Tập dữ liệu u não#

1,116

brain tumor

ultralytics

publicDetect

Brain Tumor is a compact MRI collection for localization-oriented medical imaging. Bounding-box labels distinguish positive and negative tumor targets, supporting experiments in lesion detection across varied brain anatomy, scan contrast, tumor appearance, and background tissue.

62 classes9.5 MBSep 2, 2026

negativepositive

Tập dữ liệu u não của Ultralytics là một tập dữ liệu phát hiện đối tượng gồm 1.116 ảnh y khoa (893 ảnh dùng để huấn luyện và 223 ảnh dùng để validation) từ các ảnh chụp MRI và CT, được gắn nhãn theo 2 lớp: negative (không có u) và positive (có u). Tập dữ liệu này cho phép bạn huấn luyện các model thị giác máy tính để xác định vị trí u não trong ảnh chụp, hỗ trợ chẩn đoán sớm và lập kế hoạch điều trị trong các ứng dụng chăm sóc sức khỏe.

Cấu trúc bộ dữ liệu#

Tập dữ liệu u não chứa 1.116 ảnh được chia thành hai tập con được định nghĩa trước, theo cấu hình brain-tumor.yaml:

Mỗi ảnh được gắn nhãn với một trong 2 lớp:

• negative: ảnh không có u não
• positive: ảnh cho thấy có u não

Tập dữ liệu được tự động tải xuống (4,21 MB) từ các tài nguyên GitHub của Ultralytics vào lần đầu bạn huấn luyện, vì vậy không cần thiết lập thủ công.

Khám phá Brain Tumor trên Ultralytics Platform để duyệt các ảnh cùng lớp phủ chú thích, xem phân bố lớp và heatmap bounding box trong tab Charts, đồng thời clone tập dữ liệu để huấn luyện model của riêng bạn trên cloud.

Ứng dụng#

Phát hiện u não bằng thị giác máy tính cho phép chẩn đoán sớm, lập kế hoạch điều trị và theo dõi diễn tiến của khối u. Bằng cách phân tích ảnh chụp MRI hoặc CT, các model phát hiện có thể xác định chính xác vị trí khối u, hỗ trợ can thiệp y tế kịp thời và điều trị cá nhân hóa.

Các chuyên gia y tế có thể tận dụng công nghệ này để:

• Rút ngắn thời gian chẩn đoán và nâng cao độ chính xác
• Hỗ trợ lập kế hoạch phẫu thuật bằng cách xác định chính xác vị trí khối u
• Theo dõi hiệu quả điều trị theo thời gian
• Hỗ trợ nghiên cứu trong lĩnh vực ung thư học và thần kinh học

YAML của bộ dữ liệu#

Một tệp YAML xác định cấu hình tập dữ liệu, bao gồm các đường dẫn, lớp và thông tin liên quan khác. Đối với tập dữ liệu u não, tệp brain-tumor.yaml được duy trì tại 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

Cách sử dụng#

Để huấn luyện một model YOLO26 trên tập dữ liệu u não trong 100 epoch với kích thước ảnh 640, hãy sử dụng các đoạn code được cung cấp. Để xem danh sách chi tiết các tham số khả dụng, hãy tham khảo trang Training của model.

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")

Hình ảnh mẫu và annotation#

Tập dữ liệu u não chứa các ảnh chụp não bằng MRI và CT, có và không có khối u. Dưới đây là một ảnh mẫu từ tập dữ liệu cùng với các chú thích của ảnh.

• Ảnh ghép mosaic: Batch huấn luyện này hiển thị các ảnh dataset được ghép mosaic. Kỹ thuật mosaic kết hợp nhiều ảnh thành một ảnh trong quá trình huấn luyện, làm tăng tính đa dạng của batch để model khái quát tốt hơn trên các kích thước, hình dạng và vị trí khối u khác nhau cho phân tích ảnh y khoa.

Trích dẫn và ghi nhận đóng góp#

Tập dữ liệu được cung cấp theo Giấy phép AGPL-3.0.

Nếu sử dụng tập dữ liệu này trong nghiên cứu hoặc công việc phát triển, vui lòng trích dẫn tài liệu một cách phù hợp:

@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#