深度学习目标检测】二十二、基于深度学习的肺炎检测系统-含数据集、GUI和源码（python，yolov8）

肺炎尽管很常见，但准确诊断是一项困难的任务。它要求训练有素的专家对胸部X光片进行检查，并通过临床病史，生命体征和实验室检查进行确认。肺炎通常表现为胸部X光片上一个或多个区域的阴影(opacity)增加。但是，由于肺部有许多其他状况，例如体液超负荷（肺水肿），出血，体液丢失（肺不张或塌陷），肺癌，放疗后或手术改变也会产生阴影(opacity)，因此对胸部X光片肺炎进行诊断非常复杂。在肺外，胸膜腔积液（胸腔积液）也表现为胸部X光片的阴影(opacity)增加。患者的拍片位置和吸气深度之类的许多因素可能会改变胸部X光片的外观，使解释更加复杂。临床医生因此要读取大量的图像。北美放射学会（RSNA®）因此希望通过ML的手段自动定位肺部阴影(opacity),以便优先进行检查并加快检查速度。

本文介绍了基于深度学习yolov8的肺炎检测系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。

检测结果如下图：

一、安装YoloV8

yolov8官方文档：主页 - Ultralytics YOLOv8 文档

安装部分参考：官方安装教程

1、安装pytorch

根据本机是否有GPU，安装适合自己的pytorch，如果需要训练自己的模型，建议使用GPU版本。

①GPU版本的pytorch安装

对于GPU用户，安装GPU版本的pytorch，首先在cmd命令行输入nvidia-smi，查看本机的cuda版本，如下图，我的cuda版本是12.4（如果版本过低，建议升级nvidia驱动）：

打开pytorch官网，选择合适的版本安装pytorch，如下图，建议使用conda安装防止cuda版本问题出现报错：

②CPU版本pytorch安装

打开pytorch官网，选择CPU版本安装pytorch，如下图：

2、安装yolov8

在命令行使用如下命令安装：

pip install ultralytics

二、数据集准备

本文数据集来自https://www.kaggle.com/c/rsna-pneumonia-detection-challenge/overview

该数据集包含5950个训练数据，662个测试数据，数据如下图：

为了使用yolov8算法进行训练，需要将该数据转换为yolov8格式，本文提供转换好的数据集下载连接：RSNA Pneumonia（RSNA肺炎）yolov8格式数据集，该数据集包含5950个训练数据，662个测试数据

三、模型配置及训练

1、数据集配置文件

创建数据集配置文件rsna_pneumonia.yaml，内容如下（将path路径替换为自己的数据集路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)
 
 
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\DeepLearning\datasets\csdn\rsna_pneumonia_yolov8  # 替换为自己的数据集路径
train: images/train 
val: images/val 
test: images/test  
 
# Classes
names:
  0: pneumonia

2、训练模型

使用如下命令训练模型，数据配置文件路径更改为自己的路径，model根据自己的需要使用yolov8n/s/l/x版本，其他参数根据自己的需要进行设置：

yolo detect train project=rsna_pneumonia name=train exist_ok data=rsna_pneumonia/rsna_pneumonia.yaml model=yolov8n.yaml epochs=100 imgsz=640

3、验证模型

使用如下命令验证模型，相关路径根据需要修改：

yolo detect val imgsz=640 model=rsna_pneumonia/train/weights/best.pt data=rsna_pneumonia/rsna_pneumonia.yaml

精度如下：

# Ultralytics YOLOv8.1.20 🚀 Python-3.9.18 torch-2.2.0 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
# YOLOv8n summary (fused): 168 layers, 3005843 parameters, 0 gradients, 8.1 GFLOPs
# val: Scanning D:\DeepLearning\datasets\csdn\rsna_pneumonia_yolov8\labels\val.cache... 607 images, 55 backgrounds, 0 corrupt: 100%|██████████| 662/662 [00:00<?, ?it/s]
#                  Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 42/42 [00:12<00:00,  3.47it/s]
#                    all        662        962      0.541      0.559      0.539      0.225
# Speed: 0.5ms preprocess, 7.0ms inference, 0.0ms loss, 2.5ms postprocess per image

四、推理

训练好了模型，可以使用如下代码实现推理，权重路径修改为自己的路径：

from PIL import Image
from ultralytics import YOLO
 
# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')
 
image_path = 'test.jpg'
results = model(image_path)  # 结果列表
 
# 展示结果
for r in results:
    im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()  # 显示图像
    im.save('results.jpg')  # 保存图像