简介基于YOLOv5的直肠息肉检测系统项目文档面向医学影像分析、机器学习开发及疾病筛查研发人群提供一套从数据到部署的完整息肉检测方案强调高性能与易操作性。资源包为单个docx文件压缩包大小仅41KB内容按项目介绍、特点、参考资料、未来改进方向、注意事项和详细实现步骤组织覆盖环境准备、数据准备、模型训练、ONNX导出、性能评估、指标可视化与Tkinter GUI搭建。已有120人学习浏览适合需要快速搭建YOLOv5医疗图像分析系统的开发者参考。文档不仅分步讲解了训练与评估的关键操作还总结了项目特点、参考资料与注意事项便于读者快速理解项目全貌并规避常见问题。同时它探讨了多类别检测、数据增强、集成学习和云部署等后续升级方向可帮助读者在此基础上持续改进与完善系统。1. 用YOLOv5做直肠息肉检测为什么医学小目标场景首选这套方案做内镜影像分析的人迟早会遇到同一个问题息肉在画面里只占几十个像素形状跟肠壁褶皱、气泡、黏液混在一起肉眼都要仔细辨认更别指望传统图像处理算法能稳定框出来。这也是为什么近两年基于YOLOv5的直肠息肉检测系统会频繁出现在医学影像落地讨论里——它不是最新潮的架构却是综合代价最低的源码完整、训练链路成熟、部署生态全一套流程从数据标注到内镜工作站推理新手几周能跑通老手可以直接在上面改anchor、改后处理去追recall。这套方案适合两类人一是想把手头结肠镜视频转成辅助检测工具的算法工程师二是需要给临床团队做快速验证、又不希望从零写检测器的研究者。它解决的核心问题就一句话用尽量少的数据和调参时间训练出一个能在内镜帧上稳定输出息肉框、且漏检率可控的检测系统。2. 数据准备息肉数据集的组织方式与增强策略2.1 标注格式转换从ROI多边形到YOLO txt直肠息肉检测的原始标注通常来自临床合作方最常见的交付格式是PASCAL VOC的XML或者直接用LabelMe画的多边形JSON。息肉边界是不规则的但YOLOv5的矩形框足够覆盖绝大多数临床场景——因为医生的操作习惯是“看到突起就标记”矩形框的左上右下坐标已经能表达位置和大小多边形标注反而会在训练时引入多余背景。这里主要讲把VOC XML转成YOLO txt的标准做法。import os import xml.etree.ElementTree as ET def convert_voc_to_yolo(xml_dir, out_dir, classes): for xml_file in os.listdir(xml_dir): if not xml_file.endswith(.xml): continue tree ET.parse(os.path.join(xml_dir, xml_file)) root tree.getroot() img_w int(root.find(size/width).text) img_h int(root.find(size/height).text) txt_name xml_file.replace(.xml, .txt) lines [] for obj in root.iter(object): cls obj.find(name).text if cls not in classes: continue box obj.find(bndbox) xmin float(box.find(xmin).text) ymin float(box.find(ymin).text) xmax float(box.find(xmax).text) ymax float(box.find(ymax).text) # YOLO 格式中心点x, 中心点y, 宽, 高全部归一化到[0,1] x_center (xmin xmax) / 2.0 / img_w y_center (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{classes.index(cls)} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}) with open(os.path.join(out_dir, txt_name), w) as f: f.write(\n.join(lines)) # 使用示例转换单类息肉数据class id 0 convert_voc_to_yolo(voc_xml/, yolo_labels/, classes[polyp])这段脚本的核心逻辑是解析XML里的bndbox节点把绝对像素坐标换算成YOLO要求的相对坐标。关键点在于归一化用到了图片的真实宽高如果图片存在EXIF旋转或重新缩放务必先统一图片尺寸再转换否则坐标全错。另外原始标注里如果同一个息肉被多个医生重复框选会出现坐标微抖动的重复框我一般会在转换后做一次去重计算两个框的IoU大于0.9的只保留置信度高的那个虽然此时还没有置信度但可以保留面积更大的。临床上息肉框重叠很常见不清理干净的话训练时一个目标对应多个框会严重干扰anchor匹配。2.2 数据集划分按视频片段拆分别按帧随机分息肉检测数据集的划分有一个从业者必须知道的坑结肠镜视频的本质是同一场景的连续帧相邻帧之间的差异极小。如果你用随机划分把同一段视频的帧同时放进train和val模型在验证集上的mAP会虚高因为你等于把“看过几乎一样的画面”这件事算进了泛化能力里。正确做法是按视频片段或患者维度划分保证同一个视频的帧只出现在一个集合中。我一般把数据组织成这样的目录结构dataset/ ├── images/ │ ├── train/ # 视频片段A、B、C的所有帧 │ ├── val/ # 视频片段D的所有帧 │ └── test/ # 视频片段E、F的所有帧 ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── dataset.yaml # YOLOv5训练入口配置dataset.yaml的内容很直接train: dataset/images/train val: dataset/images/val test: dataset/images/test nc: 1 names: [polyp]训练集和验证集的比例我习惯按8:2拆但必须保证每个集合里包含不同清晰度、不同内镜设备型号的片段。息肉数据来源往往是多中心收集的不同医院的设备色彩倾向差异很大——有的偏红、有的偏暗如果某个视频片段恰好是某台设备的极端色彩而它又被单独分进了验证集你的模型在验证集上可能表现很差但这不代表模型不行。解决方法是把设备型号作为划分的约束条件尽量让每个集合都覆盖到不同设备的画面特性。如果数据量本身很少比如只有几百帧阳性样本可以考虑按患者划分但要在验证集里明确标注哪些患者是“难例”——有出血、有黏液遮挡、息肉身颜色和背景接近的样本。2.3 增强策略Mosaic、复制粘贴与难例挖掘YOLOv5自带的数据增强管线已经是为小目标场景调过的默认开启Mosaic、MixUp、HSV扰动、随机翻转。但在息肉检测里只靠默认参数不够。息肉有两个特点一是尺寸小很多息肉在640x640输入下只有20x20到40x40像素二是正样本的形态高度相似圆形或分叶状突起但背景变化极大——黏膜颜色、光反射、粪水残留、器械干扰。针对小目标我强烈建议开启YOLOv5的复制粘贴增强copy_paste它在训练时把一张图里的息肉实例“抠”出来贴到另一张图的随机位置。息肉相对背景是独立的视觉实体复制粘贴不会像贴人、贴车那样产生违和感相反能显著增加每个epoch里小目标的数量。在hyp.scratch.yaml里设置copy_paste: 0.2即可意思是20%的概率启用。同时把mosaic: 1.0保持开启Mosaic对小的检测目标帮助最大因为它等于把四张图缩放到640x640之内目标相对尺寸变得更小模型被迫去学小目标的特征而不会偷懒只认大块纹理。HSV扰动的参数我建议适度调低默认hsv_h: 0.015、hsv_s: 0.7、hsv_v: 0.4。内镜图像的色彩是有生理意义的黏膜发红、息肉表面发白是医生判断的依据之一过度的饱和度变化会让模型学到“颜色不对的目标也是息肉”从而在真实内镜画面上疯狂误检。我一般会把hsv_s降到0.3hsv_v保持0.3色相基本不动。另外强烈建议在数据集里掺入负样本帧——完全没有息肉的正常黏膜、有气泡的、有粪水残留的帧各一批放在训练集里让模型知道这些画面里没有目标。负样本不需要标注只需要把图片文件放进images/train目录YOLOv5会自动处理没有对应txt的图片把它们作为纯背景参与训练。3. 训练环节从YOLOv5源码跑通到关键超参数调优3.1 环境配置与网络结构选型跑YOLOv5源码的前提是环境干净。我建议单独建conda环境Python版本用3.8或3.9PyTorch版本按显卡驱动来——如果你用RTX 30系或更新显卡装CUDA 11.8对应的PyTorch 1.13或2.0都行如果只有CPU的办公机也能跑只是训练速度慢得让人怀疑人生不建议用来训息肉模型。环境配置里最常翻车的是OpenCV版本冲突YOLOv5的requirements.txt里对opencv-python有明确版本要求装完环境后先跑一下python detect.py --source data/images/bus.jpg验证全链路通了再开始训练这一步能省下后面排错的半天时间。网络结构上YOLOv5按深度和宽度分成s/m/l/x四个版本对应yolov5s.yaml到yolov5x.yaml。息肉检测里模型的选型逻辑和通用目标检测不太一样息肉的纹理特征不算复杂但目标小、背景干扰大所以模型的感受野和浅层特征质量比层数深度更重要。我用下来的经验是数据量在2000张以内用yolov5s起步数据量超过5000张或专门做多分类腺瘤性/增生性/锯齿状时换yolov5m。不要一上来就用yolov5x息肉数据集通常只有几千到几万张大模型在小数据上过拟合严重训练时间还长。yolov5s的backbone是CSPDarknetneck是PANet检测头有三层分别对应8倍、16倍、32倍下采样——小息肉主要靠8倍下采样那一层的特征输出所以训练时关注小目标层的loss变化比总loss更有意义。3.2 训练命令与超参数imgsz、batch与anchor的调整训练命令本身不复杂但参数要按息肉数据的特点来设。下面是一个我常用的训练命令对应5000张左右的息肉单类数据集python train.py \ --data dataset/dataset.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --cache ram \ --device 0 \ --hyp hyp.scratch.yaml \ --save-period 10 \ --project runs/polyp_train \ --name exp1逐参数说明--img 640是输入分辨率息肉检测里这个值是一个平衡点再大比如960能提升小目标召回但显存占用和训练时间会明显上升如果显存只有8G就不建议上960。--batch 16在单卡16G显存下配合640输入是安全的batch太小小于8会导致BN层统计不稳定息肉这种正样本稀少的任务尤其敏感。--cache ram把图片全部加载进内存数据集如果只有几千张这能大幅缩短每个epoch的IO时间。--save-period 10每10个epoch存一次权重防止训练中途崩了白跑。训练前还有一件关键的事检查anchor。YOLOv5在训练时会自动用k-means重新计算anchor但默认anchor是针对COCO数据集的目标尺度分布和息肉差异很大。你可以先用下面的命令查看当前anchorpython train.py --data dataset/dataset.yaml --weights yolov5s.pt --img 640 --epochs 1 --noautoanchor--noautoanchor会跳过k-means计算用yolov5s.pt自带的anchor跑。我一般会让它先正常跑5个epoch然后在runs/polyp_train/exp1/下看anchors.png和labels.png这两张可视化图。如果anchor的中心点和宽高分布跟实际标注框差异很大说明需要手动在模型yaml里改anchor或者在训练时去掉--noautoanchor让YOLOv5自动重新聚类。注意自动聚类的结果是一次性的不会在训练过程中持续更新所以如果数据后续新增了病例要重新跑一遍聚类。3.3 训练过程监控loss曲线与PR曲线怎么看训练时的玄学在于loss下降不代表模型好用尤其对息肉这种小目标场景。我习惯同时看两张图results.png里的val/box_loss和val/obj_loss以及PR_curve.png里的precision/recall曲线。息肉检测的评估指标必须重点关注recall因为漏检一个息肉在临床上比误检一个严重得多。在test.py或val.py评估时我会把--conf-thres调低到0.05去看模型的极限召回能力再用0.3、0.5、0.7几档置信度阈值对比precision和recall。一个健康的息肉检测模型在0.5置信度阈值下recall应该在90%以上precision可能略低一点如果recall低于80%先别急着调参回到数据里看漏检的样本集中在哪些视频片段——大多数时候是某一台设备的图像风格没在训练集里覆盖全而不是模型结构的问题。训练过程中还有一个值得关注的现象模型在50个epoch左右val mAP就基本到顶了继续训练loss还在降但mAP不再上升甚至开始抖动。这是过拟合的早期信号。此时不要再加epochs而是回到hyp配置文件里把weight_decay从0.0005调到0.001或者把mosaic从1.0降到0.5让模型少看到一些合成感过强的增广图。如果数据量本身很少直接换yolov5m为yolov5s也是有效手段。4. 避坑息肉检测的5个常见问题与排查记录4.1 误检率高把气泡、粪水、肠壁褶皱当成息肉这是最常见的翻车现象。训练时模型学到的特征可能不是“息肉的组织结构”而是“圆形且颜色略深的区域”。肠壁上的气泡在光照反射下就是完美的圆形亮斑粪水残留的边缘也常呈现深色弧形直接触发误检。原因在于训练数据里正样本虽然标注了但没有显式告诉模型“这些看起来像但不是”的东西长什么样。解决路径分两步第一步在训练集里加入大量负样本帧覆盖气泡、黏液、残渣、正常褶皱等场景第二步调整检测置信度阈值推理时把--conf-thres从默认0.25提高到0.4甚至0.5代价是recall略微下降但误检数量会大幅减少。如果负样本已经加了还压不住去runs/exp/val_batch0_pred.jpg看预测可视化把误检框对应的图片区域抽出来分析模型到底在看什么特征。4.2 小息肉漏检模型只框大的小的全放过息肉检测的recall瓶颈几乎总是出在小于20像素的目标上。原图里息肉直径只有10mm在640x640输入里可能就20x20像素这相当于COCO数据集里最微小的一档目标。原因有两层一是YOLOv5的anchor设定偏向中等尺寸目标二是8倍下采样特征层的感受野有限对极小目标的信息提取不充分。解决按优先级排先把输入分辨率提高到--img 800或--img 960这是性价比最高的手段显存不够就降batch然后把hyp.scratch.yaml里的anchor_t从默认4.0调高到5.0让匹配时能容忍更大的尺度偏差最后考虑在训练集上对小息肉区域做裁剪放大把每个包含小息肉的原图区域以2倍放大后作为额外样本放入训练集。4.3 训练和验证数据泄露val mAP虚高到0.99真实项目里最容易出现也最隐蔽的问题。如果数据划分是按帧随机分的同一个视频片段在train和val里都有模型相当于“见过”验证集的画面mAP高到不真实。我的排查经验是训练完看一下val_batch0_labels.jpg和val_batch0_pred.jpg如果验证集里预测框的位置和标注框几乎完全重合且画面内容和训练时的frames高度相似基本可以断定泄露。解决就是回到第2章的按视频片段划分另外划分时记录每个片段的来源设备保证设备分布在各集合里一致。这个坑一旦踩了后面部署到临床数据上recall会断崖式下跌因为真实内镜画面和训练数据的分布根本不是一回事。4.4 同图多息肉时漏检相邻目标结肠镜画面里经常出现两个息肉紧挨着的情况甚至一个带蒂一个扁平相连。模型可能只框出那个形态更标准的漏掉旁边那个边界模糊的。原因在于NMS后处理阶段两个高置信度框的IoU很高其中一个被抑制掉了。解决方法是开启--agnostic-nms虽然这通常用于多类别场景但在单类场景配合低IoU阈值同样有效并把NMS的IoU阈值从默认0.45适当调低到0.3同时可以增大输入分辨率让相邻息肉在特征图上的位置分得更开。如果模型经常在密集区域漏检还应该在训练时用--multi-scale让模型适应不同缩放尺度下的目标分布。4.5 模型在离群设备上性能暴跌训练时mAP 0.93上了某台老型号内镜设备后recall直接掉到60%。这种案例在医学影像落地里几乎是人手一份的血泪经验。原因通常是该设备的图像色彩调校、暗角、噪声水平与训练数据差异过大。解决的核心不是调参而是数据补充——把目标设备的视频帧抽出来采样几十帧不用全标注直接加入训练集做半监督式微调先跑一轮推理生成伪标注人工修正明显错误的框再混合人工标注数据训练。这个方法在息肉场景里比任何域自适应算法都实用因为内镜设备的差异主要体现在颜色矩阵和噪声纹理上模型微调几十个epoch就能适应。5. 部署与推理detect.py、ONNX导出与后处理参数5.1 用detect.py做批量推理与结果导出训练完成后第一件要做的不是急着写推理脚本而是用YOLOv5自带的detect.py在验证集上跑一轮把结果可视化看了再说。推理命令如下python detect.py \ --weights runs/polyp_train/exp1/weights/best.pt \ --source dataset/images/test/ \ --img 640 \ --conf-thres 0.3 \ --iou-thres 0.45 \ --save-txt \ --save-conf \ --agnostic-nms参数里最关键的是--conf-thres和--iou-thres的组合。息肉检测场景我建议conf-thres设置在0.3到0.5之间——低于0.3会涌出一堆误检框高于0.5会开始漏掉低对比度的小息肉。--agnostic-nms在单类场景下就是普通NMS但对于同图多息肉且框重叠的场景开启后配合较低的iou-thres效果更好。--save-txt保存每张图的检测结果到runs/detect/exp/labels/格式是class x_center y_center width height confidence这个输出可以直接对接后续的视频帧跟踪逻辑。--save-conf务必开启否则结果文件里没有置信度后面做阈值筛选还得重新算。5.2 导出ONNX并部署到内镜工作站临床上部署环境往往没有GPU甚至没有PyTorch这时候把模型导出成ONNX格式是通用的做法。YOLOv5自带导出脚本python export.py \ --weights runs/polyp_train/exp1/weights/best.pt \ --include onnx \ --img 640 \ --opset 12 \ --simplify导出的ONNX模型可以直接用ONNX Runtime加载推理也可以进一步转成OpenVINOCPU部署或TensorRTGPU部署。这里有一个必须注意的细节YOLOv5导出的ONNX默认输出是13个节点的原始输出1个box分支4个类别分支单类下共5个输出需要在部署代码里手动实现NMS后处理。如果你不想写这段后处理可以用--include onnx --dynamic导出带动态shape的版本再配合onnxruntime的SessionOptions开启optimized_model_filepath。部署端的推理脚本核心代码就这么一段import onnxruntime as ort import cv2 import numpy as np session ort.InferenceSession(best.onnx, providers[CUDAExecutionProvider, CPUExecutionProvider]) input_name session.get_inputs()[0].name img cv2.imread(frame.jpg) img_resized cv2.resize(img, (640, 640)) blob cv2.dnn.blobFromImage(img_resized, 1/255.0, (640, 640), swapRBTrue) blob np.transpose(blob, (0, 2, 3, 1)) # YOLOv5输入是NHWC格式 outputs session.run(None, {input_name: blob}) # outputs包含box坐标和分类得分后续需要自己实现坐标解码和NMS这段代码里的blobFromImage会做归一化和通道转换但要特别注意YOLOv5训练时用的是RGB且归一化到0-1而OpenCV默认读图是BGR所以swapRBTrue不能漏。NHWC是YOLOv5导出ONNX时的固定输入格式搞错维度顺序会得到一团乱码坐标。图像缩放没有保持长宽比也没有加letterbox如果部署时的输入和训练时的letterbox不一致检测精度会损失几个点正确做法是复制YOLOv5源码里的letterbox函数到部署代码中。5.3 后处理参数在息肉场景下的调优套路部署时最容易踩的坑是直接把训练时的超参数照搬到推理阶段。训练时mosaic等增强让模型见过各种尺度的目标推理时输入是干净的原始帧两者最优的conf阈值可能相差很大。我的套路是先在验证集上跑一组阈值扫描从0.05到0.9每隔0.05算一次precision和recall画出PR曲线然后根据临床需求选点——如果做辅助筛查要求高recall选曲线右上方拐点对应的阈值如果做自动报告生成要求高precision选左上方拐点。NMS的IoU阈值同理息肉密集场景用0.3能保留更多相邻框稀疏场景0.5更好。这类参数调整不需要重新训练改一下detect.py或部署脚本里的参数就行但要留下日志每台临床机器的部署参数单独记录因为不同设备图像风格不同最优参数可能不通用。6. 进阶可视化验证与召回率优先的迭代闭环模型训练完、部署通了这只是开始。临床医生不会因为你的mAP高就信任你的系统他们要看到的是可解释的证据。我常用的做法是生成两类可视化报告第一类是检测结果叠加到原视频帧的标注图包括正确检测绿色框、漏检医生标注但模型没框出来的区域用红色闪烁提示、误检黄色框第二类是学到的特征可视化用Grad-CAM或YOLOv5自带的特征图导出功能把最后一层特征图叠加到原图上看模型到底在关注息肉内部的血管纹理还是整个突起的轮廓。这类报告在跟临床团队沟通时比任何指标都有说服力——他们一眼就能看出哪些漏检是数据没覆盖、哪些误检是模型学偏了。召回率优先的迭代闭环是另一个值得建立的工程习惯。每次模型更新后除了跑验证集指标务必把上一轮漏检的样本重新喂给模型统计哪些漏检被修复了、哪些依然漏检并把这些漏检样本简易标注后加入训练集做增量训练。我个人的经验是息肉检测模型的性能天花板很大程度上不取决于网络结构而取决于你愿不愿意为每一台新设备、每一个新病例类型去补充数据。第一版模型可能只有93%的recall经过三轮这样“采集漏检负例→增量训练→重新部署”的循环能稳定到97%以上。这比换更大的模型、调更精细的anchor都靠谱。建立这个迭代闭环时给每台临床设备做一个独立的评估日志记录采集日期、设备型号、图像分辨率、检测阈值、当天recall/precision。遇到新设备数据时先跑日志里的历史参数不要改训练好的模型。这算是我的一个教训有一回为了适配一台色彩偏黄的老设备我把全局conf阈值从0.4降到了0.25结果那台设备好了另外两台设备误检率蹿升整个系统被临床团队拉黑了一周。后来改成按设备存储参数再也没有出过类似问题。做医疗相关的算法系统先把“可回溯”做好再谈性能优化。希望这套基于YOLOv5的息肉检测方案能让你少走我走过的弯路。本文还有配套的精品资源点击获取
