Link to this sectionBrain-Tumor-Datensatz#

Das Ultralytics Brain Tumor Dataset ist ein object detection Datensatz mit 1.116 medizinischen Bildern (893 für das Training und 223 für die Validierung) aus MRT- und CT-Scans, die in 2 Klassen unterteilt sind: negative (kein Tumor) und positive (Tumor vorhanden). Es ermöglicht dir das Training von computer vision Modellen zur Lokalisierung von Hirntumoren in Scans, was die Frühdiagnose und Behandlungsplanung in healthcare applications unterstützt.

Link to this sectionDatensatzstruktur#

Der Datensatz für Hirntumoren enthält 1.116 Bilder, die in zwei vordefinierte Teilmengen aufgeteilt sind, welche durch die brain-tumor.yaml Konfiguration festgelegt wurden:

Jedes Bild ist mit einer von 2 Klassen gekennzeichnet:

• negative: Bilder ohne Hirntumor
• positive: Bilder, die einen Hirntumor zeigen

Der Datensatz wird beim ersten Training automatisch von den Ultralytics GitHub Assets heruntergeladen (4,21 MB), daher ist keine manuelle Einrichtung erforderlich.

Erkunde Brain Tumor on Ultralytics Platform, um die Bilder mit ihren Annotations-Overlays zu durchsuchen, die Klassenverteilung und Bounding-Box-Heatmaps im Charts-Tab anzusehen und ihn zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Link to this sectionAnwendungen#

Die Erkennung von Hirntumoren mit computer vision ermöglicht early diagnosis, Behandlungsplanung und die Überwachung des Tumorverlaufs. Durch die Analyse von MRT- oder CT-Scans lokalisieren Erkennungsmodelle Tumoren präzise und unterstützen so eine rechtzeitige medizinische Intervention und personalisierte Behandlung.

Medizinische Fachkräfte können diese Technologie nutzen, um:

• Die Diagnosezeit zu verkürzen und die Genauigkeit zu verbessern
• Bei der Operationsplanung durch präzise Tumorlokalisierung zu unterstützen
• Die Wirksamkeit der Behandlung im Zeitverlauf zu überwachen
• Forschung in der Onkologie und Neurologie zu unterstützen

Link to this sectionDatensatz-YAML#

Eine YAML-Datei definiert die Dataset-Konfiguration, einschließlich Pfaden, Klassen und anderen relevanten Informationen. Für das Brain-Tumor-Dataset wird die brain-tumor.yaml-Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml gepflegt.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Brain-tumor dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/brain-tumor
# Example usage: yolo train data=brain-tumor.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── brain-tumor ← downloads here (4.21 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: brain-tumor # dataset root dir
train: images/train # train images (relative to 'path') 893 images
val: images/val # val images (relative to 'path') 223 images

# Classes
names:
  0: negative
  1: positive

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/brain-tumor.zip

Link to this sectionVerwendung#

Um ein YOLO26-Modell auf dem Gehirntumor-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die bereitgestellten Code-Snippets. Eine detaillierte Liste der verfügbaren Argumente findest du auf der Training-Seite des Modells.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load a brain-tumor fine-tuned model

# Inference using the model
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")

Link to this sectionBeispielbilder und Annotationen#

Der Hirntumor-Datensatz enthält MRT- und CT-Gehirnscans mit und ohne Tumore. Unten siehst du ein Beispielbild aus dem Datensatz mit seinen Annotationen.

• Mosaiced Image: Dieser Trainings-Batch zeigt mosaikartige Datensatzbilder. Mosaicing kombiniert während des Trainings mehrere Bilder zu einem, was die Batch-Vielfalt erhöht, sodass das Modell bei medical image analysis besser über verschiedene Tumorgrößen, -formen und -positionen hinweg generalisiert.

Link to this sectionZitate und Danksagungen#

Der Datensatz wurde unter der AGPL-3.0-Lizenz zur Verfügung gestellt.

Wenn du diesen Datensatz für deine Forschung oder Entwicklungsarbeit verwendest, zitiere ihn bitte angemessen:

@dataset{Ultralytics_Brain_Tumor_Dataset_2023,
    author = {Ultralytics},
    title = {Brain Tumor Detection Dataset},
    year = {2023},
    publisher = {Ultralytics},
    url = {https://docs.ultralytics.com/datasets/detect/brain-tumor/}
}

Link to this sectionFAQ#

Link to this sectionWie ist der in der Ultralytics-Dokumentation verfügbare Hirntumor-Datensatz strukturiert?#

Der Hirntumor-Datensatz umfasst 1.116 Bilder, unterteilt in zwei Teilmengen: ein training set mit 893 Bildern und ein validation set mit 223 Bildern, jeweils mit zugehörigen Annotationen. Diese strukturierte Aufteilung unterstützt die Entwicklung robuster und präziser Computer-Vision-Modelle zur Erkennung von Hirntumoren. Weitere Informationen findest du im Abschnitt Dataset Structure.

Link to this sectionWelche Klassen enthält der Hirntumor-Datensatz?#

Der Hirntumor-Datensatz hat 2 Klassen: negative (Bilder ohne Hirntumor) und positive (Bilder mit Hirntumor). Diese binäre Kennzeichnung ermöglicht es einem Erkennungsmodell, sowohl einen Tumor zu lokalisieren als auch Scans zu markieren, bei denen kein Tumor vorhanden ist.

Link to this sectionWie lade ich den Hirntumor-Datensatz herunter?#

Der Hirntumor-Datensatz (4,21 MB) wird beim ersten Training mit data="brain-tumor.yaml" automatisch von den Ultralytics GitHub Assets heruntergeladen – ein manueller Download ist nicht erforderlich. Du kannst verwandte Datensätze in der detection datasets overview durchsuchen.

Link to this sectionWie kann ich mit Ultralytics ein YOLO26-Modell auf dem Hirntumor-Datensatz trainieren?#

Du kannst ein YOLO26-Modell auf dem Hirntumor-Datensatz für 100 Epochen bei einer Bildgröße von 640px sowohl mit Python- als auch mit CLI-Methoden trainieren. Nachfolgend findest du die Beispiele für beides:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

Eine detaillierte Liste der verfügbaren Argumente findest du auf der Seite Training.

Link to this sectionWas sind die Vorteile der Nutzung des Hirntumor-Datensatzes für KI im Gesundheitswesen?#

Die Verwendung des Hirntumor-Datensatzes in KI-Projekten ermöglicht die Frühdiagnose und Behandlungsplanung bei Hirntumoren. Er hilft dabei, die Identifizierung von Hirntumoren mittels computer vision zu automatisieren, was genaue und rechtzeitige medizinische Eingriffe erleichtert und personalisierte Behandlungsstrategien unterstützt. Diese Anwendung bietet erhebliches Potenzial zur Verbesserung der Patientenergebnisse und der medizinischen Effizienz. Weitere Einblicke in KI-Anwendungen im Gesundheitswesen findest du in den Ultralytics' healthcare solutions.

Link to this sectionWie führe ich eine Inferenz mit einem feinabgestimmten YOLO26-Modell auf dem Hirntumor-Datensatz durch?#

Die Inferenz mit einem feinabgestimmten YOLO26-Modell kann entweder über Python- oder CLI-Ansätze durchgeführt werden. Hier sind die Beispiele:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load a brain-tumor fine-tuned model

# Inference using the model
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")

Link to this sectionWo finde ich die YAML-Konfiguration für den Hirntumor-Datensatz?#

Die YAML-Konfigurationsdatei für den Hirntumor-Datensatz findest du unter brain-tumor.yaml. Diese Datei enthält Pfade, Klassen und weitere relevante Informationen, die für das Training und die Evaluierung von Modellen auf diesem Datensatz erforderlich sind.