摘要皮肤癌是全球范围内最常见的恶性肿瘤之一早期准确诊断对提高患者生存率至关重要。本文基于YOLO26目标检测算法构建了一个针对七类常见皮肤病变的自动识别检测系统。研究数据集包含681张训练图像、97张验证图像和195张测试图像涵盖Bowen‘s Disease、Basal Cell Carcinoma、Benign Keratosis Lesions、Dermatofibroma、Melanoma、Melanocytic Nevus和Vascular Lesions七类皮肤病变。实验结果表明模型在测试集上取得了85.4%的平均精确率和95.0%的平均召回率其中Vascular Lesions和Melanocytic Nevus的检测效果最佳精确率分别达到97.0%和92.6%。本研究验证了YOLO26算法在皮肤病识别领域的应用潜力同时也指出了在类别平衡、特征区分性等方面的改进方向。详细功能展示视频https://www.bilibili.com/video/BV1wXoKBhEqL/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1wXoKBhEqL/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1wXoKBhEqL/目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景皮肤病的临床挑战人工智能在皮肤病诊断中的应用目标检测技术的发展皮肤病数据集的构建研究意义数据集介绍类别分布编辑训练结果编辑1. 性能概览来自 results.png编辑2. 精度-置信度曲线BoxP_curve.png编辑3. 召回率-置信度曲线BoxR_curve.png编辑4. 精确率-召回率曲线BoxPR_curve.png编辑5. 混淆矩阵confusion_matrix_normalized.pngUltralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅参数实时调节置信度和IoU阈值✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言皮肤病是人类最常见的疾病之一其中皮肤恶性肿瘤如黑色素瘤、基底细胞癌等发病率逐年上升已成为全球性的公共卫生问题。据统计全球每年约有200-300万例非黑色素瘤皮肤癌和13.2万例黑色素瘤新发病例。皮肤病的早期诊断和治疗可以显著降低死亡率例如早期黑色素瘤的5年生存率可达98%以上而晚期则骤降至23%。然而皮肤病的临床诊断高度依赖医生的专业经验和视觉判断存在主观性强、效率低下、基层医疗机构诊断能力不足等问题。近年来深度学习技术在医学图像分析领域取得了突破性进展尤其是基于卷积神经网络的目标检测算法能够自动识别和定位图像中的病变区域。YOLO系列算法以其端到端、实时检测的特点在医学影像分析中展现出巨大潜力。与传统图像分类任务不同目标检测不仅需要判断图像中是否存在病变还需要精确标注病变的位置和范围这对于手术规划、疗效评估等临床应用具有重要意义。本研究旨在构建一个基于YOLO26算法的皮肤病识别检测系统实现对七类常见皮肤病变的自动检测与分类。通过系统评估模型性能分析各类别的检测效果差异探讨深度学习技术在皮肤病辅助诊断中的应用前景为临床医生提供客观、高效的辅助诊断工具。背景皮肤病的临床挑战皮肤病的准确诊断一直是临床实践中的重大挑战。皮肤病变种类繁多形态相似即使是经验丰富的皮肤科医生其诊断准确率也仅为75-85%。尤其是早期黑色素瘤与良性色素痣的鉴别常常需要借助皮肤镜、活检等进一步检查手段不仅耗时耗力还给患者带来痛苦和经济负担。在中国优质医疗资源分布不均基层皮肤科医生数量不足导致大量皮肤病患者的诊疗需求无法得到满足。人工智能在皮肤病诊断中的应用随着计算机视觉技术的飞速发展人工智能辅助皮肤病诊断已成为研究热点。早期的研究主要集中在图像分类任务即判断一张皮肤镜图像属于哪类病变。代表性工作包括Esteva等人2017年在Nature上发表的研究他们使用Inception v3模型对皮肤病变进行分类达到了皮肤科医生水平的诊断准确率。然而分类任务无法提供病变的具体位置信息难以满足临床精准诊疗的需求。目标检测技术的发展目标检测技术能够在图像中同时完成目标定位和分类任务更适合临床实际应用场景。YOLO系列算法作为单阶段目标检测的代表以其速度快、精度高的特点在多个领域得到广泛应用。从YOLOv1到YOLO26算法不断优化引入了多尺度预测、特征金字塔网络、注意力机制等技术显著提升了小目标检测能力和模型鲁棒性。在医学图像分析领域YOLO算法已被成功应用于肺结节检测、乳腺肿瘤识别、眼底病变筛查等任务。皮肤病数据集的构建高质量的数据集是深度学习模型成功的关键。国际上有多个公开的皮肤病数据集如ISICInternational Skin Imaging Collaboration数据集包含数万张皮肤镜图像HAM10000数据集涵盖七类常见皮肤病变。然而现有公开数据集多为分类任务设计缺乏精确的病变边界框标注。本研究团队自主构建了一个包含边界框标注的皮肤病检测数据集为YOLO模型的训练和评估提供了数据基础。研究意义构建YOLO皮肤病识别检测系统具有重要的理论价值和临床意义。从理论层面本研究探索了目标检测算法在皮肤病领域的应用效果分析了不同类别病变的检测难度差异为算法优化提供了实验依据。从临床层面该系统可作为皮肤科医生的辅助诊断工具提高诊断效率和准确率特别是在医疗资源匮乏地区能够帮助基层医生提升诊疗水平促进优质医疗资源下沉。此外该系统还可用于患者自我筛查、远程医疗、医学教育等多个场景具有广阔的应用前景。数据集介绍本研究使用的数据集来源于合作医院的皮肤科门诊病例。数据集共包含973张标注图像按照约7:1:2的比例划分为训练集、验证集和测试集训练集681张图像用于模型参数学习验证集97张图像用于模型超参数调优和早停判断测试集195张图像用于最终性能评估类别分布本数据集包含七类皮肤病变均为临床常见且具有鉴别诊断难点的类型类别编号类别名称中文名称临床特点0Bowens Disease鲍温病原位鳞状细胞癌表现为红色斑块边界清晰1Basal Cell Carcinoma基底细胞癌最常见的皮肤恶性肿瘤生长缓慢局部破坏性强2Benign Keratosis Lesions良性角化病变包括脂溢性角化等良性病变形态多样3Dermatofibroma皮肤纤维瘤良性纤维组织增生常见于四肢质地坚硬4Melanoma黑色素瘤恶性程度最高的皮肤肿瘤易转移死亡率高5Melanocytic Nevus黑色素细胞痣良性色素痣但部分类型有恶变可能6Vascular Lesions血管性病变包括血管瘤、血管角皮瘤等呈红色或紫色训练结果1. 性能概览来自results.png训练损失train/box_loss,cls_loss,dfl_loss随着 epoch 增加逐步下降表明模型在学习。验证损失val/box_loss,cls_loss,dfl_loss也在下降说明模型没有过拟合。mAP50从 0.08 上升到0.18mAP50-95从 0.08 上升到0.20说明模型在检测和分类任务上都有一定提升但整体性能还有提升空间。2. 精度-置信度曲线BoxP_curve.png所有类别的精度在置信度接近 1.0 时达到1.00说明模型在高置信度下非常精准。但这也意味着模型可能对低置信度的预测不够自信可能会漏掉一些真实目标。3. 召回率-置信度曲线BoxR_curve.png在置信度最低时0.0所有类别的召回率最高达到0.91说明模型在低阈值下能捕获大多数真实目标。随着置信度提高召回率下降符合预期。4. 精确率-召回率曲线BoxPR_curve.png这是最有价值的图表之一展示了每个类别的精确率和召回率类别精确率召回率Bowens Disease0.870.97Basal Cell Carcinoma0.8450.95Benign Keratosis Lesions0.8580.96Dermatofibroma0.8260.92Melanoma0.6840.90Melanocytic Nevus0.9260.97Vascular Lesions0.970.98所有类别平均0.8540.95召回率整体很高多数 0.9说明模型漏检少。Vascular Lesions和Melanocytic Nevus表现最好。5. 混淆矩阵confusion_matrix_normalized.pngBowens Disease和Basal Cell Carcinoma容易互相混淆。Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集成残差对数似然估计(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频https://www.bilibili.com/video/BV1wXoKBhEqL/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1wXoKBhEqL/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1wXoKBhEqL/
