Hirntumor-Datensatz

A brain tumor detection dataset consists of medical images from MRI or CT scans, containing information about brain tumor presence, location, and characteristics. This dataset is essential for training computer vision algorithms to automate brain tumor identification, aiding in early diagnosis and treatment planning.

Pass auf: Erkennung von Hirntumoren mit Ultralytics HUB

Struktur des Datensatzes

Der Hirntumor-Datensatz ist in zwei Teilmengen unterteilt:

• Trainingsset: Bestehend aus 893 Bildern, die jeweils mit entsprechenden Kommentaren versehen sind.
• Testsatz: Bestehend aus 223 Bildern, zu denen jeweils zwei Anmerkungen gemacht wurden.

Anwendungen

Die Erkennung von Hirntumoren mithilfe von Computer Vision ermöglicht eine frühzeitige Diagnose, Behandlungsplanung und Überwachung des Tumorverlaufs. Durch die Analyse medizinischer Bilddaten wie MRT- oder CT-Scans helfen Bildverarbeitungssysteme bei der genauen Identifizierung von Hirntumoren und unterstützen so rechtzeitige medizinische Eingriffe und personalisierte Behandlungsstrategien.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen über die Pfade des Datensatzes, die Klassen und andere relevante Informationen. Im Fall des Hirntumordatensatzes ist die 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

To train a YOLO11n model on the brain tumor dataset for 100 epochs with an image size of 640, utilize the provided code snippets. For a detailed list of available arguments, consult the model's Training page.

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 Anmerkungen

Der Hirntumor-Datensatz umfasst eine Vielzahl von Bildern mit verschiedenen Objektkategorien und komplexen Szenen. Im Folgenden findest du Beispiele für Bilder aus dem Datensatz, die mit den entsprechenden Kommentaren versehen sind

• Mosaikbild: Hier siehst du einen Trainingsstapel mit Mosaikbildern aus dem Datensatz. Bei der Mosaikbildung werden mehrere Bilder zu einem einzigen zusammengefasst, um die Vielfalt des Stapels zu erhöhen. Dieser Ansatz verbessert die Fähigkeit des Modells, über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu generalisieren.

Dieses Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder im Hirntumordatensatz und unterstreicht die Vorteile der Mosaikbildung in der Trainingsphase.

Zitate und Danksagungen

Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.

FAQ

Wie ist der Hirntumor-Datensatz in der Dokumentation von 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 findest du im Abschnitt Struktur des Datensatzes.

How can I train a YOLO11 model on the brain tumor dataset using Ultralytics?

You can train a YOLO11 model on the brain tumor dataset for 100 epochs with an image size of 640px using both Python and CLI methods. Below are the examples for both:

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 findest du auf der Seite Training.

Welche Vorteile hat die Nutzung 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.

How do I perform inference using a fine-tuned YOLO11 model on the brain tumor dataset?

Inference using a fine-tuned YOLO11 model can be performed with either Python or CLI approaches. Here are the examples:

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 Hirntumor-Datensatz findest du 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 notwendig sind.

📅 Erstellt vor 6 Monaten ✏️ Aktualisiert vor 8 Tagen

Kommentare