基于YOLOv8深度学习的血细胞检测与计数系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战、智慧医疗

news/2024/7/10 0:48:42 标签: YOLO, 深度学习, python, 目标检测, 血细胞检测

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------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】

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】

《------正文------》

基本功能演示

在这里插入图片描述

摘要：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。本文基于YOLOv8深度学习框架，通过874张图片，训练了一个进行血细胞检测的目标检测模型，可以检测'血小板', '红细胞', '白细胞'这3种目标类型，准确率高达93%。并基于此模型开发了一款带UI界面的血细胞检测与计数系统，可用于实时检测场景中的血细胞检测与各类别计数，更方便进行功能的展示。该系统是基于python与PyQT5技术开发的，支持图片、视频以及摄像头进行目标检测，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
    • （1）图片检测演示
    • （2）视频检测演示
    • （3）摄像头检测演示
    • （4）保存图片与视频检测结果
  • 二、模型的训练、评估与推理
    • 1.YOLOv8的基本原理
    • 2. 数据集准备与训练
    • 3. 训练结果评估
    • 4. 检测结果识别
  • 【获取方式】
  • 结束语

点击跳转至文末《完整相关文件及源码》获取

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：
在这里插入图片描述

检测结果界面如下：
在这里插入图片描述

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：
在这里插入图片描述

批量图片检测操作如下：
在这里插入图片描述

（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。
在这里插入图片描述

（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。
在这里插入图片描述

（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。
在这里插入图片描述

在这里插入图片描述

二、模型的训练、评估与推理

YOLOv8_108">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：
在这里插入图片描述

2. 数据集准备与训练

通过网络上搜集关于火焰及烟雾的各类图片，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。
在这里插入图片描述

在这里插入图片描述

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。
在这里插入图片描述

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：

python">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：

python"># 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：
在这里插入图片描述

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：
在这里插入图片描述

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。
在这里插入图片描述

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：

python"># 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：
在这里插入图片描述

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。

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】

关注下方名片G-Z-H：【阿旭算法与机器学习】，回复【软件】即可获取下载方式

本文涉及到的完整全部程序文件：包括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：
在这里插入图片描述

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。

关注下方名片GZH:【阿旭算法与机器学习】，回复【软件】即可获取下载方式

结束语

以上便是博主开发的基于YOLOv8深度学习的血细胞检测与计数系统的全部内容，由于博主能力有限，难免有疏漏之处，希望小伙伴能批评指正。
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！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！


http://www.niftyadmin.cn/n/5255514.html

相关文章

Mac安装DevEco Studio

Mac安装DevEco Studio

下载 首先进入鸿蒙开发者官网，顶部导航栏选择开发->DevEco Studio 根据操作系统下载不同版本，其中Mac(X86)为英特尔芯片，Mac(ARM)为M芯片。 安装 下载完毕后，开始安装。 点击Agree 首次使用，请选择Do not impor…
阅读更多...
C# DI依赖注入

C# DI依赖注入

using Microsoft.Extensions.DependencyInjection; using System;namespace ioc1 {class Program{static void Main(string[] args){ServiceCollection services new ServiceCollection();//每次请求获取都是新的对象实例services.AddTransient<ITestService, TestServiceI…
阅读更多...
经典目标检测YOLO系列(一)引言_目标检测架构

经典目标检测YOLO系列(一)引言_目标检测架构

经典目标检测YOLO系列(一)引言_目标检测架构 一个常见的目标检测网络&#xff0c;其本身往往可以分为一下三大块&#xff1a; Backbone network&#xff0c;即主干网络&#xff0c;是目标检测网络最为核心的部分&#xff0c;backbone选择的好坏&#xff0c;对检测性能影响是十…
阅读更多...
新能源汽车生产污废水需要哪些工艺及设备

新能源汽车生产污废水需要哪些工艺及设备

新能源汽车的快速发展带来了许多环境问题&#xff0c;其中之一就是生产过程中产生的污废水。由于新能源汽车的生产过程与传统汽车有所不同&#xff0c;因此需要采用特定的工艺和设备来处理和处理这些废水。 首先&#xff0c;新能源汽车生产过程中产生的污废水主要来自洗涤和冷却…
阅读更多...
基于轻量级神经网络GhostNet开发构建光伏太阳能电池缺陷图像识别分析系统

基于轻量级神经网络GhostNet开发构建光伏太阳能电池缺陷图像识别分析系统

工作中经常会使用到轻量级的网络模型来进行开发&#xff0c;所以平时也会常常留意使用和记录&#xff0c;在前面的博文中有过很多相关的实践工作&#xff0c;感兴趣的话可以自行移步阅读即可。 《移动端轻量级模型开发谁更胜一筹&#xff0c;efficientnet、mobilenetv2、mobil…
阅读更多...
基于YOLOv8深度学习的西红柿成熟度检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战

基于YOLOv8深度学习的西红柿成熟度检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战

《博主简介》 小伙伴们好&#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源&#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】&#xff0c;共同学习交流~ &#x1f44d;感谢小伙伴们点赞、关注&#xff01; 《------往期经典推…
阅读更多...
做数据分析为何要学统计学（3）——何为置信区间？它有什么作用？

做数据分析为何要学统计学（3）——何为置信区间？它有什么作用？

置信区间是统计学中的一个重要工具&#xff0c;用以使用样本参数()来估计总体均值在某置信水平下的范围。通俗一点讲&#xff0c;如果置信度为95%&#xff08;等价于显著水平a0.05&#xff09;&#xff0c;置信区间为[a,b]&#xff0c;这就意味着总体均值落入该区间的概率为95%…
阅读更多...
【Maven教程】（十二）：版本管理 ——版本号定义约定及相关概念，自动化版本发布与创建分支，GPG签名 ~

【Maven教程】（十二）：版本管理 ——版本号定义约定及相关概念，自动化版本发布与创建分支，GPG签名 ~

Maven 版本管理 1️⃣ 版本管理的概念2️⃣ Maven 的版本号定义约定3️⃣ 主干、标签与分支4️⃣ 自动化版本发布5️⃣ 自动化创建分支6️⃣ GPG签名6.1 GPG 及其基本使用6.2 Maven GPG Plugin &#x1f33e; 总结 一个健康的项目通常有一个长期、合理的版本演变过程。例如JUn…
阅读更多...
最新文章

Copyright @ 2022~2023