Hirntumor-Datensatz

Ein Datensatz zur Erkennung von Hirntumoren besteht aus medizinischen Bildern von MRT- oder CT-Scans, die Informationen über das Vorhandensein, die Lage und die Merkmale von Hirntumoren enthalten. Dieser Datensatz ist für das Training von Computer-Vision-Algorithmen zur automatischen Erkennung von Hirntumoren unerlässlich und hilft bei der Frühdiagnose und Behandlungsplanung.

Beobachten: Erkennung von Hirntumoren mit Ultralytics HUB

Struktur des Datensatzes

Der Hirntumor-Datensatz ist in zwei Teilmengen unterteilt:

• Übungssatz: Bestehend aus 893 Bildern, die jeweils mit entsprechenden Kommentaren versehen sind.
• Testsatz: Bestehend aus 223 Bildern, mit jeweils gepaarten Kommentaren.

Anwendungen

Die Erkennung von Hirntumoren mit Hilfe von Computer Vision ermöglicht eine frühzeitige Diagnose, Behandlungsplanung und Überwachung des Tumorwachstums. Durch die Analyse medizinischer Bildgebungsdaten wie MRT- oder CT-Scans helfen Bildverarbeitungssysteme bei der genauen Identifizierung von Hirntumoren und unterstützen so ein rechtzeitiges medizinisches Eingreifen und personalisierte Behandlungsstrategien.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird zur Definition der Datensatzkonfiguration verwendet. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Informationen. Im Fall des Hirntumordatensatzes ist die Datei brain-tumor.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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 (4.05 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: ../datasets/brain-tumor # dataset root dir
train: train/images # train images (relative to 'path') 893 images
val: valid/images # val images (relative to 'path') 223 images
test: # test images (relative to 'path')

# Classes
names:
  0: negative
  1: positive

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

Verwendung

Um ein YOLO11n-Modell auf dem Gehirntumor-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die bereitgestellten Codeschnipsel. Eine detaillierte Liste der verfügbaren Argumente finden Sie auf der Seite Training des Modells.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=brain-tumor.yaml model=yolo11n.pt 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")

# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/brain-tumor-sample.jpg"

Beispielbilder und -kommentare

Der Hirntumordatensatz umfasst eine breite Palette von Bildern mit verschiedenen Objektkategorien und komplexen Szenen. Nachfolgend sind Beispiele von Bildern aus dem Datensatz mit den entsprechenden Anmerkungen aufgeführt

• Mosaikbild: Hier wird ein Trainingsstapel mit Mosaikbildern aus dem Datensatz angezeigt. Bei der Mosaikbildung handelt es sich um eine Trainingstechnik, bei der mehrere Bilder zu einem einzigen zusammengefügt werden, um die Vielfalt des Stapels zu erhöhen. Dieser Ansatz trägt dazu bei, die Fähigkeit des Modells zur Generalisierung über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu verbessern.

Dieses Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder innerhalb des Hirntumordatensatzes und unterstreicht die Vorteile der Mosaikbildung während der Trainingsphase.

Zitate und Danksagungen

Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.

FAQ

Wie ist der Datensatz zu Hirntumoren in der Dokumentation Ultralytics aufgebaut?

Der Hirntumor-Datensatz ist in zwei Teilmengen unterteilt: Der Trainingssatz besteht aus 893 Bildern mit entsprechenden Anmerkungen, während der Testsatz 223 Bilder mit gepaarten Anmerkungen umfasst. Diese strukturierte Aufteilung hilft bei der Entwicklung robuster und genauer Computer-Vision-Modelle zur Erkennung von Hirntumoren. Weitere Informationen über die Struktur des Datensatzes finden Sie im Abschnitt Struktur des Datensatzes.

Wie kann ich ein YOLO11 Modell auf den Hirntumor-Datensatz mit Ultralytics trainieren?

Sie können ein YOLO11 Modell auf dem Hirntumor-Datensatz für 100 Epochen mit einer Bildgröße von 640px trainieren, indem Sie die Methoden Python und CLI verwenden. Nachfolgend finden Sie die Beispiele für beide Methoden:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=brain-tumor.yaml model=yolo11n.pt epochs=100 imgsz=640

Eine detaillierte Liste der verfügbaren Argumente finden Sie auf der Seite Schulung.

Welche Vorteile bietet die Verwendung des Hirntumordatensatzes für KI im Gesundheitswesen?

Die Verwendung des Hirntumordatensatzes in KI-Projekten ermöglicht eine frühzeitige Diagnose und Behandlungsplanung für Hirntumore. Er hilft bei der automatischen Erkennung von Hirntumoren durch Computer Vision, erleichtert genaue und rechtzeitige medizinische Eingriffe und unterstützt personalisierte Behandlungsstrategien. Diese Anwendung birgt ein erhebliches Potenzial zur Verbesserung der Patientenergebnisse und der medizinischen Effizienz.

Wie führe ich Schlussfolgerungen mit einem fein abgestimmten YOLO11 Modell für den Hirntumor-Datensatz durch?

Schlussfolgerungen unter Verwendung eines fein abgestimmten YOLO11 Modells können entweder mit Python oder CLI 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")

# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/brain-tumor-sample.jpg"

Wo kann ich die YAML-Konfiguration für den Hirntumor-Datensatz finden?

Die YAML-Konfigurationsdatei für den Gehirntumor-Datensatz finden Sie unter brain-tumor.yaml. Diese Datei enthält Pfade, Klassen und weitere relevante Informationen, die für das Training und die Auswertung von Modellen auf diesem Datensatz erforderlich sind.

📅 Erstellt vor 8 Monaten ✏️ Aktualisiert vor 1 Monat

Kommentare