yolov8图像舌苔诊断数据集分割检测

YOLO 分割可视化 Notebook 文档

概述

本 Notebook 提供了使用 YOLOv11 模型执行图像分割任务并利用 Matplotlib 实现结果可视化的完整流程。主要内容包括：

• 加载预训练 YOLO 模型并执行图像分割推理
• 使用 OpenCV 库读取和处理输入图像数据
• 解析模型输出的分割多边形数据并使用 Matplotlib 实现yolo_tongue_coating专业可视化
  

文件结构与核心实现

1. 运行环境依赖

必需安装以下 Python 库：

• OpenCV (cv2)：图像处理核心库
• NumPy (numpy)：科学计算基础包
• Matplotlib (matplotlib.pyplot)：数据可视化工具
• Ultralytics (ultralytics)：YOLO 模型接口

安装指令：

pip install opencv-python numpy matplotlib ultralytics

2. YOLO 模型加载与推理

示例代码展示模型加载和推理过程：

from ultralytics import YOLO

# 初始化模型（需替换为实际权重路径）
model = YOLO(r"runs\\segment\\train\\weights\\best.pt")  
# 指定输入图像（需替换为实际图像路径）
image_path = r"test\\S__102228039.jpg"                   
# 执行预测               
results = model.predict(source=image_path)
result = results[0]  # 获取首张图像预测结果

关键参数说明：

• best.pt：训练完成的模型权重文件
• image_path：待分割的输入图像路径
• results：存储模型预测结果的容器
  

模型性能评估

1. 基础指标

• 处理图像总量：300 张
• 平均交并比(IoU)：0.9547
• 平均 Dice 系数：0.9766

2. 分类性能

类别	精确率	召回率	F1 分数	样本数
背景	0.99	0.99	0.99	103,634,498
前景	0.98	0.98	0.98	29,075,902
汇总指标
准确率			0.99	132,710,400
宏平均	0.99	0.99	0.99	132,710,400
加权平均	0.99	0.99	0.99	132,710,400

3. 性能总结

• 精确率：前景/背景区分准确率达 98-99%
• 召回率：目标区域覆盖率 98-99%
• F1 分数：综合评估指标 98-99%
• 整体准确率：99% 的像素级分类准确率

该模型在各类分割任务中均表现出色，适合需要高精度分割的应用场景。

使用指南

1. 环境准备
   确保已安装所有依赖库：

   pip install opencv-python numpy matplotlib ultralytics
   

2. 路径配置
   替换以下文件路径：

   • 模型权重：best.pt
   • 输入图像：image_path

3. 执行流程
   运行 Notebook 后可获得：

   • 原始输入图像
   • 叠加分割结果的可视化图像（支持轮廓显示或填充模式）

数据集资源

医学图像数据集推荐

1. 舌苔诊断数据集

   • 标注格式：JSON（包含多边形顶点坐标）
   • 图像规格：512×512 标准尺寸
   • 标签类型：多种舌苔分类（黑苔/地图舌/紫苔等）

2. TongeImageDataset

   • 数据量：300 组
   • 内容组成：原始图像 + 对应掩码图

3. 口腔癌图像库

   • 数据规模：87 例癌变舌像 + 44 例正常舌像
   • 应用方向：口腔癌检测研究

4. 齿痕舌专题数据集

   • 数据组成：546 例齿痕舌 + 704 例正常舌
   • 特色：专为中医舌诊设计

这些数据集适用于：

• 中医舌象智能分析
• 口腔病变检测
• 医学图像分割算法开发