自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

Henry的博客

佛系学习，正常摆烂

  • 博客(320)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 Unet 实战分割项目、多尺度训练、多类别分割

之前写了篇二值图像分割的项目，支持多尺度训练，网络采用backbone为vgg的unet网络。本章实现的unet网络的多类别分割，也就是分割可以是两个类别，也可以是多个类别。训练过程仍然采用多尺度训练，即网络会随机将图片缩放到设定尺寸的0.5-1.5倍之间。

2024-02-05 21:38:35 4549 7

原创 图像识别完整项目之Swin-Transformer，从获取关键词数据集到训练的完整过程

本文介绍了利用 Swin-Transformer 从网络自定义下载数据集到完整训练、预测的完整项目，操作简单，无需更改参数！

2023-12-17 12:41:57 965 1

原创 基于 EfficientUnet 实现的超声心脏图像分割实验

EfficientUNet是一种基于U-Net网络结构的图像分割模型。它是由对计算资源使用高度高效的网络模块EfficientNet和经典的U-Net结构组合而成的。EfficientNet是一种用于图像分类任务的高效网络结构，它通过使用复合系数来平衡深度、宽度和分辨率的扩展，以在计算资源有限的情况下获得更好的性能。EfficientNet使用轻量级的网络结构和深度优化技术，使得在计算资源受限的设备上也能够获得接近于最先进模型的精度。

2024-09-18 14:35:35 593

原创 YOLOV5 改进：替换backbone为GhostNet

训练的时候也要更改train.py 脚本的 yaml文件路径（cfg）有的版本，作者已经加了这个代码，忽略即可。当然要引入common新建的类。将yolo.py 脚本中的。

2024-09-10 16:49:50 193

原创 基于 Unet-MobileNet 网络实现的腹部肝脏语义分割

Unet是一种卷积神经网络（CNN）架构，通常用于图像分割任务Unet架构由编码器和解码器组成。编码器负责捕获上下文并从输入图像中提取特征，而解码器负责上采样并生成分割掩模。Unet中的编码器由多个卷积层组成，后面是最大池化层。每个卷积层对输入图像应用一组可学习的滤波器，在每个后续层提取更高级的特征。最大池化层减少了特征图的空间维度，捕获了最重要的信息，同时丢弃了一些细粒度的细节。Unet中的解码器由上卷积层组成，也称为转置卷积层。

2024-09-08 14:17:55 1230

原创 关于过拟合and欠拟合的优缺点分析、有效措施、实验代码

机器学习中，影响网络性能最重要的因素之一就是过拟合（Overfitting）和欠拟合（Underfitting）过拟合和欠拟合，涉及到机器学习中常见的两种模型性能问题，本章将介绍过拟合和欠拟合的特征，以及解决办法。

2024-09-05 16:49:08 936 4

原创 神经网络中激活函数介绍、优缺点分析

激活函数是神经网络模型中的一种非线性函数，它将输入的加权和转换为输出值。激活函数通常被插入到神经元的计算中，以帮助网络模型学习非线性模式。Sigmoid函数（也称为逻辑函数）：将输入压缩到0和1之间的连续输出。双曲正切函数（tanh函数）：将输入压缩到-1和1之间的连续输出。ReLU函数（修正线性单元）：将负值置为0，保留正值。Leaky ReLU函数：与ReLU函数类似，但在负值上有一个小的斜率。Softmax函数：用于多分类问题，将一组值转换为概率分布。

2024-09-02 14:11:13 1171

原创 SAM 提示框和 Unet的语义分割的融合：自动驾驶车道线分割

最近SAM 模型复现的多了，看了不少官方的源码，尝试下SAM和Unet的结合SAM的提示分割，其实就是在分割的时候，为数据增加一个提示信息，可以是框，点，或者文本等等。这样大模型网络就可以根据提示信息进行分割如下图，就是手动的给出提示框，然后网络分割出框里的内容需要注意的是，本文不对SAM的原理进行讲解，只是借鉴SAM的提示分割思想，将其和unet结合其实，思想很简单，一般的图像分割网络是的，因为图像都是的。而这里需要传入sam的，所以还要增加一个维度，也就是说最开始。

2024-08-31 18:28:02 1276

原创 计算图像分割mask的灰度级个数、以及删除空的分割数据

图像分割的mask是图片格式的话，往往是阈值图像，这样有几个阈值就是分割几个类别的这里提供代码检测mask的类别个数输出如下，可以看出这个数据分割是2类的（加上背景nc=3）

2024-08-31 15:24:32 350

原创 LR-ASPP（MobileNet v3）：道路图像语义分割实战

Backbone 不再进行 32 倍下采样，而是仅进行 16 倍下采样Backbone 中最后的几个 BottleNet 中使用膨胀卷积在一般的语义分割任务，Backbone 通常会进行 8 倍下采样，而 MobileNet v3 LR-ASPP 为了使模型更加轻量化，于是进行了 16 倍 下采样分割头（Segmentation Head），也就是 LR-ASPP。在 Backbone 输出上分成了两个分支，如上图所示：第一个分支。

2024-08-28 18:59:58 360

原创 基于OpenCV和K-Means聚类实现颜色分割

颜色分割是图像处理、计算机视觉经常使用的一种技术，其目的是根据图像中颜色的不同识别、区分图像中不同的物体或者区域聚类算法可以自动将相似的颜色归为一组，而不需要为每组颜色分配阈值。特别是当颜色范围很广，阈值不确定的时候，聚类算法非常实用本章，将使用python编程语言，利用opencv库、K-Means聚类算法进行颜色分割，并且计算每种颜色包含的对象数目，测试的图像如下：大概思路如下：1.根据轮廓查找和过滤气泡对象，

2024-08-16 16:22:00 191

原创 RegNet 图像识别网络，手写阿拉伯数字的图像分类

regnet 是一个深度学习模型架构，用于图像分类任务。它是由 Facebook AI Research（FAIR）提出的，旨在实现高效的网络设计。regnet 通过在不同的网络层级上增加网络宽度和深度来提高模型性能。regnet 的设计思想是通过增加模型宽度和深度来提高性能，而不是通过增加模型的复杂性。该模型使用了一种称为“Regularized Focal Loss”的新的目标函数，它可以减少模型的过拟合，并提高模型的泛化能力。

2024-08-09 13:27:00 434

原创 labelme标注的图像分割json文件转图片格式

label标注的标签是json格式，会对选择的区域进行打点标记，所有的点围成不规则的多边形区域，中间的部分就是分割的区域。这里编写了python脚本，可以把json文件转为图片格式，这里是png格式。

2024-08-09 13:13:56 264

原创 SAM-Med2D 大模型学习笔记（续）：训练自己数据集

本文将使用训练自己的数据集关于SAM-Med2D大模型官方demo数据集的介绍上文已经介绍过，这里简单回顾下例如mask是【0 1 2 2 1】，mask模板有两个，分别是1对应的模板【0 255 0 0 255】，就是只分割前景1。以及只是分割2的模板【0 0 255 255 0】。mask的命名可以是image名字加上灰度，例如image_1.png和image_2.png两个json文件如下：训练数据就是单张image对应的一组mask标签字典测试集是mask对应的image。

2024-08-08 11:47:54 1556 2

原创 第三章：SAM-Med2D大模型复现

下载后的目录如下：sam-med2d_b.pth - Google 云端硬盘放在这里虽然上述操作完，可以直接train了，不过为了后面更换数据集，这里对demo数据集进行简单介绍目录如下：以往的mask是在一张图片里面的，用不同的灰度值代表不同的分割类别这里就是独立出来了，把每个灰度值变成新的二值图像（255 0），有几类就有几张对应的mask图像就比如[0 0 0 1 1 2 2 ]，假设这是一张图片。

2024-08-07 17:27:29 743

原创 基于卷积神经网络ResUnet 多模态融合实验、BraTS 3d数据集（nii.gz）4模态融合分割

BRATS 脑肿瘤分割数据（brain tumor segmentation challenge，BraTS Chanllenge）标签如下：这里原始数据集要很多G，这里为了方便仅用十个样本来实验数据、gt的维度可以用ITK-SNAP打开，箭头所指的就是不同模态，可以更换。

2024-08-07 12:41:47 1342

原创 医学图像分割的基准：TransUnet（用于医学图像分割的Transformer编码器）器官分割

TransUnet是一种用于医学图像分割的深度学习模型。它是基于Transformer模型的图像分割方法，由AI研究公司Hugging Face在2021年提出。医学图像分割是一项重要的任务，旨在将医学图像中的不同结构和区域分离出来，以便医生可以更好地诊断和治疗疾病。传统的医学图像分割方法通常使用基于卷积神经网络（CNN）的方法，但这些方法在处理大量图像数据时可能存在一些限制，如需要大量标注数据、对图像中小目标的分割效果不佳等。

2024-08-05 12:42:11 1137

原创 机器学习 4种常见目标函数介绍+代码实现

目标函数在机器学习中至关重要，不同的目标函数甚至能影像模型的性能。目标函数类似于损失函数的总称，然后让目标函数优化取得最大或者最小值这样，总而让网络收敛。

2024-08-03 15:42:15 512

原创 YOLOV5 改进：替换backbone为MobileVIT

yolov5替换主干网络的步骤如下，依旧和之前的一样。

2024-08-02 20:06:07 151

原创 关于深度学习中的cuda编程，cuda相关介绍

CUDA（Compute Unified Device Architecture，统一计算设备架构）是由Nvidia开发的编程模型和并行计算平台。在模式识别任务中，使用cuda进行GPU加速可以显著提升计算能力，通过并行化任务更快的执行简单矩阵操作PyTorch提供了torch.cuda库来设置和运行CUDA操作需要注意的是，cuda操作的数据被称为张量，其实就是数组，维度从一维到几十维度、上百维度不止，只是叫法不同而已。利用PyTorch的CUDA功能，可以创建张量并将其分配至GPU。

2024-07-26 20:28:45 810

原创 简单聊聊关于机器学习中的正则化

正则化处理是机器学习和统计模型中常用的一种技术，用于防止模型过拟合是指模型在训练数据上表现良好，但在未知数据上表现不佳，模型过于复杂，学习能力太强，把训练数据中的噪声也学习到了，导致泛化能力下降。正则化通过惩罚模型的复杂度来提高模型的泛化能力。

2024-07-23 17:02:16 925

原创 基于python实现的6种机器学习常用算法介绍以及优缺点分析【附代码】

本文将会使用python语言将机器学习中常用的6种算法进行复现，代码会贴在每章后面接下来将探讨这些算法的背景、原理、优缺点及应用场景。

2024-07-18 15:30:34 2803

原创 从零编写一个神经网络完成手写数字的识别分类（pytorch实现）

很多人都有这样的困惑：“我已经看过很多有关神经网络的书和视频了，但为什么感觉还是似懂非懂呢？那是因为，你从来都没有完整的、从头编写并训练过一个神经网络学习AI相关的算法，尤其是深度学习方向；真的不是学几个公式，了解几个名词概念就可以的。因为深度学习，是一门实践课程！举个例子：激活函数、损失函数、前向传播和反向传播，这些概念，相信大家都听过。几个相关的问题，大家看看能不能回答出来。激活函数必须要有吗？一般要放在哪里？是放在线性层计算后，还是放在线性层计算前？或者有没有都可以、放在哪都可以？

2024-07-13 12:57:36 2045 1

原创 基于 PyTorch 的迁移学习介绍 （图像分类实战演示）

要了解有关我们模型的更多信息，让我们使用 torchinfo 的summary() 方法。为此，我们将传入：model - 我们想要获得摘要的模型。input_size - 我们想要传递给模型的数据的形状，对于 effectivenet_b0 的情况，输入大小为 (batch_size, 3, 224, 224)，尽管 effectivenet_bX 的其他变体具有不同的输入大小。

2024-07-10 18:58:19 1286

原创 基于pytorch实现的 MobileViT 的图像识别（迁移学习）

MobileViT 轻量级的分类识别网络，结合了CNN卷积和Transformer 混合的网络架构关于更多介绍可以自行百度，本文通过进行实现。

2024-06-27 14:01:37 588

原创 YOLOV8 目标检测：训练自定义数据集

yolov8目标检测

2024-06-19 19:23:22 645

原创 目标检测：将yolo标注的txt文本转为VOC标注的xml文件

需要准备的数据有：其中images为图像数据，labels为txt文本信息注意：这里仅仅支持图像格式为 jpg 格式！！！

2024-06-12 15:06:51 946

原创 基于pytorch实现的DenseUnet医学图像分割（腹部多脏器）

数据的预处理放在dataset脚本中，这里参考sam模型的预处理。利用numpy和cv进行归一化、翻转、图像增强等等，而非torch中的transform主要如下：红色框的部分为windowing窗口化拉伸对比度，因为大多数医学数据都是CT格式，对比度很差，如果原数据对比度还行的话，可以注释掉。

2024-06-11 16:07:22 1435

原创 YOLOV5 图像分割：利用yolov5进行图像分割

本章将介绍yolov5的分割部分，其他的yolov5分类、检测项目参考之前的博文yolov5的分割和常规的分割项目有所区别，这里分割的结果做了掩膜效果，并且绘制了bbox想要单纯的获得gt图像，或者去掉bbox，需要更改代码。

2024-06-06 17:07:11 577

原创 第二章：SegmentAnyBone 分割一切骨头视觉大模型介绍

代码地址：这个分割一切骨头模型也是基于SAM的模型，官方在人体的195块骨头进行分割论文还没看，这里仅仅做复现。

2024-06-05 19:58:57 960

原创 MedSAM 学习笔记（续）：利用训练好的权重进行gui的推理

本文将根据在自定义数据集上训练好的权重进行GUI图形化的推理因为sam模型核心思想是根据提示信息进行推理，所以推理的时候不仅仅需要图像数据，还要加上提示信息（point、bbox、txt等等）。因为无论那种提示信息输入都会很麻烦，所以源代码提供了gui的界面，直接鼠标点击绘制点或者bbox即可。

2024-06-04 19:04:28 756

原创 基于 GhostNet 不同版本的图像识别

主要思想：特征提取的时候，很多特征图是具有高度相似性的，也就是说存在许多的冗余特征图。从另一个角度想，利用一系列的线性变化，以很小的代价生成许多能从原始特征发掘所需信息的“幻影”特征图呢冗余的特征图是非常有必要的，可以保证网络对输入数据的理解更为全面。ghostnet 的版本，本人在github上搜到了三个版本，这里干脆一起实现了文末有项目下载。

2024-06-04 18:12:32 510

原创 MedSAM 学习笔记（续）：训练自定义数据集

下载后保存在：work_dir/SAM/sam_vit_b_01ec64.pth 目录。

2024-05-30 16:58:43 875

原创 第一章：MedSAM 视觉大模型介绍

这里的预处理脚本完全根据MICCAI FLARE22 挑战数据集数据集格式编写的，如果换成自己数据集的话，需要更改。其实就是目录啊、文件名之类的参数因为这个代码还挺复杂的，这里分开介绍。

2024-05-27 16:26:42 2785 9

原创 YOLOV5 改进：替换backbone为EfficientNet

本章将会把yolov5的主干网络替换成EfficientNet V2，这里直接粘贴代码更多的backbone更换参考本专栏：更换的顺序如下：本文更换的是efficientNet V2。

2024-05-26 17:16:25 270

原创 基于UnetPlusPlus(Unet++)实现的医学图像分割

unetPlusPlus 在unet 的基础上增添了密集连接的结构，有点像densenet网络因为这种密集连接，unet++可以实现剪枝的轻量化操作。由于本人的没有接触过这种剪枝、蒸馏之类的轻量化方法，所以不多赘述本章仅仅根据unet++模型实现医学图像分割的任务，为了更好的调节参数（学习率衰减策略、优化器等等），做对比实验，这里统一进行实现项目下载在最后。

2024-05-14 16:52:18 1204

原创 基于ConvNeXt网络的图像识别

ConvNeXt 网络基于传统的卷积神经网络，与当下 transformer当道而言简直是一股清流ConvNeXt并没有特别复杂或者创新的结构ConvNeXt 网络有五种大小，可以参考下面。

2024-05-08 16:05:38 781

原创 基于FCN网络实现的多类别图像分割任务

FCN 作为图像分割的开山之作，将分割任务作为逐个像素点的分类任务因为FCN网络的实现较为复杂，当然有很多现成的代码实现FCN分割网络。不过torchvision中其实已经封装好了，这里我们直接利用这个torchvision完成即可。

2024-04-29 15:59:53 1251

原创 YOLOV5 改进：替换backbone为ShuffleNet

本章将会把yolov5的主干网络替换成ShuffleNet V2，这里直接粘贴代码。

2024-04-25 21:38:37 219

原创 图像分割 - 利用K-means聚类方法实现图像分割

传统的数字图像处理算法中，针对于图像分割部分，除了阈值处理、区域生长啊等等之类的，还有很经典的聚类算法图像分割是指将图像划分为多个片段。这是因为对于不同的图像任务，我们往往不care整个图片，只对感兴趣的区域处理，这就是图像分割的意义。聚类算法的思想很简单，就是将相似属性的像素点分配到一起。

2024-04-06 16:11:45 771

yolov8 实现的鱼身上疾病图像检测完整项目python实现（毕业设计&课程设计&项目开发）
yolov8 实现的鱼身上疾病图像检测完整项目python实现（毕业设计&课程设计&项目开发） 【数据集介绍】类别个数（5）：细菌性疾病、真菌性疾病、健康鱼、寄生虫病、白尾病（共约1000张数据和标签） 训练自定义数据集摆放好数据后，更改mydata.yaml文件即可。训练或者推理的话，根据目标下编写的train和predict脚本实现即可。本项目还提供了预训练权重，可以根据不同的检测任务进行微调以达到好的检测精度。 关于yolov5改进介绍、或者如何训练，请参考： https://blog.csdn.net/qq_44886601/category_12605353.html yolov8训练数据的介绍： https://blog.csdn.net/qq_44886601/article/details/139810906

2024-09-21

YOLO 数据集：鱼身上疾病图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：鱼身上疾病图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（5）：细菌性疾病、真菌性疾病、健康鱼、寄生虫病、白尾病【具体参考classes文件】 数据结构如下： 训练集：720左右张图片和对应的标签txt文件组成 验证集：100左右张图片和对应的标签txt文件组成 测试集：100左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-21

脊柱分割和分析数据集，dcm格式
脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；脊柱分割和分析数据集，dcm格式；

2024-09-21

YOLO 数据集：大型叶片病害图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：大型叶片病害图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（30）：grape leaf black rot、Corn Gray leaf spot、Tomato Early blight leaf、Tomato Septoria leaf spot等等【具体参考classes文件】 数据结构如下： 训练集：2000左右张图片和对应的标签txt文件组成 验证集：310左右张图片和对应的标签txt文件组成 测试集：240左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-20

目标检测数据集：肿瘤癌症诊断的大型CT检测数据【VOC标注格式】
目标检测数据集：肿瘤癌症诊断的大型CT检测数据【VOC标注格式】，数据保存按照文件夹保存，经测试，可直接用作目标检测数据集，无需额外处理。 【数据集详情】共4000张数据和对应的xml标注文件 关于yolo实战检测教程：https://blog.csdn.net/qq_44886601/article/details/134878776 yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-20

目标检测数据集：植物叶片病害检测数据【VOC标注格式】
目标检测数据集：植物叶片病害检测数据【VOC标注格式】，数据保存按照文件夹保存，经测试，可直接用作目标检测数据集，无需额外处理。 【数据集详情】共2000张数据和对应的xml标注文件 关于yolo实战检测教程：https://blog.csdn.net/qq_44886601/article/details/134878776 yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-20

基于 DenseUnet 实现的生物医学图像语义分割源码、python实现、pytorch框架项目
基于 DenseUnet 实现的生物医学图像语义分割源码、python实现、pytorch框架项目 1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等。 2.evaluate 验证脚本用于评估模型，计算测试集的iou、recall、precision、像素准确率等等（训练集用于网络拟合，验证集用于调整参数，测试集用于评估模型） 3.predice 脚本用于推理图像，会生成gt以及gt+image的掩膜图像 【代码做了详细注释，可以自行下载查看，想要训练自己的数据，参考README文件，傻瓜式运行】

2024-09-19

YOLO 数据集：盲道、人行道缺陷图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：盲道、人行道缺陷图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（1）：defect【具体参考classes文件】 数据结构如下： 训练集：3400左右张图片和对应的标签txt文件组成 验证集：750左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-19

叶片疾病检测+分割数据集.zip、coco标注格式 、语义分割+目标检测标注
叶片疾病检测+分割数据集.zip、coco标注格式 、语义分割+目标检测标注 总共超过500张图片，标签格式为coco文件标注，有分类、分割和目标检测的标注信息

2024-09-19

COVID-19 胸部 X 光图像和肺面罩数据库
COVID-19 胸部 X 光图像和肺面罩数据库

2024-09-18

肺部癌症（Lung-Cancer）检测+分割数据集.zip、coco标注格式 、语义分割+目标检测标注
肺部癌症（Lung_Cancer）检测+分割数据集.zip、coco标注格式 、语义分割+目标检测标注 总共超过1400张图片，标签格式为coco文件标注，有分类、分割和目标检测的标注信息

2024-09-18

医学图像分类：肾脏结节、肿瘤数据图像识别（包括划分好的数据【文件夹保存】、类别字典文件）
医学图像分类：肾脏结节、肿瘤数据图像识别（包括划分好的数据【文件夹保存】、类别字典文件） 【分类个数：3】正常、结节、肿瘤【具体查看json文件】 【数据集详情】data目录下分为2个目录，训练集、验证集、测试集。存放各自的同一类数据图片。训练集图片总数2800，验证集图片总数800，测试集图片总数400，可以用作yolov5的分类数据集，和分类网络的数据集 如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络项目：https://blog.csdn.net/qq_44886601/category_12056269.html 基于yolov5的分类：https://blog.csdn.net/qq_44886601/article/details/137408637

2024-09-18

YOLO 数据集：腹部CT结节图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：腹部CT结节图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（2）：结节等等【具体参考classes文件】 数据分为分为训练集和验证集、测试集： 训练集：3400左右张图片和对应的标签txt文件组成 验证集：900左右张图片和对应的标签txt文件组成 测试集：500左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-18

基于 EfficientUnet 对超声心脏图像分割 （左心室心内膜，左心室心外膜，左心房）
基于 EfficientUnet 对超声心脏图像分割 （左心室心内膜，左心室心外膜，左心房） 代码增添了新的评估指标，如loss、iou、dice、recall、precision以及对应的mean指标。并且生成对应类别的曲线图、以及mean的曲线图（训练集、验证集都有） 本项目在超声心脏图像数据集进行训练，验证集指标为： epoch:100 precision: ['0.9927', '0.9635', '0.9257', '0.9557'] recall: ['0.9930', '0.9610', '0.9288', '0.9502'] iou: ['0.9857', '0.9273', '0.8643', '0.9102'] dice: ['0.9928', '0.9623', '0.9272', '0.9530'] mean precision: 0.9594,mean recall: 0.9583,mean dice: 0.9588,mean iou: 0.9219 如果想要训练自己数据集，参考readme文件即可

2024-09-16

基于超声图像的心脏分割数据集 （超声心动图左心室心内膜，左心室心外膜，左心房分割）
深度学习数据集：基于超声图像的心脏分割数据集 （超声心动图左心室心内膜，左心室心外膜，左心房分割） 数据从CAMUS超声心脏数据集中进行切片，并且全部缩放为256*256大小的尺度，总共5000多张数据和标签，均为png格式

2024-09-15

EfficientUnet 对腹部肝脏（LIver）图像分割
基于 Unet - EfficientNet 对腹部肝脏（LIver）图像分割，本项目在LIver数据集进行训练，验证集指标为： epoch:30 precision: ['0.9845', '0.9638'] recall: ['0.9963', '0.8632'] iou: ['0.9809', '0.8360'] dice: ['0.9903', '0.9107'] mean precision: 0.9741,mean recall: 0.9297,mean dice: 0.9505,mean iou: 0.9085

2024-09-13

YOLO 数据集：医疗器械图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：医疗器械图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（6）：手套、针、注射器等等【具体参考classes文件】 数据分为分为训练集和验证集、测试集： 训练集：1300左右张图片和对应的标签txt文件组成 验证集：260左右张图片和对应的标签txt文件组成 测试集：260左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-13

YOLO 数据集：PaddyRice成熟度图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：PaddyRice成熟度图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（4）：green leaf、mature等等【具体参考classes文件】 数据分为分为训练集和验证集、测试集： 训练集：190左右张图片和对应的标签txt文件组成 验证集：30左右张图片和对应的标签txt文件组成 测试集：15左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-13

Swin-Transformer 图像分类网络实战项目：阿尔茨海默病数据图像识别（迁移学习）
基于svit网络对3种阿尔茨海默病数据图像识别的迁移学习项目，包含代码、数据集和训练好的权重文件，经过测试，可以直接运行 【网络】swin-transformer，参数量为8千万左右 【数据集类别】(AD（阿尔茨海默病）、CI（轻度认知障碍）和 CN（普通正常）科目 ） 【训练train.py】 1、训练过程中，会对数据集进行随机裁剪、翻转等数据增广等等。 2、网络初始化会自动载入官方在imagenet上的预训练权重进行迁移学习。 3、训练脚本会自动生成数据集类别的 json 文件，并且通过json文件自动设定网络的输出维度，不需要自己定义输出的channel。train.py 训练完成会生成训练集的loss曲线、学习率衰减曲线、测试集的精度曲线、混淆矩阵以及训练日志等等，保存在run_results文件内。 【预测predict.py】只需要将待预测的图像放在inference文件夹下，代码会自动将该文件下所有的图像进行预测，并在原图像左上角写入最大的前三个类别和概率，无需更改任何代码 【训练请参考readme文件】

2024-09-13

医学图像分类：阿尔茨海默病数据图像识别（包括划分好的数据【文件夹保存】、类别字典文件）
医学图像分类：阿尔茨海默病数据图像识别（包括划分好的数据【文件夹保存】、类别字典文件） 【分类个数：3】AD（阿尔茨海默病）、CI（轻度认知障碍）和 CN（普通正常）科目【具体查看json文件】 【数据集详情】data目录下分为2个目录，训练集、测试集。存放各自的同一类数据图片。训练集图片总数4100，测试集图片总数1000，可以用作yolov5的分类数据集，和分类网络的数据集 如果想可视化数据集，可以运行资源中的show脚本。 CNN分类网络项目：https://blog.csdn.net/qq_44886601/category_12056269.html 基于yolov5的分类：https://blog.csdn.net/qq_44886601/article/details/137408637

2024-09-13

石头rock检测+分割数据集.zip、coco标注格式 、语义分割+目标检测标注

石头rock检测+分割数据集.zip、coco标注格式 、语义分割+目标检测标注 总共超过700张图片，标签格式为coco文件标注，有分类、分割和目标检测的标注信息

2024-09-13

prostate 前列腺MR图像分割、包含57个病例和标签，数据格式为nii.gz
prostate 前列腺MR图像分割、包含57个病例，数据格式为nii.gz；prostate 前列腺MR图像分割、包含57个病例，数据格式为nii.gz；prostate 前列腺MR图像分割、包含57个病例，数据格式为nii.gz；prostate 前列腺MR图像分割、包含57个病例，数据格式为nii.gz；prostate 前列腺MR图像分割、包含57个病例，数据格式为nii.gz；prostate 前列腺MR图像分割、包含57个病例，数据格式为nii.gz；

2024-09-13

YOLO 数据集：道路阻碍图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：道路阻碍图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（5）：阻碍通过、不稳定土壤、无法进入的坡道等等【具体参考classes文件】 数据分为分为训练集和验证集、测试集： 训练集：7100左右张图片和对应的标签txt文件组成 验证集：910左右张图片和对应的标签txt文件组成 测试集：480左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-13

YOLO 数据集：关于电路板上元器件图像目标检测、小目标检测、密集检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：关于电路板上元器件图像目标检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（34）：保险丝、散热片、IC、电感器、晶体管、电容器等等【具体参考classes文件】 数据分为分为训练集和验证集、测试集： 训练集：1500左右张图片和对应的标签txt文件组成 验证集：80左右张图片和对应的标签txt文件组成 测试集：40左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-13

基于Unet 对腹部胰腺图像分割实战【数据集+代码】
本项目数据集：腹部胰腺图像分割【0 背景、1 胰腺】 代码介绍：【参考文章：https://blog.csdn.net/qq_44886601/article/details/136047740】 【训练】train 脚本会自动训练，代码会自动将数据随机缩放为设定尺寸的0.5-1.5倍之间，实现多尺度训练。为了实现多分割项目，utils中的compute_gray函数会将mask灰度值保存在txt文本，并且自动为unet网络定义输出的channel 【介绍】学习率采用cos衰减，训练集和测试集的损失和iou曲线可以在run_results文件内查看，图像由matplotlib库绘制。除此外，还保存了训练日志，最好权重等，在训练日志可以看到每个类别的iou、recall、precision以及全局像素点的准确率等等 具体参考README文件 其他分割代码：https://blog.csdn.net/qq_44886601/category_12102735.html

2024-09-12

医学图像分割数据集：腹部胰腺图像分割数据集（包含训练集和测试集、标签）
医学图像分割数据集：腹部胰腺图像分割数据集（包含训练集和测试集、标签） 【2类别的分割，背景、胰腺】 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，370张左右图片和对应的mask图片 测试集：images图片目录+masks模板目录，90张左右图片和对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下 医学图像分割网络介绍：https://blog.csdn.net/qq_44886601/category_12102735.html

2024-09-12

医学图像分割数据集：CT图像pancreas 2D分割数据【包含横端面、冠状面、矢状面切分的2d数据、数据增强】
医学图像分割数据集：CT图像pancreas 2D分割数据【包含横端面、冠状面、矢状面切分的2d数据、数据增强】 【其中mask中、0为背景，1为pancreas】 数据集：分别从轴位面（横端面）、冠状面、矢状面切分出2D图像。为了方便分割，这里切片的时候去除了ROI区域不足3%的数据。利用数字图像处理的方式进行了图像增强，并且全部缩放为512*512大小，图片和标签均为png格式。为了方便观察mask，提供了可视化代码（show.py） 数据集介绍：分为x、y、z轴的切面图像 x轴：images图片目录+masks模板目录，480张图片和480个对应的mask图片 y轴：images图片目录+masks模板目录，970张图片和970个对应的mask图片 z轴：images图片目录+masks模板目录，468张图片和468个对应的mask图片 分割代码：https://blog.csdn.net/qq_44886601/article/details/137345710

2024-09-12

胰腺（pancreas）分割、CTI分割、3D分割（数据格式为nii.gz的3d分割数据集）
胰腺（pancreas）分割、CTI分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个训练集和标签；胰腺（pancreas）分割、CTI分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个训练集和标签；胰腺（pancreas）分割、CTI分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个训练集和标签；胰腺（pancreas）分割、CTI分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个训练集和标签；胰腺（pancreas）分割、CTI分割、3D分割（数据格式为nii.gz的3d分割数据集），共有31个训练集和标签，10个训练集和标签；

2024-09-12

基于 Unet++ 网络模型对混凝土墙面、道路裂缝图像分割python项目【包含数据集、完整代码等】
基于 Unet++ 网络模型对混凝土墙面、道路裂缝图像分割python项目【包含数据集、完整代码等】 数据集：混凝土墙面、道路裂缝图像分割（2类别，约2300张数据和标注图像） 代码介绍： 训练过程提供了多种优化器选择（Adam、SGD、RMSProp），损失函数采用BCE 逻辑损失，学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重，以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】 其他分割网络实战：https://blog.csdn.net/qq_44886601/category_12102735.html

2024-09-12

图像分割数据集：大型混凝土、墙面、道路表面裂缝图像分割数据集（包含训练集、验证集和测试集、标签）
图像分割数据集：大型混凝土、墙面、道路表面裂缝图像分割数据集（包含训练集、验证集和测试集、标签） 【2类别的分割，背景、crack】 数据集介绍：分为训练集、验证集、测试集 训练集：images图片目录+masks模板目录，1800张左右图片和对应的mask图片 验证集：images图片目录+masks模板目录，330张左右图片和对应的mask图片 测试集：images图片目录+masks模板目录，150张左右图片和对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下 医学图像分割网络介绍：https://blog.csdn.net/qq_44886601/category_12102735.html

2024-09-12

YOLO 数据集：螺栓、螺母生锈目标图像检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：螺栓、螺母生锈目标图像检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（3）：螺栓、螺母、生锈【具体参考classes文件】 数据分为分为训练集和验证集、测试集： 训练集：50左右张图片和对应的标签txt文件组成 验证集：14左右张图片和对应的标签txt文件组成 测试集：7左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-12

kidney 肾脏CT图像分割、包含25个病例，数据格式为nii.gz
kidney 肾脏CT图像分割、包含25个病例，数据格式为nii.gz，包含训练集和验证集；kidney 肾脏CT图像分割、包含25个病例，数据格式为nii.gz，包含训练集和验证集；kidney 肾脏CT图像分割、包含25个病例，数据格式为nii.gz，包含训练集和验证集；kidney 肾脏CT图像分割、包含25个病例，数据格式为nii.gz，包含训练集和验证集；kidney 肾脏CT图像分割、包含25个病例，数据格式为nii.gz，包含训练集和验证集；kidney 肾脏CT图像分割、包含25个病例，数据格式为nii.gz，包含训练集和验证集；

2024-09-12

brain-tumor 脑肿瘤图像分割、包含33个病例，数据格式为nii.gz
brain-tumor 脑肿瘤图像分割、包含33个病例，数据格式为nii.gz；brain-tumor 脑肿瘤图像分割、包含33个病例，数据格式为nii.gz；brain-tumor 脑肿瘤图像分割、包含33个病例，数据格式为nii.gz；brain-tumor 脑肿瘤图像分割、包含33个病例，数据格式为nii.gz；brain-tumor 脑肿瘤图像分割、包含33个病例，数据格式为nii.gz；brain-tumor 脑肿瘤图像分割、包含33个病例，数据格式为nii.gz；

2024-09-11

brain-growth 图像分割、包含40个病例，数据格式为nii.gz
brain-growth 图像分割、包含40个病例，数据格式为nii.gz

2024-09-11

Unet++ 模型、covid感染区域图像分割python项目【包含数据集、完整代码等】
Unet++ 模型、covid感染区域图像分割python项目【包含数据集、完整代码等】 数据集：covid感染区域图像分割（2类别，约9000张数据和标注图像） 代码介绍： 训练过程提供了多种优化器选择（Adam、SGD、RMSProp），损失函数采用BCE 逻辑损失，学习率的衰减提供了常规恒定lr、余弦退火算法、以及step学习率衰减。可以自行选择 【训练过程会生成最好和最后一个权重，以及数据预处理完的可视化效果图、dice、loss曲线、训练日志等等】 其他分割网络实战：https://blog.csdn.net/qq_44886601/category_12102735.html

2024-09-11

医学图像分割数据集：大型胸部X光片covid感染区域图像分割数据集（包含训练集和测试集、标签）
医学图像分割数据集：大型胸部X光片covid感染区域图像分割数据集（包含训练集和测试集、标签） 【2类别的分割，背景、感染区域】 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，7100张左右图片和对应的mask图片 测试集：images图片目录+masks模板目录，2100张左右图片和对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下 医学图像分割网络介绍：https://blog.csdn.net/qq_44886601/category_12102735.html

2024-09-11

自动驾驶、汽车摄像头下的路况信息检测，约2万张数据
自动驾驶、汽车摄像头下的路况信息检测，约2万张数据，标签储存在csv文件中，格式为 img_name,xmin,xmax,ymin,ymax,class_id

2024-09-11

基于 Unet - MobileNet 对新冠肺炎胸部X光片感染区域图像分割实战代码【包含完整代码、数据集等等】
基于 Unet - MobileNet 对新冠肺炎胸部X光片感染区域图像分割实战代码【包含完整代码、数据集等等】 代码增添了新的评估指标，如loss、iou、dice、recall、precision以及对应的mean指标。并且生成对应类别的曲线图、以及mean的曲线图（训练集、验证集都有） 指标参考如下，项目可以一键运行，自行训练即可： epoch:100 precision: ['0.9846', '0.9590'] recall: ['0.9958', '0.8642'] iou: ['0.9805', '0.8334'] dice: ['0.9901', '0.9092'] mean precision: 0.9718,mean recall: 0.9300,mean dice: 0.9497,mean iou: 0.9070 如果想要训练自己数据集，参考readme文件即可

2024-09-11

医学图像分割数据集：新冠肺炎胸部X光片感染区域图像分割数据集（包含训练集和测试集、标签）
医学图像分割数据集：新冠肺炎胸部X光片感染区域图像分割数据集（包含训练集和测试集、标签） 【2类别的分割，背景、感染区域】 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，2300张图片和2300个对应的mask图片 测试集：images图片目录+masks模板目录，560张图片和560个对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下 医学图像分割网络介绍：https://blog.csdn.net/qq_44886601/category_12102735.html

2024-09-11

YOLO 数据集：大型饮料瓶子容器目标图像检测【包含划分好的数据集、类别class文件、数据可视化脚本】
YOLO 数据集：大型饮料瓶子容器目标图像检测【包含划分好的数据集、类别class文件、数据可视化脚本】 数据保存按照YOLOV5文件夹保存，可直接用作yolo检测。 类别个数（9）：玻璃瓶、塑料瓶、玻璃马克杯、一次性杯子【具体参考classes文件】 数据分为分为训练集和验证集、测试集： 训练集：13000左右张图片和对应的标签txt文件组成 验证集：1300左右张图片和对应的标签txt文件组成 测试集：650左右张图片和对应的标签txt文件组成 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行可视化图像！！ yolov5的改进实战：https://blog.csdn.net/qq_44886601/category_12605353.html

2024-09-11

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除