脑肿瘤数据集#
Ultralytics 脑肿瘤数据集是一个目标检测数据集，包含来自 MRI 和 CT 扫描的 1,116 张医学图像（893 张用于训练，223 张用于验证），标注了 2 个类别：negative（无肿瘤）和 positive（存在肿瘤）。你可以使用它训练计算机视觉模型，在扫描图像中定位脑肿瘤，从而支持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#
脑肿瘤数据集包含 1,116 张图像，分为两个预定义子集，由 brain-tumor.yaml 配置定义：
| 划分 | 图像 | 标注 |
|---|---|---|
| 训练 | 893 | 是 |
| 验证 | 223 | 是 |
每张图像都标注为 2 个类别中的一个：
negative：不含脑肿瘤的图像positive：显示脑肿瘤的图像
数据集会在你首次训练时从 Ultralytics GitHub 资源自动下载（4.21 MB），因此无需手动设置。
在 Ultralytics Platform 上浏览脑肿瘤数据集，查看带有标注叠加层的图像，在 Charts 选项卡中查看类别分布和边界框热图，还可以克隆数据集以在云端训练你自己的模型。
应用#
使用计算机视觉进行脑肿瘤检测，可以实现早期诊断、治疗规划和肿瘤进展监测。通过分析 MRI 或 CT 扫描图像，检测模型可以准确定位肿瘤，从而支持及时的医疗干预和个性化治疗。
医疗专业人员可以利用这项技术来：
- 缩短诊断时间并提高准确性
- 通过精确定位肿瘤来辅助手术规划
- 持续监测治疗效果
- 支持肿瘤学和神经病学研究
数据集 YAML#
YAML 文件定义数据集配置，包括路径、类别和其他相关信息。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 🚀 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使用方法#
要在脑肿瘤数据集上训练 YOLO26 模型 100 个 epochs，并将图像大小设为 640，请使用提供的代码片段。如需查看可用参数的详细列表，请参阅模型的训练页面。
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")示例图像和标注#
脑肿瘤数据集包含有肿瘤和无肿瘤的 MRI 与 CT 脑部扫描图像。下面是数据集中的一张示例图像及其标注。
- 拼接图像：此训练批次展示了拼接后的数据集图像。拼接会在训练期间将多张图像合并为一张，从而增加批次多样性，使模型能够更好地泛化到不同大小、形状和位置的肿瘤，以用于医学图像分析。
引用和致谢#
该数据集已根据 AGPL-3.0 许可证公开。
如果你在研究或开发工作中使用此数据集，请进行适当引用：
@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#
脑肿瘤数据集包含 1,116 张图像，分为两个子集：包含 893 张图像的训练集和包含 223 张图像的验证集，每张图像都有对应的标注。这种结构化划分有助于开发稳健且准确的脑肿瘤检测计算机视觉模型。如需了解更多信息，请参阅数据集结构部分。
脑肿瘤数据集包含 2 个类别：
negative（不含脑肿瘤的图像）和positive（显示脑肿瘤的图像）。这种二元标注使检测模型既能定位肿瘤，也能标记不存在肿瘤的扫描图像。你首次使用
data="brain-tumor.yaml"进行训练时，脑肿瘤数据集（4.21 MB）会从 Ultralytics GitHub 资源自动下载——无需手动下载。你可以在目标检测数据集概览中浏览相关数据集。你可以使用 Python 和 CLI 方法，在脑肿瘤数据集上训练 YOLO26 模型 100 个 epochs，图像大小为 640px。下面分别给出了两种方法的示例：
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)如需查看可用参数的详细列表，请参阅训练页面。
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。它有助于通过计算机视觉自动识别脑肿瘤，促进准确、及时的医疗干预，并支持个性化治疗策略。这项应用在改善患者治疗结果和提高医疗效率方面具有巨大潜力。如需进一步了解 AI 在医疗保健领域的应用，请参阅 Ultralytics 的医疗保健解决方案。
你可以使用 Python 或 CLI 方法，通过经过微调的 YOLO26 模型执行推理。以下是相关示例：
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")脑肿瘤数据集的 YAML 配置文件位于 brain-tumor.yaml。此文件包含在该数据集上训练和评估模型所需的路径、类别及其他相关信息。