当前位置： 首页 > news >正文

基于深度学习YOLOv10的红细胞、白细胞和血小板检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

news 2026/7/28 5:33:55

一、项目介绍

项目背景:
红细胞检测在医学诊断、血液分析和疾病监测中具有重要意义。传统的红细胞检测方法依赖于显微镜观察或流式细胞术，效率较低且需要专业人员操作。基于深度学习的目标检测技术能够自动识别红细胞、白细胞和血小板，并在复杂背景下提供准确的检测结果。

项目目标:
本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的红细胞检测系统。系统能够实时检测图像中的红细胞（RBC）、白细胞（WBC）和血小板（Platelets），并输出检测结果。通过训练和优化模型，系统能够在复杂背景下准确识别血细胞，满足医学诊断和血液分析的需求。

技术栈:

  • 深度学习框架: PyTorch

  • 目标检测算法: YOLOv10

  • 数据处理: OpenCV, NumPy

  • 模型训练与评估: PyTorch Lightning, TensorBoard

  • 部署: ONNX, TensorRT (可选)

项目流程:

  1. 数据准备: 收集并标注血细胞图像数据，划分为训练集、验证集和测试集。

  2. 模型训练: 使用 YOLOv10 模型在训练集上进行训练，调整超参数以优化模型性能。

  3. 模型评估: 在验证集和测试集上评估模型性能，计算精度、召回率、mAP等指标。

  4. 模型优化: 通过数据增强、模型剪枝、量化等技术进一步优化模型。

  5. 部署与应用: 将训练好的模型部署到实际应用场景中，如医学诊断系统、血液分析仪或移动端设备。

目录

一、项目介绍

二、项目功能展示

系统功能

图片检测

视频检测

摄像头实时检测

三、数据集介绍

数据集配置文件data.yaml

数据集制作流程

四、项目环境配置

创建虚拟环境

pycharm中配置anaconda

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

七、项目源码

基于深度学习YOLOv10的红细胞、白细胞和血小板识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv10的红细胞、白细胞和血小板识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

二、项目功能展示

系统功能

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅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。

✅参数实时调节（置信度和IoU阈值）

  • 图片检测

该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。

  • 视频检测

视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。

  • 摄像头实时检测

该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。

核心特点：

  • 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
  • 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
  • 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。

三、数据集介绍

数据集配置文件data.yaml

train: .\datasets\images\train val: .\datasets\images\val test: .\datasets\images\test nc: 3 names: ['Platelets', 'RBC', 'WBC']

数据集制作流程

  • 标注数据：使用标注工具（如LabelImg、CVAT等）对图像中的目标进行标注。每个目标需要标出边界框，并且标注类别。

  • 转换格式：将标注的数据转换为YOLO格式。YOLO标注格式为每行：<object-class> <x_center> <y_center> <width> <height>，这些坐标是相对于图像尺寸的比例。

  • 分割数据集：将数据集分为训练集、验证集和测试集，通常的比例是80%训练集、10%验证集和10%测试集。

  • 准备标签文件：为每张图片生成一个对应的标签文件，确保标签文件与图片的命名一致。

  • 调整图像尺寸：根据YOLO网络要求，统一调整所有图像的尺寸（如416x416或608x608）。

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov10 python==3.9

激活虚拟环境

conda activate yolov10

安装cpu版本pytorch

pip install torch torchvision torchaudio

pycharm中配置anaconda

安装所需要库

pip install -r requirements.txt

五、模型训练

训练代码

from ultralytics import YOLOv10 model_path = 'yolov10s.pt' data_path = 'datasets/data.yaml' if __name__ == '__main__': model = YOLOv10(model_path) results = model.train(data=data_path, epochs=500, batch=64, device='0', workers=0, project='runs/detect', name='exp', )
根据实际情况更换模型 yolov10n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 yolov10s.yaml (small)：小模型，适合实时任务。 yolov10m.yaml (medium)：中等大小模型，兼顾速度和精度。 yolov10b.yaml (base)：基本版模型，适合大部分应用场景。 yolov10l.yaml (large)：大型模型，适合对精度要求高的任务。
  • --batch 64：每批次64张图像。
  • --epochs 500：训练500轮。
  • --datasets/data.yaml：数据集配置文件。
  • --weights yolov10s.pt：初始化模型权重，yolov10s.pt是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLOv10 from UiMain import UiMainWindow import time import os class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal = pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parent=None): super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running = True def run(self): try: if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头 cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break # 保存原始帧 original_frame = frame.copy() # 检测 results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame = cv2.imread(self.source) if frame is not None: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(f"Detection error: {e}") finally: self.finished_signal.emit() def stop(self): self.running = False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model = None self.detection_thread = None self.current_image = None self.current_result = None self.video_writer = None self.is_camera_running = False self.is_video_running = False self.last_detection_result = None # 新增：保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name = self.model_combo.currentText() self.model = YOLOv10(f"{model_name}.pt") # 自动下载或加载本地模型 self.update_status(f"模型 {model_name} 加载成功") except Exception as e: QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}") self.update_status("模型加载失败") def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片: {os.path.basename(file_path)}") def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.clear_results() self.is_video_running = True # 初始化视频写入器 cap = cv2.VideoCapture(file_path) frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir, f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频: {os.path.basename(file_path)}") def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return self.clear_results() self.is_camera_running = True # 创建检测线程 (默认使用摄像头0) conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...") def stop_detection(self): if self.detection_thread and self.detection_thread.isRunning(): self.detection_thread.stop() self.detection_thread.quit() self.detection_thread.wait() if self.video_writer: self.video_writer.release() self.video_writer = None self.is_camera_running = False self.is_video_running = False self.update_status("检测已停止") def on_frame_received(self, original_frame, result_frame, detections): # 更新原始图像和结果图像 self.display_image(self.original_image_label, original_frame) self.display_image(self.result_image_label, result_frame) # 保存当前结果帧用于后续保存 self.last_detection_result = result_frame # 新增：保存检测结果 # 更新表格 self.clear_results() for class_name, confidence, x, y in detections: self.add_detection_result(class_name, confidence, x, y) # 保存视频帧 if self.video_writer: self.video_writer.write(cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR)) def on_detection_finished(self): if self.video_writer: self.video_writer.release() self.video_writer = None self.update_status("视频检测完成，结果已保存") elif self.is_camera_running: self.update_status("摄像头检测已停止") else: self.update_status("图片检测完成") def save_result(self): if not hasattr(self, 'last_detection_result') or self.last_detection_result is None: QMessageBox.warning(self, "警告", "没有可保存的检测结果") return save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") if self.is_camera_running or self.is_video_running: # 保存当前帧为图片 save_path = os.path.join(save_dir, f"snapshot_{timestamp}.jpg") cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR)) self.update_status(f"截图已保存: {save_path}") else: # 保存图片检测结果 save_path = os.path.join(save_dir, f"result_{timestamp}.jpg") cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR)) self.update_status(f"检测结果已保存: {save_path}") def closeEvent(self, event): self.stop_detection() event.accept() if __name__ == "__main__": app = QApplication(sys.argv) # 设置应用程序样式 app.setStyle("Fusion") # 创建并显示主窗口 window = MainWindow() window.show() sys.exit(app.exec_())

基于深度学习YOLOv10的红细胞、白细胞和血小板识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv10的红细胞、白细胞和血小板识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

http://www.cnnetsun.cn/news/685720.html

相关文章：

  • 嵌入式存储芯片驱动解析：标准化接口与STM32 FMC配置指南
  • 本科毕业论文流程图制作方法
  • Python+django的教师讲座听课评课管理系统
  • vue3+python的粮油商品交易平台设计与实现
  • NuImages 数据集转 YOLO 格式全攻略｜踩过的坑和完整解决方案汇总
  • RK3588实战秘籍：YOLOv5s多线程部署，FPS从16飙升到120，轻量化+性能加速全流程教学
  • YOLOv13结构优化新方案：替换GSConv，轻量化同时mAP狂涨6.56%！
  • YOLOv8融合HAttention深度解析：激活像素级注意力的新范式
  • 为什么YOLOv13要用SKAttention？一文搞懂选择性核注意力的原理与实战效果
  • 2026必备！研究生论文写作TOP8一键生成论文工具测评
  • 课程论文别再凑字数！宏智树 AI 教你高效写出高分范文
  • AI 写论文哪个软件最好？实测揭秘！宏智树 AI 凭 “真研究” 实力领跑
  • 企业级AI基础设施架构：应对大模型混战的模型无关设计指南
  • 计算机毕业设计 | SpringBoot+vue体育馆使用预约平台(附源码+论文)
  • AWS Machine Learning Specialty 证书备考经验
  • 收藏必备！AI产品经理转型指南：从迷茫到高薪，3步搞定大模型时代最值得All in岗位
  • Python+django的钢构企业的生产过程控制管理系统设计与实现_ngja5ia7
  • Python+django的高校两校区通勤校车预约系统的设计与实现 论文
  • Python+django的高校大学生就业信息求职招聘需求的数据分析系统的设计与实现
  • 毕业论文通关指南：宏智树 AI 教你避开写作那些坑
  • 学霸同款9个AI论文软件，继续教育学生必备！
  • 期刊论文录用密码：宏智树 AI 教你打通写作投稿全链路
  • 图片批量处理工具！可批量转换格式，批量修改图片尺寸，处理速度极快，一键轻松搞定！
  • STM32F0实战：基于HAL库开发【1.5】
  • ChromeStandalone_58.0.3029.110使用步骤详解（附安装与设置教程）
  • Node.js用os.tmpdir高效获取临时目录
  • springboot的快递物流仓库管理系统设计开发实现
  • 小程序毕设项目：基于springboot的育儿妈宝小程序的设计与实现(源码+文档，讲解、调试运行，定制等)
  • 微信小程序毕设项目推荐-基于小程序的位置服务的城市路线分享系统基于springboot位置服务的城市路线分享系统小程序【附源码+文档，调试定制服务】
  • 攻克RAG系统最后一公里 图文混排PDF解析的挑战与实战方案