简介本资源面向医学图像处理与深度学习入门者提供一套基于YOLO模型的红细胞、白细胞、血小板识别与计数系统完整方案可用于贫血、感染等血液疾病辅助诊断研究。压缩包共2000个文件约276.9MB以1974个txt标注数据为主辅以yaml配置、py源码、xml标注与css样式覆盖数据集、模型训练、界面程序与预测全流程。项目采用Python开发包含UIProgram用户界面、TestFiles测试图片、models训练模型、datasets数据集及save_data训练记录等模块并集成wandb实验跟踪工具便于调试与优化。已有85人学习下载。读者可获得可直接运行的源代码、标注数据集与训练好的模型文件快速复现血细胞自动计数实验理解YOLO在医学图像目标检测中的落地方式适合课程设计、毕业设计或相关科研入门参考。1. 血涂片里的三行数字为什么用 YOLO 做血细胞识别与计数值得认真做一张外周血涂片显微镜下密密麻麻几百个细胞检验科医生要手动分类计数到 100 个白细胞才算完成一次镜检。这个动作重复几十年累、慢、还带主观偏差。用 YOLO 把红细胞、白细胞、血小板三类目标框出来再计数本质上是把「分类计数」这件苦力活交给模型把医生的时间留给判读。这不是炫技是真实存在的效率缺口。这个方向适合谁有 Python 基础、跑通过一次 YOLO 训练、手上有或能搞到血涂片图像的人。数据集是核心门槛公开的血细胞检测数据集不多多数要靠自己标注或找医院合作。模型本身不复杂YOLO 系列对这类「目标密集、尺寸差异大」的场景有天然适配——血小板可能只有十几个像素红细胞却占满视野多尺度特征金字塔正好吃这个。下面从数据、训练、计数逻辑到踩坑按能复现的路径讲清楚。2. 数据集怎么准备从血涂片图像到 YOLO 标注格式2.1 三类细胞的标注边界怎么定红细胞RBC是双凹圆盘标注时框住整个细胞轮廓注意别把重叠的红细胞框成一个——密集区域两个红细胞叠在一起宁可标两个重叠框也不要合并。白细胞WBC分叶核形态框要包含整个细胞质核分叶不能漏。血小板PLT最小常聚集成簇单个数不清就标一个框别硬拆。标注工具用 LabelImg 或 CVAT 都行导出 YOLO 格式。类别顺序固定为 0 RBC1 WBC2 PLT这个顺序后面训练和计数都要对齐改一次就要全链路改血泪经验是别中途换。2.2 目录结构与 data.yamlYOLO 训练要求固定的目录布局常见做法是这样blood_cell_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml内容path: ./blood_cell_dataset train: images/train val: images/val nc: 3 names: [RBC, WBC, PLT]nc是类别数这里 3 类。names顺序必须和标注时的类别索引一致否则训练出来的模型会把白细胞认成红细胞计数全错。path用相对路径时训练脚本的工作目录要对否则报找不到数据集。2.3 数据增强的参数取舍血涂片图像有染色差异、光照不均增强要针对这些。在 YOLO 的hyp.yaml里重点调这几个参数建议值理由hsv_h0.015染色色调偏移别太大hsv_s0.7染色深浅差异大hsv_v0.4光照不均degrees15涂片有旋转flipud0.5上下翻转合理fliplr0.5左右翻转合理mosaic1.0密集小目标受益scale0.5细胞尺寸差异大mosaic对小目标提升明显血小板这种十几个像素的目标靠它增加出现频率。但mosaic开到 1.0 时如果数据集本身图像少容易过拟合到拼接模式验证集 mAP 虚高。我一般先 1.0 跑看验证集表现再降到 0.5。3. 训练配置YOLO 参数怎么设、损失函数怎么看3.1 模型选型与输入尺寸YOLOv8n 或 YOLOv8s 起步就够血细胞检测不是超复杂场景大模型收益有限还慢。输入尺寸imgsz设 640 还是 1024血小板小640 下可能只剩几个像素建议 1024。代价是显存和速度V100 上 1024 跑 YOLOv8s 没问题消费级卡就降到 768 折中。训练命令yolo detect train \ datablood_cell_dataset/data.yaml \ modelyolov8s.pt \ imgsz1024 \ epochs200 \ batch16 \ lr00.01 \ patience30 \ projectruns/blood \ nameexp1modelyolov8s.pt用预训练权重血细胞和 COCO 类别不重叠但底层特征边缘、纹理可迁移比从头训收敛快。lr00.01是初始学习率YOLO 默认 0.01数据集小就降到 0.001 防震荡。patience30是早停30 轮验证集不提升就停省时间。3.2 损失函数三项各管什么YOLO 的损失分三块分类损失cls、边界框回归损失box、目标置信度损失dfl。训练日志里box_loss降不下去说明框不准检查标注质量cls_loss高说明类别混淆看是不是 RBC 和 WBC 标注边界模糊dfl_loss和框的分布有关一般跟着 box_loss 走。血细胞场景常见的是cls_loss偏高因为白细胞和红细胞在低倍下形态接近。解决办法提高imgsz让细节更清楚或者在数据里增加白细胞样本比例。别一上来就改损失函数权重先看数据。3.3 训练过程监控与混淆矩阵训练完看runs/blood/exp1/下的confusion_matrix.png。正常情况对角线深非对角线浅。如果 RBC 和 WBC 之间有明显非对角值说明这两类分不开。混淆矩阵总和有时不唯一是因为置信度阈值和 IoU 阈值影响匹配别纠结绝对值看相对分布。results.png里看 mAP50 和 mAP50-95。血细胞检测 mAP50 到 0.9 以上算可用mAP50-95 到 0.7 以上算不错。如果 mAP50 高但 mAP50-95 低说明框的位置不够准检查标注框是否贴合细胞边缘。4. 计数逻辑从检测框到三行数字4.1 推理与后处理训练完用best.pt推理from ultralytics import YOLO import cv2 model YOLO(runs/blood/exp1/weights/best.pt) results model.predict( sourcetest_slide.jpg, imgsz1024, conf0.25, iou0.45, saveTrue ) rbc_count 0 wbc_count 0 plt_count 0 for r in results: boxes r.boxes for box in boxes: cls_id int(box.cls[0]) if cls_id 0: rbc_count 1 elif cls_id 1: wbc_count 1 elif cls_id 2: plt_count 1 print(fRBC: {rbc_count}, WBC: {wbc_count}, PLT: {plt_count})conf0.25是置信度阈值低于这个的框丢掉。血小板小置信度容易低可以单独给 PLT 类降阈值但 YOLO 的predict不支持按类设阈值需要在后处理里手动过滤。iou0.45是 NMS 的 IoU 阈值重叠框合并血细胞密集时这个值别太高否则相邻细胞被误合并。4.2 计数校正重叠和边缘的处理直接数框有几个坑。第一重叠红细胞被 NMS 合并计数偏少。第二图像边缘的半个细胞被框住计数偏多。常见做法是边缘框如果中心点不在图像内不计入重叠区域用iou0.3更激进地保留框但会引入重复计数。更稳的做法是分区域计数。把图像切成网格每个网格单独推理再合并减少 NMS 跨区域误合并。代价是速度慢但计数更准。我一般先用整图推理看趋势如果 RBC 计数和人工计数差 10% 以内就不折腾分区域了。4.3 可视化与结果输出把计数结果画在图上import cv2 img cv2.imread(test_slide.jpg) for r in results: for box in r.boxes: x1, y1, x2, y2 map(int, box.xyxy[0]) cls_id int(box.cls[0]) conf float(box.conf[0]) color [(0,0,255), (0,255,0), (255,0,0)][cls_id] cv2.rectangle(img, (x1,y1), (x2,y2), color, 2) cv2.putText(img, f{model.names[cls_id]} {conf:.2f}, (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1) cv2.putText(img, fRBC:{rbc_count} WBC:{wbc_count} PLT:{plt_count}, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (255,255,255), 2) cv2.imwrite(result.jpg, img)颜色区分三类左上角写总数。这个图给医生看比三行数字直观。注意model.names是类别名列表顺序和训练时一致。5. 避坑与排查训练和计数里最容易翻车的五件事5.1 现象训练 loss 不降mAP 一直 0原因data.yaml路径错或者标注文件格式不对。YOLO 要求标注是class x_center y_center width height归一化到 0-1。如果标注是像素坐标训练会崩。解决用yolo detect train前先跑yolo detect val检查数据加载。打开一个labels/train/xxx.txt看数值是不是都在 0-1 之间。不是就重新导出。5.2 现象血小板几乎检测不到原因血小板太小imgsz640下特征丢失。或者训练集里血小板样本太少。解决imgsz提到 1024mosaic开到 1.0 增加小目标出现频率。如果还不行单独对血小板做过采样或者用切片推理SAHI把大图切小块再检测。5.3 现象训练中 BN 崩溃loss 变 NaN原因batch太小BN 层统计量不稳。或者学习率太高。解决batch至少 8显存不够就降imgsz。lr0降到 0.001加warmup_epochs5让学习率慢慢升。YOLO 默认有 warmup但数据集小的时候要手动加长。5.4 现象验证集 mAP 高但实际图片计数差很多原因验证集和实际图片分布不一致。染色方法、显微镜型号、光照条件不同都会导致域偏移。解决实际图片里挑几张加入训练集哪怕只标几十张域适应效果明显。或者用测试时增强TTAaugmentTrue在推理时开代价是速度慢三倍。5.5 现象红细胞计数比人工多 20%原因NMS 阈值太低重叠红细胞被拆成多个框。或者标注时把一个大红细胞标成了两个。解决iou从 0.45 提到 0.6让 NMS 更激进地合并。检查训练集标注看有没有重复框。如果红细胞本身重叠严重考虑用实例分割代替检测YOLOv8-seg 能出掩码按掩码面积计数更准。6. 进阶技巧用切片推理和类别自适应阈值把血小板计数拉上来血小板计数是三类里最难的小、少、置信度低。整图推理时conf0.25下血小板经常漏。我一般做两件事切片推理和类别自适应阈值。切片推理用 SAHI 库把 1024 的图切成 512 的块每块重叠 20%分别推理再合并。血小板在 512 的块里相对更大检测率提升明显。代码from sahi import AutoDetectionModel from sahi.predict import get_sliced_prediction detection_model AutoDetectionModel.from_pretrained( model_typeyolov8, model_pathruns/blood/exp1/weights/best.pt, confidence_threshold0.15, devicecuda:0 ) result get_sliced_prediction( test_slide.jpg, detection_model, slice_height512, slice_width512, overlap_height_ratio0.2, overlap_width_ratio0.2 ) plt_count sum(1 for p in result.object_prediction_list if p.category.name PLT)confidence_threshold0.15比整图推理低因为切片后每个目标的像素更多置信度更可靠。overlap20% 防止边缘目标被切掉。类别自适应阈值是在后处理里对 PLT 单独降阈值for r in results: for box in r.boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) if cls_id 2 and conf 0.25: continue # 血小板低于 0.25 丢掉 # 其他类正常计数但这样会引入假阳性。我的习惯是先看血小板计数的召回率如果漏检多就降阈值如果假阳性多就升。没有万能值每批数据都要调。验证计数准不准最直接的办法是找 10 张图人工数一遍和模型输出对比。RBC 误差 5% 以内、WBC 误差 3% 以内、PLT 误差 10% 以内就算可用。超过这个范围回去查数据质量和推理参数。最后说个习惯每次改完参数把conf、iou、imgsz、batch记在一个表格里跑完对比。血细胞检测这活参数玄学不少但记录能让你少走回头路。希望帮到你。本文还有配套的精品资源点击获取