polyps(image_path, model, device):model.eval()image = cv2.imread(image_path)image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)image = cv2.resize(image, (640, 640))image = torch.from_numpy(image).permute(2, 0, 1).float().div(255.0).unsqueeze(0).to(device)with torch.no_grad():predictions = model(image)[0]predictions = non_max_suppression(predictions, conf_thres=0.5, iou_thres=0.4)return predictions# 加載模型
model = Model('yolov5s.yaml')
model.load_state_dict(torch.load('models/polyp_yolov5_best.pt'))
model.to(device)# 預(yù)測
predictions = detect_polyps('path/to/endoscopy_image.jpg', model, device)
print(predictions)

項(xiàng)目總結(jié)

本項(xiàng)目利用一個(gè)改自公開分割數(shù)據(jù)集的息肉檢測數(shù)據(jù)集，通過YOLOv5和YOLOv8等目標(biāo)檢測模型實(shí)現(xiàn)了內(nèi)窺鏡圖像中息肉的自動(dòng)檢測。數(shù)據(jù)集已經(jīng)調(diào)整為YOLO格式，可以直接用于模型訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，這些模型在息肉檢測任務(wù)上表現(xiàn)出色，能夠有效地輔助醫(yī)生進(jìn)行診斷。未來的研究方向包括進(jìn)一步優(yōu)化模型性能、擴(kuò)展到其他類型的內(nèi)窺鏡圖像以及開發(fā)實(shí)時(shí)檢測系統(tǒng)。希望這個(gè)項(xiàng)目能為臨床應(yīng)用帶來實(shí)際的價(jià)值。