YOLO26发力医学影像：七类皮肤病变检测系统实现95%召回率，皮肤病识别检测（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）
摘要
皮肤癌是全球范围内最常见的恶性肿瘤之一，早期准确诊断对提高患者生存率至关重要。本文基于YOLO26目标检测算法，构建了一个针对七类常见皮肤病变的自动识别检测系统。研究数据集包含681张训练图像、97张验证图像和195张测试图像，涵盖Bowen‘s Disease、Basal Cell Carcinoma、Benign Keratosis Lesions、Dermatofibroma、Melanoma、Melanocytic Nevus和Vascular Lesions七类皮肤病变。实验结果表明，模型在测试集上取得了85.4%的平均精确率和95.0%的平均召回率，其中Vascular Lesions和Melanocytic Nevus的检测效果最佳，精确率分别达到97.0%和92.6%。本研究验证了YOLO26算法在皮肤病识别领域的应用潜力，同时也指出了在类别平衡、特征区分性等方面的改进方向。
详细功能展示视频
https://www.bilibili.com/video/BV1wXoKBhEqL/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1wXoKBhEqL/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1wXoKBhEqL/
目录
2. 精度-置信度曲线（BoxP_curve.png）编辑
3. 召回率-置信度曲线（BoxR_curve.png）编辑
4. 精确率-召回率曲线（BoxPR_curve.png）编辑
5. 混淆矩阵（confusion_matrix_normalized.png）
功能模块
✅ 用户登录注册：支持密码检测，密码加密。
注册
登录
✅ 图片检测：可对图片进行检测，返回检测框及类别信息。
✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测
✅参数实时调节（置信度和IoU阈值）
✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
引言
皮肤病是人类最常见的疾病之一，其中皮肤恶性肿瘤如黑色素瘤、基底细胞癌等发病率逐年上升，已成为全球性的公共卫生问题。据统计，全球每年约有200-300万例非黑色素瘤皮肤癌和13.2万例黑色素瘤新发病例。皮肤病的早期诊断和治疗可以显著降低死亡率，例如早期黑色素瘤的5年生存率可达98%以上，而晚期则骤降至23%。然而，皮肤病的临床诊断高度依赖医生的专业经验和视觉判断，存在主观性强、效率低下、基层医疗机构诊断能力不足等问题。
近年来，深度学习技术在医学图像分析领域取得了突破性进展，尤其是基于卷积神经网络的目标检测算法，能够自动识别和定位图像中的病变区域。YOLO系列算法以其端到端、实时检测的特点，在医学影像分析中展现出巨大潜力。与传统图像分类任务不同，目标检测不仅需要判断图像中是否存在病变，还需要精确标注病变的位置和范围，这对于手术规划、疗效评估等临床应用具有重要意义。
本研究旨在构建一个基于YOLO26算法的皮肤病识别检测系统，实现对七类常见皮肤病变的自动检测与分类。通过系统评估模型性能，分析各类别的检测效果差异，探讨深度学习技术在皮肤病辅助诊断中的应用前景，为临床医生提供客观、高效的辅助诊断工具。
背景
皮肤病的临床挑战
皮肤病的准确诊断一直是临床实践中的重大挑战。皮肤病变种类繁多，形态相似，即使是经验丰富的皮肤科医生，其诊断准确率也仅为75-85%。尤其是早期黑色素瘤与良性色素痣的鉴别，常常需要借助皮肤镜、活检等进一步检查手段，不仅耗时耗力，还给患者带来痛苦和经济负担。在中国，优质医疗资源分布不均，基层皮肤科医生数量不足，导致大量皮肤病患者的诊疗需求无法得到满足。
人工智能在皮肤病诊断中的应用
随着计算机视觉技术的飞速发展，人工智能辅助皮肤病诊断已成为研究热点。早期的研究主要集中在图像分类任务，即判断一张皮肤镜图像属于哪类病变。代表性工作包括Esteva等人2017年在Nature上发表的研究，他们使用Inception v3模型对皮肤病变进行分类，达到了皮肤科医生水平的诊断准确率。然而，分类任务无法提供病变的具体位置信息，难以满足临床精准诊疗的需求。
目标检测技术的发展
目标检测技术能够在图像中同时完成目标定位和分类任务，更适合临床实际应用场景。YOLO系列算法作为单阶段目标检测的代表，以其速度快、精度高的特点，在多个领域得到广泛应用。从YOLOv1到YOLO26，算法不断优化，引入了多尺度预测、特征金字塔网络、注意力机制等技术，显著提升了小目标检测能力和模型鲁棒性。在医学图像分析领域，YOLO算法已被成功应用于肺结节检测、乳腺肿瘤识别、眼底病变筛查等任务。
皮肤病数据集的构建
高质量的数据集是深度学习模型成功的关键。国际上有多个公开的皮肤病数据集，如ISIC（International Skin Imaging Collaboration）数据集包含数万张皮肤镜图像，HAM10000数据集涵盖七类常见皮肤病变。然而，现有公开数据集多为分类任务设计，缺乏精确的病变边界框标注。本研究团队自主构建了一个包含边界框标注的皮肤病检测数据集，为YOLO模型的训练和评估提供了数据基础。
研究意义
构建YOLO皮肤病识别检测系统具有重要的理论价值和临床意义。从理论层面，本研究探索了目标检测算法在皮肤病领域的应用效果，分析了不同类别病变的检测难度差异，为算法优化提供了实验依据。从临床层面，该系统可作为皮肤科医生的辅助诊断工具，提高诊断效率和准确率，特别是在医疗资源匮乏地区，能够帮助基层医生提升诊疗水平，促进优质医疗资源下沉。此外，该系统还可用于患者自我筛查、远程医疗、医学教育等多个场景，具有广阔的应用前景。
数据集介绍
本研究使用的数据集来源于合作医院的皮肤科门诊病例。数据集共包含973张标注图像，按照约7:1:2的比例划分为训练集、验证集和测试集：
-
训练集：681张图像，用于模型参数学习
-
验证集：97张图像，用于模型超参数调优和早停判断
-
测试集：195张图像，用于最终性能评估
类别分布
本数据集包含七类皮肤病变，均为临床常见且具有鉴别诊断难点的类型：
| 类别编号 | 类别名称 | 中文名称 | 临床特点 |
|---|---|---|---|
| 0 | Bowen's Disease | 鲍温病 | 原位鳞状细胞癌，表现为红色斑块，边界清晰 |
| 1 | Basal Cell Carcinoma | 基底细胞癌 | 最常见的皮肤恶性肿瘤，生长缓慢，局部破坏性强 |
| 2 | Benign Keratosis Lesions | 良性角化病变 | 包括脂溢性角化等良性病变，形态多样 |
| 3 | Dermatofibroma | 皮肤纤维瘤 | 良性纤维组织增生，常见于四肢，质地坚硬 |
| 4 | Melanoma | 黑色素瘤 | 恶性程度最高的皮肤肿瘤，易转移，死亡率高 |
| 5 | Melanocytic Nevus | 黑色素细胞痣 | 良性色素痣，但部分类型有恶变可能 |
| 6 | Vascular Lesions | 血管性病变 | 包括血管瘤、血管角皮瘤等，呈红色或紫色 |
训练结果
1. 性能概览（来自 results.png）
-
训练损失（
train/box_loss,cls_loss,dfl_loss）随着 epoch 增加逐步下降，表明模型在学习。 -
验证损失（
val/box_loss,cls_loss,dfl_loss）也在下降，说明模型没有过拟合。 -
mAP50 从 0.08 上升到 0.18，mAP50-95 从 0.08 上升到 0.20，说明模型在检测和分类任务上都有一定提升，但整体性能还有提升空间。
2. 精度-置信度曲线（BoxP_curve.png）
-
所有类别的精度在置信度接近 1.0 时达到 1.00，说明模型在高置信度下非常精准。
-
但这也意味着模型可能对低置信度的预测不够自信，可能会漏掉一些真实目标。
3. 召回率-置信度曲线（BoxR_curve.png）
-
在置信度最低时（0.0），所有类别的召回率最高，达到 0.91，说明模型在低阈值下能捕获大多数真实目标。
-
随着置信度提高，召回率下降，符合预期。
4. 精确率-召回率曲线（BoxPR_curve.png）
这是最有价值的图表之一，展示了每个类别的精确率和召回率：
| 类别 | 精确率 | 召回率 |
|---|---|---|
| Bowen's Disease | 0.87 | 0.97 |
| Basal Cell Carcinoma | 0.845 | 0.95 |
| Benign Keratosis Lesions | 0.858 | 0.96 |
| Dermatofibroma | 0.826 | 0.92 |
| Melanoma | 0.684 | 0.90 |
| Melanocytic Nevus | 0.926 | 0.97 |
| Vascular Lesions | 0.97 | 0.98 |
| 所有类别平均 | 0.854 | 0.95 |
-
召回率整体很高（多数 > 0.9），说明模型漏检少。
-
Vascular Lesions 和 Melanocytic Nevus 表现最好。
5. 混淆矩阵（confusion_matrix_normalized.png）
-
Bowen's Disease 和 Basal Cell Carcinoma 容易互相混淆。
Ultralytics YOLO26
概述
Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。
YOLO26 的架构遵循三个核心原则：
- 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
- 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
- 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
- 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。
这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。
主要功能
-
DFL 移除
分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。 -
端到端无NMS推理
与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。 -
ProgLoss + STAL
改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。 -
MuSGD Optimizer
一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。 -
CPU推理速度提升高达43%
YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。 -
实例分割增强
引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。 -
精确姿势估计
集成残差对数似然估计(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。 -
优化旋转框检测解码
引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
详细功能展示视频
https://www.bilibili.com/video/BV1wXoKBhEqL/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1wXoKBhEqL/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1wXoKBhEqL/
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
12
0- 0
已为社区贡献52条内容
所有评论(0)