YOLOv8皮肤病识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要
针对皮肤病变类别间视觉相似度高、黑色素瘤检测困难等问题，本文基于YOLOv8构建了一套包含7类常见皮肤病的自动检测系统。数据集共973张图像，划分为训练（681张）、验证（97张）与测试集（195张）。实验结果表明，模型在验证集上的平均精确度（mAP@0.5）达到0.857，其中血管病变与黑色素细胞痣的AP分别为0.956与0.929，表现优异。然而，黑色素瘤的AP仅为0.662，显著低于其他类别。混淆矩阵进一步显示，黑色素瘤易与良性角化病及黑色素细胞痣混淆。整体召回率达0.96，最佳F1分数为0.79。本文系统在多数皮肤病检测上具备良好性能，但针对黑色素瘤的识别能力仍需增强。
引言
皮肤疾病是全球范围内最常见的健康问题之一，其中皮肤癌如黑色素瘤、基底细胞癌等的发病率逐年上升。早期准确检测对于提高治愈率、降低医疗成本具有重要意义。然而，皮肤病种类繁多，不同病变间形态学特征高度重叠，即使是经验丰富的皮肤科医生也面临误诊风险。近年来，深度学习目标检测算法尤其是YOLO系列，因其高效、端到端的特点，被广泛应用于医学图像分析领域。然而，现有模型在小样本类别、类间相似度高的情况下仍存在性能瓶颈。
目录
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。
✅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
皮肤病的临床诊断主要依赖皮肤镜检查和医生经验，但其准确率受主观因素影响较大，基层医疗机构尤为明显。计算机辅助诊断系统通过自动提取病灶区域的颜色、纹理、形态特征，可有效辅助医生进行判断。在深度学习领域，卷积神经网络已成为皮肤病图像分类与检测的主流方法。其中，YOLOv8采用Anchor-Free检测头和CSPNet骨干网络，在保持实时性的同时提升了小目标和重叠目标的检测能力。
然而，在实际临床数据中，各类皮肤病的样本数量往往不均衡，且部分疾病如黑色素瘤与良性角化病在肉眼观察下极为相似，导致模型容易产生混淆。此外，皮肤镜图像中可能包含毛发、气泡等噪声，进一步加大了检测难度。因此，系统评估YOLOv8在多类别皮肤病检测任务上的实际表现，明确各类别间的混淆关系，对于提升模型的临床适用性至关重要。
数据集介绍
本研究使用的皮肤病图像数据集共包含 973张 皮肤镜图像，涵盖7种常见皮肤病变类别。具体类别名称如下：
-
Bowen's Disease（鲍温病）
-
Basal Cell Carcinoma（基底细胞癌）
-
Benign Keratosis Lesions（良性角化病）
-
Dermatofibroma（皮肤纤维瘤）
-
Melanoma（黑色素瘤）
-
Melanocytic Nevus（黑色素细胞痣）
-
Vascular Lesions（血管病变）
数据集划分：
| 子集 | 图像数量 |
|---|---|
| 训练集 | 681 张 |
| 验证集 | 97 张 |
| 测试集 | 195 张 |
训练过程
训练结果
整体性能概览
-
mAP50：0.857（所有类别平均）
-
mAP50-95：未直接给出，但从
results.png看最后约 0.38–0.40 -
全类召回率：0.96（置信度=0 时）
-
全类精确率：1.00（置信度=0.984 时）
各类别详细表现（PR 曲线下的 AP）
| 类别 | AP@0.5 | 评价 |
|---|---|---|
| Vascular Lesions | 0.956 | 极佳 |
| Melanocytic Nevus | 0.929 | 优秀 |
| Benign Keratosis | 0.914 | 优秀 |
| Bowen's Disease | 0.895 | 良好 |
| Basal Cell Carcinoma | 0.842 | 良好 |
| Dermatofibroma | 0.798 | 一般 |
| Melanoma | 0.662 | 较差 |
混淆矩阵分析
从 confusion_matrix_normalized.png 可以看出：
表现好的类别
-
Vascular Lesions：几乎没有误检
-
Melanocytic Nevus：识别很准确
主要错误模式
-
Melanoma 容易被误判为：
-
Benign Keratosis
-
Melanocytic Nevus
-
Basal Cell Carcinoma
-
-
Dermatofibroma 与 Basal Cell Carcinoma 之间存在一定混淆
-
背景误检：部分类别（尤其是 Melanoma）有少量背景误检
精确率与召回率曲线
-
P_curve：高置信度下精确率可达 1.0，说明预测为高置信度的样本非常可靠
-
R_curve：召回率在低置信度下可达 0.96，说明模型能找到大部分正样本
-
F1_curve：最佳 F1 约 0.79（置信度≈0.38）
训练过程分析
-
损失收敛：
-
train/cls_loss：从 4.0 → 0.2（良好）
-
val/cls_loss：从 5.1 → 1.8（略高，存在轻微过拟合）
-
-
mAP 提升：
-
mAP50：0 → 0.86
-
mAP50-95：0 → 0.40
-
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：
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
0
0- 0
已为社区贡献326条内容
所有评论(0)