可信网站认证服务中心,眼科医院网站建设方案,顺义便宜的建站公司,对网站开发流程的了解《------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YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】47.【基于YOLOv8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】
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 基本功能演示前言一、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1图片检测演示2视频检测演示3摄像头检测演示4检测结果保存 二、目标分割模型的训练、评估与推理1.YOLO11简介2. 数据集准备与训练3. 训练结果评估4. 模型推理 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YOLO11深度学习的心脏超声图像间隔壁检测分割与分析系统【python源码Pyqt5界面数据集训练代码】深度学习实战、目标分割、人工智能 摘要心脏间隔壁的健康状况对于维持正常的心脏功能至关重要。心脏间隔壁异常可能导致严重的疾病如肥厚型心肌病或房间隔缺损等。传统上心脏间隔壁的评估依赖于经验丰富的医疗专业人员对超声影像的手动分析这种方法不仅耗时而且容易受到主观因素的影响。本文基于YOLO11深度学习框架通过3092心脏超声图像间隔壁相关图片训练了一个进行心脏超声图像间隔壁的目标分割模型可以检测分割出心脏间隔壁的具体位置及大小。最终基于此模型开发了一款带UI界面的心脏超声图像间隔壁检测分割与分析系统可用于实时检测场景中的心脏间隔壁的分割与分析。该系统是基于python与PyQT5开发的支持图片、批量图片、视频以及摄像头进行目标检测分割并保存检测结果。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。 文章目录 基本功能演示前言一、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1图片检测演示2视频检测演示3摄像头检测演示4检测结果保存 二、目标分割模型的训练、评估与推理1.YOLO11简介2. 数据集准备与训练3. 训练结果评估4. 模型推理 四、可视化系统制作Pyqt5详细介绍系统制作 【获取方式】 点击跳转至文末《完整相关文件及源码》获取 前言
心脏间隔壁的健康状况对于维持正常的心脏功能至关重要。心脏间隔壁异常如厚度增加或结构缺陷可能导致严重的疾病例如肥厚型心肌病或房间隔缺损等。传统上心脏间隔壁的评估依赖于经验丰富的医疗专业人员对超声影像的手动分析这种方法不仅耗时而且容易受到主观因素的影响。基于YOLO深度学习框架开发的心脏间隔壁智能检测分割与诊断系统能够自动分割超声影像中的心脏间隔壁并精确分析其厚度与长度。该系统的应用极大地提高了心脏病诊断的准确性和效率有助于早期发现潜在的心脏问题改善患者的治疗效果和生活质量。 应用场景 临床辅助诊断在日常诊疗中为医生提供快速、准确的间隔壁测量结果支持更精准的诊断决策尤其是在处理复杂病例时。 术前规划与术后评估帮助外科医生在手术前更好地了解患者心脏间隔壁的具体情况制定个性化的手术方案术后也可用于评估治疗效果。 大规模筛查项目在心血管疾病的预防与控制中可用于大规模人群的心脏健康筛查通过自动化分析提高筛查效率。 医学研究为研究人员提供大量标准化的数据集促进关于心脏间隔壁变化及其与各种心脏疾病关系的研究。 远程医疗服务结合远程医疗技术使偏远地区的患者也能获得高质量的心脏健康评估服务缩小城乡医疗服务差距。 个性化健康管理针对高风险个体或已有心脏疾病史的患者定期监测心脏间隔壁的变化实现早期干预和个性化健康管理。 总的来说心脏超声图像中的间隔壁检测与分割是心血管疾病精准诊疗的核心技术其重要性在于通过数字化手段精准界定解剖边界揭示心脏结构与功能的动态变化为先天性心脏病如室间隔缺损、房间隔缺损的定位与量化、心肌病如肥厚型心肌病的厚度评估、手术规划及预后监测提供客观依据。该技术不仅克服了传统超声主观判读的局限性还推动了AI辅助诊断的发展实现了从形态观察到功能量化分析的跨越显著提升疾病早期识别、风险分层和个性化治疗的临床效能。
博主通过搜集心脏超声图像间隔壁的相关图片根据最前沿的YOLO11目标分割技术基于python与Pyqt5开发了一款界面简洁的心脏超声图像间隔壁检测分割与分析系统能够检测分割出心脏间隔壁的具体区域大小、面积占比、长宽等信息,可支持图片、视频以及摄像头检测同时可以将图片、视频以及摄像头的检测结果进行保存。本文详细的介绍了此系统的核心功能以及所使用到的技术原理与制作流程。
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. 可进行心脏超声图像间隔壁检测分割分割一个类别间隔壁 2. 支持图片、图片批量、视频及摄像头进行检测分割 3. 可显示总分割面积占比以及单个目标的分割面积占比 4. 界面可实时显示目标位置、分割结果、分割面积占比、置信度、用时、长宽等信息; 5. 结果保存支持图片、视频及摄像头的分割结果保存
界面参数设置说明 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参数只有目标检测框的交并比大于该值结果才会显示 IoU全称为Intersection over Union表示交并比。在目标检测中它用于衡量模型生成的候选框与原标记框之间的重叠程度。IoU值越大表示两个框之间的相似性越高。通常当IoU值大于0.5时认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。 窗口1:显示分割结果表示是否在检测图片中显示分割结果默认勾选窗口1:显示检测框与标签表示是否在检测图片中显示检测框与标签默认勾选 窗口2:显示Mask或者显示原始分割图片表示在窗口2中显示分割的Mask或者原始图片分割内容
显示Mask或者显示原始分割图片选项的功能效果如下 显示Mask选项效果:
显示原始分割图片效果 分割面积占比表示所选择分割目标的面积占整张图片的百分比 置信度表示所选择分割目标的结果置信度大小 分割宽度px:表示所选择分割目标的最小外接矩形框的宽度大小单位为像素px 分割长度px:表示所选择分割目标的最小外接矩形框的长度大小单位为像素px 分割中心点坐标:表示所选择分割目标的最小外接矩形框的中心点坐标信息 检测框位置表示所选择分割目标的yolov8检测框坐标信息框左上角坐标(xmin,ymin),框右下角坐标xmax,ymax 表格信息包括文件路径、目标编号、类别、置信度、检测框位置、分割占比、分割宽度、分割长度、分割中心点坐标。
1图片检测演示
1.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 2.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。 3. 点击保存按钮会对图片检测结果进行保存存储路径为save_data目录下。 4.点击表格中的指定行界面会显示该行表格所写的信息内容。 注右侧目标位置默认显示置信度最大一个目标位置,可用下拉框进行信息切换。所有检测结果均在表格中显示。
点击保存按钮会对图片的检测结果进行保存共会保存3种类型结果分别是检测分割结果标识图片、分割的Mask图片以及原图分割后的图片。存储在save_data目录下保存结果如下
2视频检测演示
1.点击打开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。再次点击该按钮会关闭视频。 2.点击保存按钮会对视频检测结果进行保存同样会保存3种类型结果分别是检测分割结果标识视频、分割Mask视频以及原视频分割后的视频存储路径为save_data目录下。
视频检测保存结果如下
3摄像头检测演示
1.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该按钮可关闭摄像头 2.点击保存按钮可以进行摄像头实时图像的检测结果保存。
4检测结果保存
点击保存按钮后会将当前选择的图片【含批量图片】、视频或者摄像头的分割结果进行保存。结果会存储在save_data目录下保存内容如下 图片检测保存的csv文件信息内容如下 包括文件名, 目标编号, 类别, 置信度, 检测框位置,分割占比, 分割宽度,分割长度,分割中心坐标信息。
二、目标分割模型的训练、评估与推理
1.YOLO11简介 YOLO11源码地址https://github.com/ultralytics/ultralytics Ultralytics YOLO11是一款尖端的、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。
2. 数据集准备与训练
通过网络上搜集关于胃肠道息肉相关图片并使用Labelme标注工具对每张图片中的分割结果及类别进行标注。一共包含3092张图片其中训练集包含2724张图片验证集包含243张图片测试集包含125张图片,部分图像及标注如下图所示。
数据集的各类别具体分布如下所示
图片数据的存放格式如下在项目目录中新建datasets目录同时将检测的图片分为训练集、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。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: D:\2MyCVProgram\3.SegmentProgram\SeptalWallSeg_v11\datasets\Data\train
val: D:\2MyCVProgram\3.SegmentProgram\SeptalWallSeg_v11\datasets\Data\valid
test: D:\2MyCVProgram\3.SegmentProgram\SeptalWallSeg_v11\datasets\Data\test
nc: 1
names: [Septal Wall]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
#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。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)、动态特征损失dfl_loss以及分割损失seg_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。这个过程是YOLO11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。 分割损失seg_loss预测的分割结果与标定分割之前的误差越小分割的越准确 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。
定位结果的PR曲线如下
分割结果的PR曲线如下
从上面图片曲线结果可以看到定位的平均精度为0.984分割的平均精度为0.992结果还是非常不错的。
4. 模型推理
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
#coding:utf-8
from ultralytics import YOLO
import cv2# 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/AM1-1-_00000_jpg.rf.bea63d3a6d0938870edcc83e5eacfdef.jpg# 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, tasksegment)
# model YOLO(path, tasksegment,conf0.5)# 检测图片
results model(img_path)
res results[0].plot()# res cv2.resize(res,dsizeNone,fx0.5,fy0.5,interpolationcv2.INTER_LINEAR)
cv2.imshow(Res, res)
cv2.imwrite(res.jpg, 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
更多检测结果展示如下
四、可视化系统制作
基于上述训练出的分割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框架开发了此款心脏超声图像间隔壁检测分割与分析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、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G-Z-H【阿旭算法与机器学习】发送【源码】即可获取下载方式 本文涉及到的完整全部程序文件包括环境配置文档说明、python源码、数据集、训练代码、UI文件、测试图片视频等见下图获取方式见文末 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。 好了这篇文章就介绍到这里喜欢的小伙伴感谢给点个赞和关注更多精彩内容持续更新~~ 关于本篇文章大家有任何建议或意见欢迎在评论区留言交流
