Link to this sectionDataset sui tumori cerebrali#

Il dataset Ultralytics Brain Tumor è un dataset di object detection composto da 1.116 immagini mediche (893 per l'addestramento e 223 per la validazione) provenienti da scansioni MRI e CT, etichettate in 2 classi: negative (nessun tumore) e positive (tumore presente). Ti permette di addestrare modelli di computer vision per localizzare tumori cerebrali nelle scansioni, supportando la diagnosi precoce e la pianificazione del trattamento nelle healthcare applications.

Link to this sectionStruttura del dataset#

Il dataset sui tumori cerebrali contiene 1.116 immagini suddivise in due sottoinsiemi predefiniti, definiti dalla configurazione brain-tumor.yaml:

Ogni immagine è etichettata con una delle 2 classi:

• negative: immagini senza un tumore cerebrale
• positive: immagini che mostrano un tumore cerebrale

Il dataset viene scaricato automaticamente (4,21 MB) dagli asset GitHub di Ultralytics la prima volta che esegui l'addestramento, quindi non è necessaria alcuna configurazione manuale.

Esplora Brain Tumor on Ultralytics Platform per sfogliare le immagini con le loro annotazioni sovrapposte, visualizzare la distribuzione delle classi e le heatmap dei bounding box nella scheda Charts, e clonalo per addestrare il tuo modello nel cloud.

Link to this sectionApplicazioni#

La rilevazione dei tumori cerebrali con la computer vision consente una early diagnosis, la pianificazione del trattamento e il monitoraggio della progressione tumorale. Analizzando scansioni MRI o CT, i modelli di rilevazione localizzano accuratamente i tumori, supportando un intervento medico tempestivo e trattamenti personalizzati.

I professionisti del settore medico possono sfruttare questa tecnologia per:

• Ridurre i tempi diagnostici e migliorare l'accuratezza
• Assistere nella pianificazione chirurgica localizzando con precisione i tumori
• Monitorare l'efficacia del trattamento nel tempo
• Supportare la ricerca in oncologia e neurologia

Link to this sectionDataset YAML#

Un file YAML definisce la configurazione del dataset, inclusi percorsi, classi e altre informazioni rilevanti. Per il dataset dei 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.zip

Link to this sectionUtilizzo#

Per addestrare un modello YOLO26 sul dataset dei tumori cerebrali per 100 epochs con una dimensione dell'immagine di 640, utilizza i frammenti di codice forniti. Per un elenco dettagliato degli argomenti disponibili, consulta la pagina di 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")

Link to this sectionEsempi di immagini e annotazioni#

Il dataset sui tumori cerebrali contiene scansioni cerebrali MRI e CT con e senza tumori. Di seguito è riportata un'immagine di esempio dal dataset con le relative annotazioni.

• Mosaiced Image: Questo batch di addestramento mostra immagini del dataset in mosaico. Il mosaico combina più immagini in una durante l'addestramento, aumentando la diversità dei batch in modo che il modello si generalizzi meglio tra dimensioni, forme e posizioni dei tumori per l'medical image analysis.

Link to this sectionCitazioni e riconoscimenti#

Il dataset è stato reso disponibile sotto la Licenza AGPL-3.0.

Se utilizzi questo dataset nel tuo lavoro 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/}
}

Link to this sectionFAQ#

Link to this sectionQual è la struttura del dataset sui tumori cerebrali disponibile nella documentazione di Ultralytics?#

Il dataset sui tumori cerebrali contiene 1.116 immagini suddivise in due sottoinsiemi: un training set di 893 immagini e un validation set di 223 immagini, ciascuno con annotazioni abbinate. Questa suddivisione strutturata supporta lo sviluppo di modelli di computer vision robusti e accurati per il rilevamento di tumori cerebrali. Per ulteriori informazioni, consulta la sezione Dataset Structure.

Link to this sectionQuali classi contiene il dataset sui tumori cerebrali?#

Il dataset sui tumori cerebrali ha 2 classi: negative (immagini senza un tumore cerebrale) e positive (immagini che mostrano un tumore cerebrale). Questa etichettatura binaria consente a un modello di rilevazione sia di localizzare un tumore che di segnalare scansioni in cui non è presente nulla.

Link to this sectionCome scarico il dataset sui tumori cerebrali?#

Il dataset sui tumori cerebrali (4,21 MB) si scarica automaticamente dagli asset GitHub di Ultralytics la prima volta che esegui l'addestramento con data="brain-tumor.yaml" — non è richiesto alcun download manuale. Puoi sfogliare i dataset correlati nella detection datasets overview.

Link to this sectionCome posso addestrare un modello YOLO26 sul dataset dei tumori cerebrali utilizzando Ultralytics?#

Puoi addestrare un modello YOLO26 sul dataset dei tumori cerebrali per 100 epoche con una dimensione dell'immagine di 640px utilizzando sia Python che i metodi CLI. Di seguito sono riportati gli esempi per entrambi:

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)

Per un elenco dettagliato degli argomenti disponibili, fai riferimento alla pagina Addestramento.

Link to this sectionQuali sono i vantaggi dell'utilizzo del dataset sui tumori cerebrali per l'IA nella sanità?#

L'utilizzo del dataset sui tumori cerebrali in progetti di AI consente la diagnosi precoce e la pianificazione del trattamento per i tumori cerebrali. Aiuta ad automatizzare l'identificazione dei tumori cerebrali tramite la computer vision, facilitando interventi medici accurati e tempestivi e supportando strategie di trattamento personalizzate. Questa applicazione ha un potenziale significativo nel migliorare gli esiti per i pazienti e l'efficienza medica. Per ulteriori approfondimenti sulle applicazioni dell'AI in ambito sanitario, consulta le soluzioni sanitarie di Ultralytics.

Link to this sectionCome eseguo l'inferenza utilizzando un modello YOLO26 perfezionato sul dataset dei tumori cerebrali?#

L'inferenza utilizzando un modello YOLO26 perfezionato può essere eseguita con approcci Python o CLI. Ecco gli esempi:

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 sectionDove posso trovare la configurazione YAML per il dataset sui tumori cerebrali?#

Il file di configurazione YAML per il dataset sui tumori cerebrali si trova su brain-tumor.yaml. Questo file include percorsi, classi e ulteriori informazioni rilevanti necessarie per l'addestramento e la valutazione dei modelli su questo dataset.