《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------》
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】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
基本功能演示
基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测
摘要：
CT扫描图像的肾结石智能检测系统在医疗诊断方面提供了一种快速、准确的辅助工具，显著提高了医生识别和评估肾结石的效率。本文基于YOLOv10深度学习框架，通过1300张CT扫描的肾结石相关图片，训练了一个进行肾结石目标检测的模型,可以对CT扫描图像中的肾结石进行实时检测。并基于此模型开发了一款带UI界面的肾结石智能检测系统，更便于进行功能的展示。该系统是基于python与PyQT5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
- 二、模型的训练、评估与推理
-
- 1.YOLOv10简介
- [2. 数据集准备与训练](#2. 数据集准备与训练)
- [3. 训练结果评估](#3. 训练结果评估)
- [4. 检测结果识别](#4. 检测结果识别)
- 【获取方式】
- 结束语
前言
CT扫描图像的肾结石智能检测系统在医疗诊断方面提供了一种快速、准确的辅助工具，显著提高了医生识别和评估肾结石的效率。这项技术利用深度学习算法分析CT图像，可以在短时间内自动识别出肾结石，减少依赖医生主观判断的需求。这对于忙碌的医疗环境中，加快诊断过程、提供实时反馈，并辅助在肾结石治疗决策中起到至关重要的作用。
其主要应用场景包括：
临床诊断：在日常临床检查中应用，辅助医生快速确定肾结石的存在与位置。
紧急医疗：在急诊情况下快速筛查，协助判定是否为肾结石引起的腹痛。
远程医疗服务：在资源匮乏的区域，提供远程诊断服务，通过网络将CT图像传送至有系统支持的地方进行分析。
健康体检：在常规体检中作为标准流程之一，自动检测肾结石状况，提早预防和治疗。
医学研究：作为研究工具，分析肾结石发病的模式、频率和分布。
医疗数据分析：收集并分析大量医疗图像数据，用于改进肾结石的治疗方案和预防措施。
总结来说，CT扫描图像的肾结石智能检测系统利用先进的深度学习技术，为医生提供了一个强大的辅助工具，实现了对肾结石高效率和高准确率的检测。这不仅使临床诊断更加迅速和精确，还通过扩展至远程医疗等领域，极大地提高了医疗服务的可及性和质量。随着人工智能技术在医疗领域的持续进步，该系统的应用范围和诊断能力有望进一步扩展，为更多患者提供高质量的医疗服务。
博主通过搜集实际场景中的CT扫描的肾结石相关数据图片，根据YOLOv10的目标检测技术，基于python与Pyqt5开发了一款界面简洁的肾结石智能检测系统，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：
检测结果界面如下：
一、软件核心功能介绍及效果演示
软件主要功能
1. 可用于实际场景中的CT扫描图像中的肾结石检测;
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；
界面参数设置说明
置信度阈值：也就是目标检测时的conf参数，只有检测出的目标置信度大于该值，结果才会显示；
交并比阈值：也就是目标检测时的iou参数，只有目标检测框的交并比大于该值，结果才会显示；
检测结果说明
显示标签名称与置信度：表示是否在检测图片上标签名称与置信度，显示默认不勾选，如果勾选则会在检测图片上显示标签名称与置信度；
显示标签名称与置信度结果如下：
不显示标签名称与置信度结果如下：
总目标数：表示画面中检测出的目标数目；
目标选择：可选择单个目标进行位置信息、置信度查看。
目标位置：表示所选择目标的检测框，左上角与右下角的坐标位置。默认显示的是置信度最大的一个目标信息；
主要功能说明
功能视频演示见文章开头，以下是简要的操作描述。
（1）图片检测说明
点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，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，可用下拉框进行目标切换。所有检测结果均在左下方表格中显示。
（2）视频检测说明
点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
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。
（3）摄像头检测说明
点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。
（4）保存图片与视频检测说明
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。
保存的检测结果文件如下：
二、模型的训练、评估与推理
1.YOLOv10简介
YOLOv10是YOLO最新一代版本的实时端到端目标检测算法。该算法在YOLO系列的基础上进行了优化和改进，旨在提高性能和效率之间的平衡。首先，作者提出了连续双分配方法，以实现NMS-free训练，从而降低了推理延迟并提高了模型的性能。其次，作者采用了全面的效率-准确性驱动的设计策略，对YOLO的各种组件进行了综合优化，大大减少了计算开销，并增强了模型的能力。实验结果表明，YOLOv10在各种模型规模下都取得了最先进的性能和效率表现。例如，YOLOv10-S比RT-DETR-R18快1.8倍，同时拥有更小的参数数量和FLOPs；与YOLOv9-C相比，YOLOv10-B的延迟减少了46%，参数减少了25%，但保持了相同的性能水平。
YOLOv10创新点
双标签分配
与一对一配对不同，一对多配对为每个真实标签分配一个预测标签，避免了后处理中的非极大抑制（NMS）。然而，它会导致弱监督，从而导致较低的准确度和收敛速度。幸运的是，这种缺陷可以通过一对多配对进行补偿。为了实现这一目标，我们在YOLO中引入了双标签分配来结合这两种策略的优点。具体来说，如上图所示，我们为 YOLO 添加了一个额外的一对一头部。它保留了一致的结构，并采用与原始的一对多分支相同的学习目标，但利用一对一匹配获得标签分配。在训练过程中，两个头与模型一起联合优化，允许骨干网络和脖子从一对多分支提供的丰富监督信号中受益。在推理过程中，我们丢弃一对多头，并使用一对一头进行预测。这使得 YOLO 能够端到端部署，而无需付出任何额外的推断成本。此外，在一对一匹配中，我们采用了顶部选择，实现了与匈牙利匹配相同的性能，同时减少了额外的训练时间。
模型设计改进
在模型设计方面，提出了以下几种改进点：
轻量级分类头： 通过对分类头进行轻量化设计，可以减少计算成本，而不会显著影响性能。
空间通道解耦降采样： 该方法通过分离空间和通道维度上的操作，提高了信息保留率，从而实现了更高的效率和竞争力。
排名引导块设计： 该方法根据各个阶段的冗余程度，采用不同的基本构建块，以实现更高效的模型设计。
大核深度卷积和部分自注意力模块： 这些模块可以在不增加太多计算开销的情况下提高模型的表现力。
2. 数据集准备与训练
通过网络上搜集关于CT扫描图像肾结石相关图片，并使用Labelimg标注工具对每张图片进行标注。数据集一共包含1300张图片，其中训练集包含1054张图片，验证集包含123张图片、测试集包含123张图片。
部分图像及标注如下图所示：
模型训练
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入Data目录下。
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: D:\2MyCVProgram\5.YOLOv10Program\KidneyStoneDetection_v10\datasets\Data\train
val: D:\2MyCVProgram\5.YOLOv10Program\KidneyStoneDetection_v10\datasets\Data\valid
test: D:\2MyCVProgram\5.YOLOv10Program\KidneyStoneDetection_v10\datasets\Data\test
nc: 1
names: ['KidneyStone']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
#coding:utf-8
from ultralytics import YOLOv10
import matplotlib
matplotlib.use('TkAgg')
#模型配置文件
model_yaml_path = "ultralytics/cfg/models/v10/yolov10n.yaml"
#数据集配置文件
data_yaml_path = 'datasets/Data/data.yaml'
#预训练模型
pre_model_name = 'yolov10n.pt'
if __name__ == '__main__':
#加载预训练模型
model = YOLOv10(model_yaml_path).load(pre_model_name)
#训练模型
results = model.train(data=data_yaml_path,
epochs=150,
batch=8,
name='train_v10')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：
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。
本文训练结果如下：
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，可以看到本文模型目标检测的mAP@0.5值为0.748，结果还是不错的。
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/train/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
#coding:utf-8
from ultralytics import YOLOv10
import cv2
# 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/1-3-46-670589-33-1-63705540012391921600001-4673924283181105107_png_jpg.rf.feb0267fe02c47cc492e2d8366c61616.jpg"
# 加载预训练模型
model = YOLOv10(path, task='detect')
# 检测图片
results = model(img_path)
print(results)
res = results[0].plot(labels=False,conf=False)
# res = cv2.resize(res,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)
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：
以上便是关于此款CT扫描图像肾结石智能检测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】
本文涉及到的完整全部程序文件：包括python源码、数据集、训练好的结果文件、训练代码、UI源码、测试图片视频 等（见下图），获取方式见文末：
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。
结束语
以上便是博主开发的基于YOLOv10深度学习的CT扫描图像肾结石智能检测系统的全部内容，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！