视频演示
1. 前言
脑肿瘤作为一种常见的神经系统疾病，其早期精准识别对临床诊疗方案的制定及预后评估具有重要意义。近年来，计算机断层扫描（CT）、磁共振成像（MRI）等医学影像技术为脑肿瘤的诊断提供了重要依据，但传统影像分析高度依赖医师经验，存在诊断周期长、主观差异大等问题。随着人工智能与医学影像分析的深度融合，基于深度学习的目标检测技术为脑肿瘤的自动化检测提供了新的技术路径。
在众多深度学习模型中，YOLO（You Only Look Once）系列算法以其良好的实时性与准确性，在医学影像目标检测任务中展现出显著优势。本研究基于YOLO算法框架，构建了一套端到端的脑肿瘤智能检测系统。该系统可实现医学影像中脑肿瘤区域的自动识别与定位，具备以下核心功能：
-
多源数据兼容：支持静态影像、动态视频序列、批量影像文件及实时摄像头画面的输入与处理；
-
交互化参数调节：用户可动态调整置信度阈值与交并比参数，以平衡检测敏感性与准确性；
-
可视化分析界面：集成检测结果可视化展示、目标类别统计分析、检测详情查看及数据筛选功能；
-
全流程模型支持：系统提供预训练模型调用接口，并支持基于用户数据集的模型再训练与优化；
-
模块化部署能力：除图形界面交互外，系统提供脚本化调用接口，便于与现有医学影像平台集成。
本系统采用PyQt框架开发交互界面，结合PyTorch深度学习框架实现检测算法，在保证系统易用性的同时，兼顾了检测效率与准确性。测试结果表明，系统在多种脑肿瘤影像数据中均能实现稳定检测，平均检测准确率达到临床辅助诊断要求，检测耗时满足实际应用场景需求。
本研究的开展，旨在为脑肿瘤的智能化筛查提供一套可操作、可扩展的技术解决方案，并为深度学习在医学影像分析中的落地应用提供实践参考。下文将围绕系统架构设计、功能实现、实验验证与结果分析展开详细阐述。
2. 项目演示
2.1 用户登录界面
登录界面布局简洁清晰，左侧展示系统主题，用户需输入用户名、密码及验证码完成身份验证后登录系统。
2.2 新用户注册
注册时可自定义用户名与密码，支持上传个人头像；如未上传，系统将自动使用默认头像完成账号创建。
2.3 主界面布局
主界面采用三栏结构，左侧为功能操作区，中间用于展示检测画面，右侧呈现目标详细信息，布局合理，交互流畅。
2.4 个人信息管理
用户可在此模块中修改密码或更换头像，个人信息支持随时更新与保存。
2.5 多模态检测展示
系统支持图片、视频及摄像头实时画面的目标检测。识别结果将在画面中标注显示，并在下方列表中逐项列出。点击具体目标可查看其类别、置信度及位置坐标等详细信息。
2.6 多模型切换
系统内置多种已训练模型，用户可根据实际需求灵活切换，以适应不同检测场景或对比识别效果。
3.模型训练核心代码
本脚本是YOLO模型批量训练工具，可自动修正数据集路径为绝对路径，从pretrained文件夹加载预训练模型，按设定参数（100轮/640尺寸/批次8）一键批量训练YOLOv5nu/v8n/v11n/v12n模型。
# -*- coding: utf-8 -*-
"""
该脚本用于执行YOLO模型的训练。
它会自动处理以下任务：
1. 动态修改数据集配置文件 (data.yaml)，将相对路径更新为绝对路径，以确保训练时能正确找到数据。
2. 从 'pretrained' 文件夹加载指定的预训练模型。
3. 使用预设的参数（如epochs, imgsz, batch）启动训练过程。
要开始训练，只需直接运行此脚本。
"""
import os
import yaml
from pathlib import Path
from ultralytics import YOLO
def main():
"""
主训练函数。
该函数负责执行YOLO模型的训练流程，包括：
1. 配置预训练模型。
2. 动态修改数据集的YAML配置文件，确保路径为绝对路径。
3. 加载预训练模型。
4. 使用指定参数开始训练。
"""
# --- 1. 配置模型和路径 ---
# 要训练的模型列表
models_to_train = [
{'name': 'yolov5nu.pt', 'train_name': 'train_yolov5nu'},
{'name': 'yolov8n.pt', 'train_name': 'train_yolov8n'},
{'name': 'yolo11n.pt', 'train_name': 'train_yolo11n'},
{'name': 'yolo12n.pt', 'train_name': 'train_yolo12n'}
]
# 获取当前工作目录的绝对路径，以避免相对路径带来的问题
current_dir = os.path.abspath(os.getcwd())
# --- 2. 动态配置数据集YAML文件 ---
# 构建数据集yaml文件的绝对路径
data_yaml_path = os.path.join(current_dir, 'train_data', 'data.yaml')
# 读取原始yaml文件内容
with open(data_yaml_path, 'r', encoding='utf-8') as f:
data_config = yaml.safe_load(f)
# 将yaml文件中的 'path' 字段修改为数据集目录的绝对路径
# 这是为了确保ultralytics库能正确定位到训练、验证和测试集
data_config['path'] = os.path.join(current_dir, 'train_data')
# 将修改后的配置写回yaml文件
with open(data_yaml_path, 'w', encoding='utf-8') as f:
yaml.dump(data_config, f, default_flow_style=False, allow_unicode=True)
# --- 3. 循环训练每个模型 ---
for model_info in models_to_train:
model_name = model_info['name']
train_name = model_info['train_name']
print(f"\n{'='*60}")
print(f"开始训练模型: {model_name}")
print(f"训练名称: {train_name}")
print(f"{'='*60}")
# 构建预训练模型的完整路径
pretrained_model_path = os.path.join(current_dir, 'pretrained', model_name)
if not os.path.exists(pretrained_model_path):
print(f"警告: 预训练模型文件不存在: {pretrained_model_path}")
print(f"跳过模型 {model_name} 的训练")
continue
try:
# 加载指定的预训练模型
model = YOLO(pretrained_model_path)
# --- 4. 开始训练 ---
print(f"开始训练 {model_name}...")
# 调用train方法开始训练
model.train(
data=data_yaml_path, # 数据集配置文件
epochs=100, # 训练轮次
imgsz=640, # 输入图像尺寸
batch=8, # 每批次的图像数量
name=train_name, # 模型名称
)
print(f"{model_name} 训练完成！")
except Exception as e:
print(f"训练 {model_name} 时出现错误: {str(e)}")
print(f"跳过模型 {model_name}，继续训练下一个模型")
continue
print(f"\n{'='*60}")
print("所有模型训练完成！")
print(f"{'='*60}")
if __name__ == "__main__":
# 当该脚本被直接执行时，调用main函数
main()4. 技术栈
-
语言：Python 3.10
-
前端界面：PyQt5
-
数据库：SQLite（存储用户信息）
-
模型：YOLOv5、YOLOv8、YOLOv11、YOLOv12
5. YOLO模型对比与识别效果解析
5.1 YOLOv5/YOLOv8/YOLOv11/YOLOv12模型对比
基于Ultralytics官方COCO数据集训练结果：
| 模型 | 尺寸(像素) | mAPval 50-95 | 速度(CPU ONNX/毫秒) | 参数(M) | FLOPs(B) |
|---|---|---|---|---|---|
| YOLO12n | 640 | 40.6 | - | 2.6 | 6.5 |
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 2.6 | 6.5 |
| YOLOv8n | 640 | 37.3 | 80.4 | 3.2 | 8.7 |
| YOLOv5nu | 640 | 34.3 | 73.6 | 2.6 | 7.7 |
关键结论：
-
精度最高：YOLO12n（mAP 40.6%），显著领先其他模型（较YOLOv5nu高约6.3个百分点）；
-
速度最优：YOLO11n（CPU推理56.1ms），比YOLOv8n快42%，适合实时轻量部署；
-
效率均衡：YOLO12n/YOLO11n/YOLOv8n/YOLOv5nu参数量均为2.6M，FLOPs较低（YOLO12n/11n仅6.5B）；YOLOv8n参数量（3.2M）与计算量（8.7B）最高，但精度优势不明显。
综合推荐：
-
追求高精度：优先选YOLO12n（精度与效率兼顾）；
-
需高速低耗：选YOLO11n（速度最快且精度接近YOLO12n）；
-
YOLOv5nu/YOLOv8n因性能劣势，无特殊需求时不建议首选。
5.2 数据集分析
数据集中训练集和验证集一共28000多张图片，数据集目标类别1种：肿瘤，数据集配置代码如下：
names:
- tumor
nc: 1
path: D:\project\python\01Finished\yolo_Brain_Tumor_Detection\train_data
test: ../test/images
train: ../train/images
val: ../valid/images上面的图片就是部分样本集训练中经过数据增强后的效果标注。
5.3 训练结果
混淆矩阵显示中识别精准度显示是一条对角线，方块颜色越深代表对应的类别识别的精准度越高。
F1指数（F1 Score）是统计学和机器学习中用于评估分类模型性能的核心指标，综合了模型的精确率（Precision）和召回率（Recall），通过调和平均数平衡两者的表现。
当置信度为0.415时，所有类别的综合F1值达到了0.94（蓝色曲线）。
mAP@0.5：是目标检测任务中常用的评估指标，表示在交并比（IoU）阈值为0.5时计算的平均精度均值（mAP）。其核心含义是：只有当预测框与真实框的重叠面积（IoU）≥50%时，才认为检测结果正确。
图中可以看到综合mAP@0.5达到了0.983（98.3%），准确率非常高。