Başla

Beyin Tümörü Veri Kümesi

Open Brain Tumor Dataset In Colab

Ultralytics Beyin Tümörü veri kümesi; 1.115 beyin MRI görüntüsünden (994'ü eğitim, 121'i doğrulama için) ve tek bir sınıfta 1.180 sınırlayıcı kutu içeren bir nesne tespiti veri kümesidir: tumor. Her görüntüde 1 ila 3 tümör kutusu bulunur. Doğrulama bölümü, kimliği belirlenmiş 25 hastanın görüntülerini içerir ve kimliği belirlenmiş hiçbir hasta her iki bölümde birden yer almaz. 4,06 MB boyutundaki bu kompakt veri kümesi, sağlık uygulamaları için bilgisayarlı görü modellerini öğrenmek ve prototiplemek için uygundur; klinik olarak doğrulanmış bir tanı kaynağı değildir.



İzle: Ultralytics YOLO26 ve Ultralytics Platformunu Kullanarak Beyin Tümörü Algılama | Nesne Algılama 🚀

Veri Kümesi Yapısı#

Ultralytics Beyin Tümörü veri kümesi, brain-tumor.yaml yapılandırmasıyla tanımlanan iki bölümde 1.115 beyin MRI görüntüsü ve 1.180 sınırlayıcı kutu içerir:

BölümGörüntülerSınırlayıcı kutularHastalar
Eğit9941,057Kimlik numarası olan 95 hasta ve hasta kimliği bulunmayan 541 görüntü
Doğrulama12112325
Toplam1,1151,180

Her görüntüde tek sınıf olan tumor için 1 ila 3 sınırlayıcı kutu bulunur ve görüntü boyutları 192x256 ile 512x512 piksel arasında değişir. Yapılandırmada ayrı bir test bölümü tanımlanmamıştır.

Doğrulama bölümü

Doğrulama bölümü hastalara göre oluşturulmuştur. Bazı dosya adları beş basamaklı bir hasta kimliğiyle başlar: örneğin, 00097_77.jpg hasta 00097'e aittir. Bu hastalardan 25'inin kimliklerini içeren görüntüler doğrulama bölümünü, kimliği belirlenmiş diğer 95 hastanın görüntüleri ise eğitim bölümünü oluşturur; böylece kimliği belirlenmiş hiçbir hasta her iki bölümde birden yer almaz. Hasta kimliği dosya adında bulunmayan kalan 541 görüntünün tümü eğitim bölümündedir.

Veri kümesi, ilk eğitim sırasında Ultralytics GitHub varlıklarından otomatik olarak indirilir (4,06 MB); elle indirmen veya hazırlaman gerekmez.

Eski bir yerel kopyayı güncelleme

Veri kümesi, Kasım 2026'da tek bir tumor sınıfına geçirildi. Yerel brain-tumor/images/train klasöründe 994 yerine 893 görüntü varsa, veri kümeleri dizinindeki brain-tumor klasörünü sil (bkz. yolo settings içindeki datasets_dir) ve paketi pip install -U ultralytics ile güncelle. Güncel sürüm bir sonraki eğitim çalıştırmasında indirilir.

Görüntülere açıklama katmanlarıyla göz atmak, Grafikler sekmesinde sınıf dağılımını ve sınırlayıcı kutu ısı haritalarını görüntülemek ve bulutta kendi modelini eğitmek üzere veri kümesini klonlamak için Ultralytics Platform'da Beyin Tümörü sayfasını incele.

Uygulamalar#

Beyin tümörü tespit modelleri, beyin MRI görüntülerindeki tümörleri konumlandırır. 1.115 görüntü ve 4,06 MB indirme boyutuyla Ultralytics Beyin Tümörü veri kümesi şunlar için uygundur:

  • İş akışını öğrenme: Küçük bir veri kümesiyle tıbbi görüntüler üzerinde tüm eğitim, doğrulama ve tahmin döngüsünü çalıştırma.
  • Prototipleme: Daha büyük bir klinik veri kümesine geçmeden önce tümör konumlandırma işlem hattı oluşturma ve test etme.
  • Kimliği belirlenmiş hastalar üzerinde değerlendirme: 25 doğrulama hastasında tespit performansını ölçme. Eğitimdeki 541 görüntünün hasta kimliği bulunmadığından, bu hastalarla örtüşme olasılığı göz ardı edilemez.
  • Araştırma ve eğitim: Tespit modellerini karşılaştırma, tıbbi görüntü analizi ve radyolojide yapay zekâ konularını inceleme.

Bu veri kümesiyle eğitilen modeller araştırma ve eğitim amaçlıdır; klinik tanı için doğrulanmamıştır.

Veri Kümesi YAML Dosyası#

brain-tumor.yaml yapılandırması; veri kümesi yolunu, eğitim ve doğrulama görüntü klasörlerini, tek tumor sınıfını ve indirme URL'sini tanımlar. Etiketler Ultralytics YOLO biçimini kullanır.

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 (4.06 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') 994 images
val: images/val # val images (relative to 'path') 121 images

# Classes
names:
  0: tumor

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

Kullanım#

Beyin tümörü veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modelini eğitmek için aşağıdaki kod parçacıklarını kullan.

Eğitim Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)
Çıkarım Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("path/to/best.pt")  # Beyin tümörü verileriyle ince ayar yapılmış bir modeli yükle

# Modeli kullanarak çıkarım yap
results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda, Ultralytics Beyin Tümörü veri kümesinden açıklamalarıyla birlikte örnek görüntüler yer alıyor:

Ultralytics Beyin Tümörü veri kümesindeki, tümörlerin sınırlayıcı kutularla gösterildiği örnek beyin MRI görüntüleri

  • Açıklama Eklenmiş Görüntüler: Izgarada, her birinde lezyonun çevresinde tumor sınırlayıcı kutusu bulunan 16 eğitim görüntüsü gösteriliyor. Tümörlerin boyutu, şekli ve konumu veri kümesinde farklılık gösterir; bu da tespit modelinin genelleme yapmasına yardımcı olur.

Atıflar ve Teşekkürler#

Veri kümesi AGPL-3.0 Lisansı kapsamında sunulur.

Beyin tümörü veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan lütfen şu şekilde kaynak göster:

Atıf
@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}
}

Sık Sorulan Sorular#

  • Ultralytics Beyin Tümörü veri kümesinde 1.115 beyin MRI görüntüsü ve 1 sınıf, tumor bulunur: 1.057 sınırlayıcı kutu içeren 994 eğitim görüntüsü ve 123 sınırlayıcı kutu içeren 121 doğrulama görüntüsü. Her görüntüde 1 ila 3 kutu bulunur ve ayrı bir test bölümü yoktur. Bölümlerin ayrıntıları için Veri Kümesi Yapısı sayfasına bak.

  • Ultralytics Beyin Tümörü veri kümesi beyin MRI görüntüleri içerir, CT taraması içermez. Görüntü boyutları 192x256 ile 512x512 piksel arasında değişir ve her görüntü Ultralytics YOLO biçiminde 1 ila 3 tumor sınırlayıcı kutusuyla etiketlenmiştir.

  • Hayır, Ultralytics Beyin Tümörü veri kümesinde tümörsüz görüntü veya negatif sınıf bulunmaz. 1.115 görüntünün tümünde 1 ila 3 tumor sınırlayıcı kutusu vardır; dolayısıyla bu veri kümesiyle eğitilen bir model, taramanın sağlıklı olup olmadığını değil, tümörün nerede olduğunu öğrenir. Bu veri kümesiyle eğitilen modeller araştırma ve eğitim amaçlıdır; klinik tanı için kullanılmaz.

  • Ultralytics Beyin Tümörü veri kümesi hastalara göre ayrılmıştır: 121 doğrulama görüntüsünde 25 hastanın kimlikleri bulunur ve kimliği belirlenmiş hiçbir hasta her iki bölümde birden yer almaz. Hastalar, 00097_77.jpg gibi dosya adlarının başındaki beş basamaklı önekle belirlenir. Eğitim kümesinde kimliği belirlenmiş diğer 95 hastanın görüntüleriyle birlikte dosya adlarında hasta kimliği bulunmayan 541 görüntü yer alır.

  • Ultralytics Beyin Tümörü veri kümesi (4,06 MB), data="brain-tumor.yaml" ile ilk kez eğitim yaptığında Ultralytics GitHub varlıklarından otomatik olarak indirilir; elle indirmen gerekmez. Eğitimde 893 görüntü içeren eski bir kopya zaten diskte varsa, güncel tek sınıflı sürümün indirilmesi için önce kopyanın brain-tumor klasörünü sil ve ultralytics paketini güncelle. Daha küçük bir tıbbi görüntüleme veri kümesi için Tıbbi Haplar tespit veri kümesine göz at.

  • YOLO26'yı Ultralytics Beyin Tümörü veri kümesiyle eğitmek için data="brain-tumor.yaml" değerini train komutuna geçir; veri kümesi otomatik olarak indirilir. Aşağıdaki örneklerde YOLO26n, 640 görüntü boyutunda 100 epoch boyunca eğitilir:

    Eğitim Örneği
    from ultralytics import YOLO
    
    # Bir model yükle
    model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
    
    # Modeli eğit
    results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

    Kullanılabilir bağımsız değişkenlerin ayrıntılı listesi için Eğitim sayfasına bak.

  • Ultralytics Beyin Tümörü veri kümesi üzerinde ince ayar yapılmış bir YOLO26 modeliyle çıkarım yapmak için best.pt ağırlıklarını yükle ve beyin MRI görüntüsünde predict çağrısını yap. Her sonuçta güven puanlarıyla birlikte tumor sınırlayıcı kutuları bulunur:

    Çıkarım Örneği
    from ultralytics import YOLO
    
    # Bir model yükle
    model = YOLO("path/to/best.pt")  # Beyin tümörü verileriyle ince ayar yapılmış bir modeli yükle
    
    # Modeli kullanarak çıkarım yap
    results = model.predict("https://ultralytics.com/assets/brain-tumor-sample.jpg")
  • Ultralytics Beyin Tümörü veri kümesi Ultralytics tarafından oluşturulmuş ve AGPL-3.0 Lisansı kapsamında yayımlanmıştır.

Yorumlar11

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

    1. Paula DerrengerUltralytics(düzenlendi)

      Hey there! 😊 The easiest way is to train with data=brain-tumor.yaml, which downloads the dataset automatically the first time. To download it manually, use:

      wget https://github.com/ultralytics/assets/releases/download/v0.0.0/brain-tumor.zip
      unzip brain-tumor.zip -d path/to/destination

      Replace path/to/destination with the directory where you'd like the dataset stored. Once you have the dataset, you're all set to start training or inferencing with YOLO models on brain tumor images!

      Should you need further guidance, feel free to ask. Happy coding! 🚀

  1. G-qingqianGitHub

    Thank you for your reply. I noticed that in the original dataset, the images in the train folder do have ID prefixes, but the images in the val folder are all prefixed with val1_, making it impossible to distinguish which patient the data belongs to. Therefore, I cannot redivide the dataset. Could you please provide data with complete identifiers? ---- Replied Message ---- FromGlenn @.>Date1/18/2026 @.>@.>, @.>SubjectRe: [ultralytics/ultralytics] zh/datasets/detect/brain-tumor/ (Discussion #9988) The packaged brain-tumor dataset split is provided at the image-folder level and doesn’t ship patient IDs/metadata, so we can’t guarantee a patient-disjoint (no same patient in both train/val) split; if you need patient-wise separation, you’ll need to rebuild the split from patient identifiers and point a custom YAML to *.txt image lists (supported by Ultralytics YOLO), e.g. see the provided config in the Brain Tumor dataset docs and the brain-tumor.yaml in the repo.

    my-brain-tumor.yaml path: /data/brain-tumor train: splits/train.txt # one image path per line (ideally grouped by patient ID when you create it) val: splits/val.txt names: 0: negative 1: positive

    — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.***>

    1. Glenn JocherUltralytics

      The packaged brain-tumor zip only includes image-level labels with anonymized filenames (no patient IDs/metadata), so we can’t provide “complete identifiers” or guarantee a patient-disjoint re-split; for patient-wise splitting you’ll need to rebuild from a source that includes patient IDs (e.g., your DICOM/NIfTI originals) and then generate train.txt/val.txt, and if you just need stronger evaluation without IDs you can use our K-Fold Cross Validation guide—please keep follow-ups here in the GitHub discussion (we can’t provide support over email/DM).

  2. G-qingqianGitHub

    Can your dataset ensure that the data are independently and identically distributed by patient? That is, there will be no data from the same patient in both the training set and the validation set.

    1. Glenn JocherUltralytics

      The packaged brain-tumor dataset split is provided at the image-folder level and doesn’t ship patient IDs/metadata, so we can’t guarantee a patient-disjoint (no same patient in both train/val) split; if you need patient-wise separation, you’ll need to rebuild the split from patient identifiers and point a custom YAML to *.txt image lists (supported by Ultralytics YOLO), e.g. see the provided config in the Brain Tumor dataset docs and the brain-tumor.yaml in the repo.

      # my-brain-tumor.yaml
      path: /data/brain-tumor
      train: splits/train.txt  # one image path per line (ideally grouped by patient ID when you create it)
      val: splits/val.txt
      names:
        0: negative
        1: positive
  3. pizzas17GitHub

    How could I download this dataset on COCO format or how could I convert it? (Since I wish to have an EDA on it

  4. xySun17GitHub

    How can i train the yoloV8 using this dataset without loading the pre-trained weights?

    1. Paula DerrengerUltralytics(düzenlendi)

      @xySun17 hello!

      To train YOLO26 without loading the pre-trained weights, you can initialize the model from scratch by specifying the model architecture file (e.g., yolo26n.yaml) instead of the pre-trained weights file. Here’s how you can do it:

      Python
      from ultralytics import YOLO
      
      # Load a model architecture without pre-trained weights
      model = YOLO("yolo26n.yaml")  # build a new model from YAML
      
      # Train the model
      results = model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)
      CLI
      # Train from scratch using the model architecture file
      yolo detect train data=brain-tumor.yaml model=yolo26n.yaml epochs=100 imgsz=640

      This approach ensures that the model starts training with random weights rather than pre-trained ones. If you encounter any issues, please ensure you are using the latest version of the Ultralytics package and provide a minimum reproducible example if the problem persists. You can find more details on creating a reproducible example here.

      Feel free to reach out if you have any further questions. Happy training! 🚀

      1
    2. xySun17GitHub

      Thank you!! However, there is another problem, that is, why it says the path of dataset is not found? I already downloaded the dataset files and changed the path in "brain-tumor.yaml" file.

      The threw error was follows: "Dataset 'brain-tumor.yaml' images not found ⚠️, missing path '/valid/images' Note dataset download directory is '/home/ros/datasets'. You can update this in '/home/ros/.config/Ultralytics/settings.yaml'"

    3. Paula DerrengerUltralytics(düzenlendi)

      Hello @xySun17,

      Thank you for reaching out! It looks like the issue might be related to the dataset path configuration in your brain-tumor.yaml file. Here are a few steps to troubleshoot and resolve this:

      1. Verify Dataset Path: Ensure that the paths specified in your brain-tumor.yaml file correctly point to the locations of your dataset images. For example:

        path: /home/ros/datasets/brain-tumor
        train: images/train
        val: images/val
      2. Check Directory Structure: Confirm that the directory structure matches what is specified in the YAML file. The images/train and images/val directories should exist within /home/ros/datasets/brain-tumor.

      3. Update Configuration: If the dataset is located in a different directory, update the path in the YAML file accordingly. For instance, if your dataset is in /home/ros/my-datasets/brain-tumor, update the path to:

        path: /home/ros/my-datasets/brain-tumor
      4. Reproducible Example: If the issue persists, providing a minimum reproducible example can greatly help in diagnosing the problem. You can find guidance on creating a reproducible example here.

      5. Latest Version: Ensure you are using the latest version of the Ultralytics package. You can update it using:

        pip install --upgrade ultralytics

      Here’s an example of how your brain-tumor.yaml should look:

      # 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
      
      path: /home/ros/datasets/brain-tumor  # dataset root dir
      train: images/train  # train images (relative to 'path')
      val: images/val  # val 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

      If you follow these steps and still encounter issues, please share more details or any error messages you receive. This will help us assist you better.

      Best regards and happy coding! 🚀