脑肿瘤数据集

脑肿瘤检测数据集由来自MRI或CT扫描的医学图像组成，包含有关脑肿瘤存在、位置和特征的信息。该数据集对于训练计算机视觉算法以自动化脑肿瘤识别至关重要，有助于早期诊断和治疗计划。

观看: 使用Ultralytics HUB进行脑肿瘤检测

数据集结构

脑肿瘤数据集分为两个子集：

• 训练集: 包含893张图像，每张图像都有相应的注释。
• 测试集: 包含223张图像，每张图像都有配对的注释。

应用

通过计算机视觉进行脑肿瘤检测的应用使得早期诊断、治疗计划和肿瘤进展监测成为可能。通过分析MRI或CT扫描等医学影像数据，计算机视觉系统有助于准确识别脑肿瘤，从而及时进行医疗干预和个性化治疗策略。

数据集YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息。对于脑肿瘤数据集，brain-tumor.yaml文件保存在https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml。

# Ultralytics YOLO 🚀, AGPL-3.0 license
# Brain-tumor dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/brain-tumor/
# Example usage: yolo train data=brain-tumor.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── brain-tumor  ← downloads here (4.05 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/brain-tumor # dataset root dir
train: train/images # train images (relative to 'path') 893 images
val: valid/images # val images (relative to 'path') 223 images
test: # test images (relative to 'path')

# Classes
names:
  0: negative
  1: positive

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/brain-tumor.zip

使用方法

要在脑肿瘤数据集上训练YOLO11n模型100个epoch，图像大小为640，请使用提供的代码片段。有关可用参数的详细列表，请参阅模型的训练页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# 从预训练的*.pt模型开始训练
yolo detect train data=brain-tumor.yaml model=yolo11n.pt epochs=100 imgsz=640

from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/best.pt")  # 加载经过脑肿瘤微调的模型

# 使用模型进行推理
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")

# 使用微调的*.pt模型开始预测
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/brain-tumor-sample.jpg"

示例图像和注释

脑肿瘤数据集包含大量图像，涵盖多种对象类别和复杂场景。以下是数据集中图像的示例，并附有相应的注释

• 马赛克图像: 这里展示的是一个包含马赛克数据集图像的训练批次。马赛克是一种训练技术，将多张图像合并为一张，增强批次多样性。这种方法有助于提高模型在各种对象大小、宽高比和上下文中的泛化能力。

此示例突出了脑肿瘤数据集中图像的多样性和复杂性，强调了在训练阶段引入马赛克的优势。

引用和致谢

该数据集已根据AGPL-3.0许可证发布。

常见问题

Ultralytics文档中提供的脑肿瘤数据集的结构是什么？

脑肿瘤数据集被分为两个子集：训练集包含893张带有相应注释的图像，而测试集则包含223张带有配对注释的图像。这种结构化的划分有助于开发稳健且准确的计算机视觉模型，用于检测脑肿瘤。有关数据集结构的更多信息，请访问数据集结构部分。

如何使用Ultralytics在脑肿瘤数据集上训练YOLO11模型？

您可以使用Python和CLI方法在脑肿瘤数据集上训练YOLO11模型，训练100个周期，图像大小为640px。以下是两种方法的示例：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# 从预训练的*.pt模型开始训练
yolo detect train data=brain-tumor.yaml model=yolo11n.pt epochs=100 imgsz=640

有关可用参数的详细列表，请参阅训练页面。

使用脑肿瘤数据集进行医疗AI有哪些好处？

在AI项目中使用脑肿瘤数据集可以实现脑肿瘤的早期诊断和治疗计划。它有助于通过计算机视觉自动化脑肿瘤的识别，促进准确和及时的医疗干预，并支持个性化的治疗策略。这一应用在改善患者结果和医疗效率方面具有显著潜力。

如何使用在脑肿瘤数据集上微调的YOLO11模型进行推理？

使用微调的YOLO11模型进行推理可以通过Python或CLI方法实现。以下是示例：

from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/best.pt")  # 加载脑肿瘤微调模型

# 使用模型进行推理
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")

# 使用微调的*.pt模型开始预测
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/brain-tumor-sample.jpg"

我在哪里可以找到脑肿瘤数据集的YAML配置？

脑肿瘤数据集的YAML配置文件可以在brain-tumor.yaml找到。该文件包括路径、类别以及训练和评估模型所需的其他相关信息。

📅 Created 6 months ago ✏️ Updated 13 days ago

Comments