脑肿瘤数据集

脑肿瘤检测数据集由 MRI 或 CT 扫描的医学图像组成，包含有关脑肿瘤是否存在、位置和特征的信息。该数据集对于训练计算机视觉算法以实现脑肿瘤识别自动化至关重要，有助于医疗保健应用中的早期诊断和治疗规划。

Watch: Brain Tumor Detection using Ultralytics Platform with Ultralytics YOLO26 | Object Detection 🚀

数据集结构

脑肿瘤数据集分为两个子集：

训练集：包含 893 张图像，每张图像都附有相应的注释。
测试集：包含 223 张图像，每张图像均配有注释。

该数据集包含两个类别：

阴性：无脑肿瘤的图像
阳性：有脑肿瘤的图像

应用

利用计算机视觉进行脑肿瘤检测的应用能够实现早期诊断、治疗规划以及肿瘤进展监测。通过分析 MRI 或 CT 扫描等医学影像数据，计算机视觉系统有助于准确识别脑肿瘤，从而辅助及时的医疗干预和个性化治疗策略。

医疗专业人员可以利用这项技术来：

减少诊断时间并提高准确性
通过精确的肿瘤定位辅助手术规划
长期监测治疗效果
支持肿瘤学和神经病学的研究

数据集 YAML

YAML（Yet Another Markup Language）文件用于定义数据集配置。它包含有关数据集路径、类和其他相关信息。对于脑肿瘤数据集，brain-tumor.yaml 文件维护在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/brain-tumor.yaml。

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

用法

若要使用 YOLO26 模型在脑肿瘤数据集上进行 100 个 epoch 的训练且图像大小为 640，请使用提供的代码片段。有关可用参数的详细列表，请参阅模型的训练页面。

训练示例

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)

推理示例

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")

样本图像和注释

脑肿瘤数据集涵盖了广泛的医学图像，其中包括带有和不带有肿瘤的脑部扫描图像。下方展示了来自该数据集的图像示例，以及它们各自的注释。

脑肿瘤数据集样本图像

马赛克图像：此处展示的是包含马赛克数据集图像的训练批次。马赛克（Mosaicing）是一种训练技术，它将多张图像合并为一张，从而增强批次的多样性。这种方法有助于提高模型在脑部扫描中针对不同肿瘤大小、形状和位置的泛化能力。

此示例突显了脑肿瘤数据集中图像的多样性和复杂性，强调了在训练阶段引入马赛克处理对于医学影像分析的优势。

引用和致谢

该数据集在 AGPL-3.0 许可证下发布。

如果您在研究或开发工作中使用了此数据集，请进行适当引用：

引用

@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/}
}

常见问题解答

Ultralytics 文档中提供的脑肿瘤数据集结构是怎样的？

脑肿瘤数据集分为两个子集：训练集包含 893 张带有相应注释的图像，而测试集包含 223 张带有配对注释的图像。这种结构化的划分有助于开发鲁棒且准确的计算机视觉模型来检测脑肿瘤。有关数据集结构的更多信息，请访问数据集结构部分。

如何使用 Ultralytics 在脑肿瘤数据集上训练 YOLO26 模型？

你可以使用 Python 和 CLI 方法在脑肿瘤数据集上对 YOLO26 模型进行 100 个 epoch 的训练，图像大小为 640px。以下是两种方法的示例：

训练示例

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)

有关可用参数的详细列表，请参阅训练页面。

将脑肿瘤数据集用于医疗 AI 有什么好处？

在 AI 项目中使用脑肿瘤数据集可以实现脑肿瘤的早期诊断和治疗规划。它通过计算机视觉帮助实现脑肿瘤识别自动化，从而促进准确及时的医疗干预，并支持个性化治疗策略。这一应用在改善患者预后和提高医疗效率方面具有巨大潜力。有关医疗保健 AI 应用的更多见解，请参阅 Ultralytics 的医疗解决方案。

如何使用在脑肿瘤数据集上微调过的 YOLO26 模型执行推理？

使用微调后的 YOLO26 模型进行推理可以通过 Python 或 CLI 方法完成。以下是示例：