Dataset di tumori cerebrali#
Il dataset di tumori cerebrali di Ultralytics è un dataset per il rilevamento di oggetti composto da 1.116 immagini mediche (893 per l'addestramento e 223 per la convalida) provenienti da scansioni MRI e CT, annotate in 2 classi: negative (nessun tumore) e positive (tumore presente). Ti consente di addestrare modelli di visione artificiale per localizzare i tumori cerebrali nelle scansioni, supportando la diagnosi precoce e la pianificazione del trattamento nelle applicazioni sanitarie.
Watch: Brain Tumor Detection using Ultralytics Platform with Ultralytics YOLO26 | Object Detection 🚀
Struttura del dataset#
Il dataset di tumori cerebrali contiene 1.116 immagini suddivise in due sottoinsiemi predefiniti, definiti dalla configurazione brain-tumor.yaml:
| Suddivisione | Immagini | Annotazioni |
|---|---|---|
| Addestramento | 893 | Sì |
| Convalida | 223 | Sì |
Ogni immagine è annotata con una delle 2 classi:
negative: immagini senza tumore cerebralepositive: immagini che mostrano un tumore cerebrale
Il dataset viene scaricato automaticamente (4,21 MB) dagli asset di Ultralytics su GitHub la prima volta che esegui l'addestramento, quindi non è necessaria alcuna configurazione manuale.
Esplora Brain Tumor su Ultralytics Platform per sfogliare le immagini con le relative sovrapposizioni delle annotazioni, visualizzare la distribuzione delle classi e le mappe di calore dei riquadri di delimitazione nella scheda Charts, quindi clonarlo per addestrare il tuo modello nel cloud.
Applicazioni#
Il rilevamento dei tumori cerebrali con la visione artificiale consente la diagnosi precoce, la pianificazione del trattamento e il monitoraggio della progressione del tumore. Analizzando scansioni MRI o CT, i modelli di rilevamento localizzano con precisione i tumori, favorendo interventi medici tempestivi e trattamenti personalizzati.
I professionisti sanitari possono sfruttare questa tecnologia per:
- Ridurre i tempi diagnostici e migliorare la precisione
- Supportare la pianificazione chirurgica localizzando con precisione i tumori
- Monitorare nel tempo l'efficacia del trattamento
- Supportare la ricerca in oncologia e neurologia
YAML del dataset#
Un file YAML definisce la configurazione del dataset, inclusi percorsi, classi e altre informazioni pertinenti. Per il dataset di tumori cerebrali, il file brain-tumor.yaml è mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml.
# 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.zipUtilizzo#
Per addestrare un modello YOLO26 sul dataset di tumori cerebrali per 100 epoche con una dimensione delle immagini di 640, utilizza gli snippet di codice forniti. Per un elenco dettagliato degli argomenti disponibili, consulta la pagina Training del modello.
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")Immagini ed esempi di annotazioni#
Il dataset di tumori cerebrali contiene scansioni MRI e CT del cervello con e senza tumori. Di seguito è riportata un'immagine di esempio del dataset con le relative annotazioni.

- Immagine mosaicizzata: questo batch di addestramento mostra immagini del dataset mosaicizzate. La mosaicizzazione combina più immagini in una durante l'addestramento, aumentando la varietà del batch affinché il modello generalizzi meglio tra tumori di diverse dimensioni, forme e posizioni per l'analisi delle immagini mediche.
Citazioni e ringraziamenti#
Il dataset è stato reso disponibile ai sensi della Licenza AGPL-3.0.
Se utilizzi questo dataset nelle tue attività di ricerca o sviluppo, citalo in modo appropriato:
@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}
}FAQ#
Il dataset di tumori cerebrali contiene 1.116 immagini suddivise in due sottoinsiemi: un set di addestramento di 893 immagini e un set di convalida di 223 immagini, ciascuno con annotazioni associate. Questa suddivisione strutturata supporta lo sviluppo di modelli di visione artificiale robusti e accurati per il rilevamento dei tumori cerebrali. Per ulteriori informazioni, consulta la sezione Struttura del dataset.
Il dataset di tumori cerebrali contiene 2 classi:
negative(immagini senza tumore cerebrale) epositive(immagini che mostrano un tumore cerebrale). Questa annotazione binaria consente a un modello di rilevamento sia di localizzare un tumore sia di segnalare le scansioni in cui non è presente.Il dataset di tumori cerebrali (4,21 MB) viene scaricato automaticamente dagli asset di Ultralytics su GitHub la prima volta che esegui l'addestramento con
data="brain-tumor.yaml"— non è necessario alcun download manuale. Puoi esplorare dataset correlati nella panoramica dei dataset di rilevamento.Puoi addestrare un modello YOLO26 sul dataset di tumori cerebrali per 100 epoche con una dimensione delle immagini di 640px utilizzando sia Python sia CLI. Di seguito sono riportati gli esempi per entrambi:
Esempio di addestramentofrom 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)Per un elenco dettagliato degli argomenti disponibili, consulta la pagina Training.
L'utilizzo del dataset di tumori cerebrali nei progetti di AI consente la diagnosi precoce e la pianificazione del trattamento dei tumori cerebrali. Aiuta ad automatizzare l'identificazione dei tumori cerebrali tramite la visione artificiale, facilitando interventi medici accurati e tempestivi e supportando strategie di trattamento personalizzate. Questa applicazione offre un potenziale significativo per migliorare gli esiti dei pazienti e l'efficienza dell'assistenza medica. Per ulteriori informazioni sulle applicazioni dell'AI nel settore sanitario, consulta le soluzioni sanitarie di Ultralytics.
L'inferenza utilizzando un modello YOLO26 ottimizzato può essere eseguita con approcci Python o CLI. Ecco gli esempi:
Esempio di inferenzafrom 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")Il file di configurazione YAML per il dataset di tumori cerebrali è disponibile all'indirizzo brain-tumor.yaml. Questo file include percorsi, classi e ulteriori informazioni pertinenti necessarie per addestrare e valutare i modelli su questo dataset.



