基于深度学习的血细胞检测系统：使用YOLOv10、UI界面及自定义数据集的实现

深度学习实战项目

于 2024-10-08 12:00:00 发布

阅读量356

点赞数 2

分类专栏： YOLOv10/v8/v7/v6/v5实战项目文章标签：深度学习 YOLO 人工智能 ui 开发语言图像处理计算机视觉

本文链接：https://blog.csdn.net/m0_52343631/article/details/142756151

版权

YOLOv10/v8/v7/v6/v5实战项目专栏收录该内容

135 篇文章 0 订阅

订阅专栏

1. 引言

随着医学影像技术的不断发展，血细胞的自动检测和分类在临床诊断中变得愈发重要。传统的血细胞检测方法主要依靠人工显微镜观察，耗时且容易出现误判。借助深度学习技术，尤其是YOLO（You Only Look Once）系列模型，可以实现高效、准确的血细胞检测和分类。本文将详细介绍如何构建一个基于YOLOv10的血细胞检测系统，包括数据集准备、模型训练、用户界面设计及系统实现等。

2. 系统概述

2.1 系统功能

本系统的主要功能包括：

实时血细胞检测：通过摄像头或加载图像实时检测血细胞。
细胞分类：对检测到的血细胞进行分类，如红细胞、白细胞、血小板等。
结果可视化：在界面上展示检测结果，提供详细的细胞信息。
数据记录与管理：记录每次检测结果，以便后续分析和追踪。

2.2 技术架构

系统的技术架构如图1所示：

前端：使用PyQt5构建用户界面。
后端：基于YOLOv10进行深度学习血细胞检测与分类。
数据存储：使用CSV文件或数据库记录检测结果。

3. 数据集准备

3.1 数据集选择

为训练一个高效的血细胞检测模型，需要一个包含多种类型血细胞的标注数据集。推荐使用以下数据集：

Blood Cell Dataset：包含多种类型的血细胞图像，并提供标注文件。
Fossil Dataset：专门针对血液样本的分类，适用于各种细胞类型的检测。

3.2 数据集收集

数据集的收集可以通过以下方式进行：

下载公开数据集：直接从相关网站下载血细胞数据集。
自定义数据集：在实验室环境中拍摄血液涂片图像，并进行标注。

3.3 数据集标注

使用LabelImg或VOTT等工具对收集到的图像进行标注。标注格式采用YOLO格式，具体步骤如下：

打开LabelImg，选择需要标注的图像。
使用框选工具标记图像中的血细胞，并为每个框指定标签（如“red_blood_cell”、“white_blood_cell”、“platelet”等）。
保存标注，生成相应的 .txt 文件。

3.4 数据集划分

将数据集划分为训练集、验证集和测试集，常用的划分比例为70%训练，15%验证，15%测试。确保每个数据集中都有足够的样本，以提高模型的泛化能力。

3.5 data.yaml 文件

以下是 data.yaml 文件的示例内容，配置数据集的路径和类别信息：

train: ./data/train
val: ./data/val

nc: 3
names: ['red_blood_cell', 'white_blood_cell', 'platelet']

将上述内容保存为 data.yaml 文件，放置在项目根目录中。

4. 模型训练

4.1 环境准备

确保安装了以下软件包：

pip install torch torchvision torchaudio
pip install opencv-python PyQt5 pandas

4.2 YOLOv10模型下载

使用以下命令从Ultralytics GitHub仓库下载YOLOv10模型：

git clone https://github.com/ultralytics/yolov10.git
cd yolov10
pip install -r requirements.txt

4.3 训练模型

在数据集准备好后，可以开始训练YOLOv10模型。以下是训练模型的命令：

python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov10.pt

--img：输入图像的大小。
--batch：每个批次的样本数。
--epochs：训练的轮数。
--data：数据集配置文件路径。
--weights：预训练权重文件。

训练过程会输出训练和验证的损失曲线，确保模型逐步收敛。

5. 用户界面设计

5.1 UI设计思路

用户界面需要直观、简洁，便于用户操作。主要包含以下组件：

视频流显示区：实时显示摄像头捕捉到的视频流。
检测结果展示区：展示检测到的血细胞信息及其类型。
开始/停止按钮：控制检测的开始与停止。
结果记录按钮：记录当前检测结果到CSV文件。

5.2 使用PyQt5构建UI

以下是一个简单的PyQt5用户界面代码示例：

import sys
import cv2
import torch
import pandas as pd
from PyQt5.QtWidgets import QApplication, QMainWindow, QLabel, QPushButton, QVBoxLayout, QWidget, QHBoxLayout
from PyQt5.QtGui import QImage, QPixmap
from PyQt5.QtCore import QTimer

class BloodCellDetectionApp(QMainWindow):
    def __init__(self):
        super().__init__()
        self.setWindowTitle("血细胞检测系统")
        self.setGeometry(100, 100, 800, 600)

        self.label = QLabel(self)
        self.label.resize(640, 480)

        self.start_button = QPushButton("开始检测", self)
        self.start_button.clicked.connect(self.start_detection)

        self.stop_button = QPushButton("停止检测", self)
        self.stop_button.clicked.connect(self.stop_detection)

        self.record_button = QPushButton("记录结果", self)
        self.record_button.clicked.connect(self.record_results)

        self.layout = QVBoxLayout()
        self.layout.addWidget(self.label)
        self.layout.addWidget(self.start_button)
        self.layout.addWidget(self.stop_button)
        self.layout.addWidget(self.record_button)

        container = QWidget()
        container.setLayout(self.layout)
        self.setCentralWidget(container)

        # 加载YOLOv10模型
        self.model = torch.hub.load('ultralytics/yolov10', 'custom', path='runs/train/exp/weights/best.pt')

    def start_detection(self):
        self.cap = cv2.VideoCapture(0)
        self.timer = QTimer()
        self.timer.timeout.connect(self.update_frame)
        self.timer.start(20)  # 每20ms更新一次视频帧
        self.results = []

    def update_frame(self):
        ret, frame = self.cap.read()
        if ret:
            results = self.model(frame)
            frame = results.render()[0]
            frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            h, w, ch = frame.shape
            bytes_per_line = ch * w
            q_img = QImage(frame.data, w, h, bytes_per_line, QImage.Format_RGB888)
            self.label.setPixmap(QPixmap.fromImage(q_img))

            # 记录检测到的结果
            for result in results.pred[0]:
                x1, y1, x2, y2, conf, cls = result
                self.results.append((int(x1), int(y1), int(x2), int(y2), float(conf), int(cls)))

    def stop_detection(self):
        self.timer.stop()
        self.cap.release()
        self.label.clear()

    def record_results(self):
        log_df = pd.DataFrame(self.results, columns=["x1", "y1", "x2", "y2", "confidence", "class"])
        log_df.to_csv('detection_log.csv', mode='a', header=False, index=False)

    def closeEvent(self, event):
        self.cap.release()
        event.accept()

if __name__ == '__main__':
    app = QApplication(sys.argv)
    window = BloodCellDetectionApp()
    window.show()
    sys.exit(app.exec_())