YOLOv8骨折识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

斌擎人工智能官方账号

365人浏览 · 2026-05-19 16:16:45

斌擎人工智能官方账号 · 2026-05-19 16:16:45 发布

摘要

本文基于YOLOv8目标检测算法构建了一套骨折影像智能检测系统，旨在辅助临床医生快速识别医学图像中的骨折区域。系统共定义三个检测类别：Fracture（骨折）、No_Fracture（无骨折）及object（目标区域）。实验采用包含3011张图像的数据集，按约7:2:1划分为训练集2108张、验证集602张、测试集301张。训练结果显示，模型在置信度阈值0.232时取得最佳F1分数0.54，其中No_Fracture类F1最高可达0.80，而Fracture类F1仅约0.53。精确率-召回率曲线表明，模型对无骨折样本识别能力较强，但对骨折目标的检测性能有限。整体mAP50约为0.50，训练损失稳定收敛，未出现明显过拟合。

引言

骨折是临床常见的急症之一，其快速、准确的影像学诊断对治疗方案制定和患者预后至关重要。然而，传统人工读片依赖医生经验，在疲劳或高负荷情况下容易发生漏诊或误诊。近年来，深度学习目标检测技术，特别是YOLO系列算法，因其端到端、高实时的特点，在医学图像分析中展现出巨大潜力。

本研究采用YOLOv8算法构建骨折检测系统，旨在自动定位图像中的骨折区域并区分正常骨骼结构。系统需同时识别骨折、无骨折及辅助目标区域三类对象，面临类别不均衡与正负样本差异大的挑战。通过对训练过程的关键指标（损失曲线、精确率、召回率、F1分数、mAP）及多类别的精确率-召回率曲线进行系统分析，本文评估了模型在当前数据集上的真实性能边界。

训练曲线分析（results.png）编辑

常用标注工具

功能模块

✅ 用户登录注册：支持密码检测，密码加密。

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅ 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

✅ 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

背景

骨折检测是计算机辅助诊断（CAD）系统中的重要应用场景。传统图像处理方法依赖手工设计的边缘、纹理等特征，泛化能力差，难以应对骨骼形态多变、骨折线不明显及遮挡等复杂情况。随着深度卷积神经网络的发展，基于目标检测的骨折识别方法逐渐成为主流。其中，YOLOv8作为YOLO系列的最新成员，在速度和精度之间取得了良好平衡，支持自适应锚框、多尺度预测及丰富的损失函数配置，适合医学图像中微小或形态不规则目标的检测。

然而，骨折检测任务本身存在两个核心难点：一是骨折样本在数据集中通常占比较低，导致模型偏向多数类（无骨折）；二是骨折区域的视觉特征与正常骨骼、软组织边缘有时难以区分，容易产生假阳性。此外，部分研究为辅助定位而引入“object”等抽象类别，若定义不清晰反而增加学习难度。因此，系统评估YOLOv8在骨折检测任务中的实际表现，明确各类别上的精确率-召回率折衷关系，对于构建可靠、可解释的临床辅助系统具有重要理论与应用价值。

数据集介绍

本实验所采用的骨折影像数据集共包含3011张图像，按照约7:2:1的比例划分为训练集（2108张）、验证集（602张）和测试集（301张）。每张图像均经过专业标注，共包含3个目标类别：

Fracture（骨折）：影像中可见的骨皮质不连续、骨折线或错位区域。
No_Fracture（无骨折）：正常的骨骼结构区域，作为负样本类别。
object（目标区域）：辅助性定位类别，用于标记与骨折可能相关的解剖或疑似区域。

训练过程

训练结果

整体性能评估

总类别数：3 类
最佳 F1 分数：0.54
最佳全类平均精度 (mAP50)：约 0.50
最佳召回率：0.87
最佳精确率：1.00

各类别详细分析

1. Fracture（骨折）

F1 峰值约 0.38–0.53（置信度 0.06–0.12 附近）
精确率与召回率平衡较差
在 PR 曲线中，召回率 ≤0.5 时精确率尚可，但高召回时精确率下降明显

2. No_Fracture（无骨折）

性能明显优于 Fracture 类
最佳 F1 可达 0.78–0.80（置信度 0.08 附近）

3. object（目标区域）

性能最差
精确率和召回率均较低

训练曲线分析（results.png）

训练 loss（box / cls / dfl）逐渐下降，收敛正常
验证 loss 同样下降，未出现明显过拟合
mAP50 稳定在 0.30–0.50 之间，第 100 轮约 0.30
Precision / Recall 分别稳定在 0.50 / 0.50 左右

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。

用于实例分割的 LabelMe 标注工具