简介本资源为胸部X线结节目标检测数据集面向医学影像分析方向的算法工程师、研究生及YOLO实战学习者用于训练和验证肺结节自动检测模型。数据集共约2000张已标注图像采用YOLO标准标注格式类别仅含结节一类并已预先划分训练集与测试集可直接接入YOLOv5等主流检测框架开展实验。压缩包内共2000个文件以1999个txt标注文件与1个show.py可视化脚本为主整体约120.23MB运行show脚本即可快速查看标注框与图像对应效果便于检查数据质量。目前已有44人学习下载。对于希望复现医学目标检测流程、验证改进网络在真实胸部X线数据上表现的读者该资源提供了开箱即用的标注数据与可视化入口可节省数据清洗与格式转换时间将精力集中于模型结构改进与调参对比。1. 胸部 X 线结节检测2000 张 YOLO 标注数据能跑出什么手里有一份约 2000 张的胸部 X 线结节图像数据集已按 YOLO 格式标注好这件事的价值不在于“数据量有多大”而在于它把最耗人力的标注环节省掉了。做过目标检测的人都知道公开数据集要么类别不对口要么标注质量参差真正能直接进训练脚本的干净数据少之又少。胸部 X 线里的肺结节检测属于医学影像里门槛适中的任务目标小、对比度低、正负样本极不均衡但图像是单通道灰度图预处理链路比 CT 序列短得多。这份数据适合两类人一类是想把 YOLO 系列从通用场景迁移到医学影像的工程师另一类是手里有临床图像但缺标注、想先拿现成数据验证流程可行性的算法同学。2000 张不算多但足够跑通一次完整的训练、验证、调参闭环也能暴露小目标检测里最典型的几个坑。2. 先搞清楚 YOLO 格式的胸部 X 线标注到底长什么样2.1 目录结构与标签文件格式YOLO 格式的数据集通常长这样一个 images 目录放原图一个 labels 目录放同名 txt 标签外加一个 data.yaml 描述类别和路径。胸部 X 线结节数据一般只有一个类别叫 nodule 或者 lung_nodule。每张图的标签文件里每一行代表一个结节框格式是class_id x_center y_center width height后四个值都是归一化到 0 到 1 之间的浮点数。这里有个容易翻车的地方归一化用的是原图宽高不是缩放后的尺寸。如果你在预处理阶段把图 resize 了却没同步改标签框就会整体偏移。# 典型的 YOLO 数据集目录结构 dataset/ ├── images/ │ ├── train/ │ │ ├── patient_001.png │ │ └── patient_002.png │ └── val/ │ ├── patient_101.png │ └── patient_102.png ├── labels/ │ ├── train/ │ │ ├── patient_001.txt │ │ └── patient_002.txt │ └── val/ │ ├── patient_101.txt │ └── patient_102.txt └── data.yaml上面这个结构是 Ultralytics 系 YOLO 默认认的布局。images 和 labels 必须严格对应文件名去掉扩展名后要一致。data.yaml 里写清楚 train、val 的路径和类别名。注意路径最好用绝对路径相对路径在不同工作目录下启动训练时经常找不到文件这是新手最常踩的坑之一。2.2 标注质量自查三行脚本筛掉坏框拿到标注数据第一件事不是急着训练而是查标签。医学影像标注里常见的问题包括框超出图像边界、宽高为 0、坐标写成像素值没归一化、同一结节被标了两次。写个脚本扫一遍比训练到一半发现 loss 不降要省时间得多。import os import glob label_dir dataset/labels/train bad_files [] for txt_path in glob.glob(os.path.join(label_dir, *.txt)): with open(txt_path, r) as f: lines f.readlines() for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: bad_files.append((txt_path, i, 字段数不对)) continue cls, x, y, w, h parts x, y, w, h map(float, [x, y, w, h]) # 归一化坐标必须在 0-1 之间宽高必须大于 0 if not (0 x 1 and 0 y 1): bad_files.append((txt_path, i, 中心点越界)) if w 0 or h 0 or w 1 or h 1: bad_files.append((txt_path, i, 宽高异常)) print(f发现 {len(bad_files)} 个可疑标注) for item in bad_files[:20]: print(item)这段脚本检查三件事每行是否恰好 5 个字段、中心点是否在 0 到 1 之间、宽高是否为正且不超过 1。参数上label_dir 换成你自己的标签目录即可。如果发现大量“宽高异常”大概率是标注工具导出时没做归一化需要拿原图尺寸重新除一遍。如果只是零星几个坏框直接删掉对应行或者整张图移出训练集别让脏数据进模型。2.3 胸部 X 线特有的预处理为什么不能直接套通用增强通用目标检测的增强手段里颜色抖动、HSV 变换、马赛克增强都很常见但胸部 X 线是灰度图颜色相关的增强要么无效要么引入伪影。更关键的是医学影像里结节的形态和位置有临床意义随机裁剪可能把结节切掉一半随机旋转会让左右肺位置颠倒这些都会让模型学到错误关联。常见做法是保留缩放、平移、亮度对比度微调慎用大角度旋转和随机裁剪。马赛克增强在小目标上有时能提升召回但胸部 X 线里结节本来就小四张图拼一起后目标更小反而可能拖累收敛。我一般会先关掉马赛克跑一版基线再决定要不要开。3. 用 YOLOv8 在 2000 张胸部 X 线上跑通训练闭环3.1 环境配置与预训练权重选择环境这块Python 3.9 到 3.11 都比较稳PyTorch 选和 CUDA 匹配的版本。Ultralytics 的包直接 pip 装就行它会自动拉依赖。预训练权重建议从 yolov8s 或 yolov8m 起步n 太小对医学小目标欠拟合l 和 x 在 2000 张数据上容易过拟合。如果显卡显存只有 8Gyolov8s 配 imgsz 640 基本能跑batch 设 8 或 16。显存够的话上 yolov8m召回通常会好一截。# 创建环境并安装依赖 conda create -n cxr_yolo python3.10 -y conda activate cxr_yolo pip install ultralytics pip install opencv-python matplotlib # 验证安装和显卡可见性 python -c import torch; print(torch.__version__, torch.cuda.is_available())装完后先确认 torch.cuda.is_available() 返回 True否则训练会默默跑在 CPU 上2000 张图能跑到天荒地老。如果返回 False先查显卡驱动和 CUDA 版本别急着改代码。3.2 data.yaml 配置与训练命令逐参数说明data.yaml 是训练入口写错一个路径后面全白搭。胸部 X 线结节只有一类nc 设 1names 写 nodule。# data.yaml path: /abs/path/to/dataset train: images/train val: images/val nc: 1 names: 0: nodulepath 用绝对路径train 和 val 相对于 path。如果验证集想单独指定也可以写绝对路径。配置好后启动训练yolo detect train \ modelyolov8s.pt \ datadata.yaml \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ device0 \ projectruns/cxr \ namebaseline逐个说参数epochs 设 150 是因为医学小目标收敛慢但 patience 30 会在验证指标不再提升时提前停避免无效训练。imgsz 640 是精度和显存的平衡点结节太小的话可以试 1024但显存翻倍。lr0 初始学习率 0.01 对 yolov8s 偏大如果 loss 震荡就降到 0.005。batch 根据显存调16 不够就 8。device0 指定第一块卡。project 和 name 决定输出目录跑完在 runs/cxr/baseline 下能看到权重、曲线和混淆矩阵。3.3 训练过程看什么loss 曲线与验证指标训练启动后重点盯三个东西box_loss、cls_loss 和 mAP50。box_loss 管框回归cls_loss 管分类胸部 X 线只有一类cls_loss 通常降得很快。如果 box_loss 降到某个值就不动了可能是学习率太小或者标注框本身不一致。mAP50 是 IoU 0.5 下的平均精度小目标任务里这个值能到 0.4 以上就算不错。mAP50-95 更严格医学影像里通常比 mAP50 低不少别拿通用数据集的预期来套。验证集 loss 开始上升而训练 loss 还在降就是过拟合信号该早停或者加增强。from ultralytics import YOLO # 加载训练好的权重做验证 model YOLO(runs/cxr/baseline/weights/best.pt) metrics model.val(datadata.yaml, imgsz640, batch16) print(fmAP50: {metrics.box.map50:.4f}) print(fmAP50-95: {metrics.box.map:.4f}) print(f精确率: {metrics.box.mp:.4f}) print(f召回率: {metrics.box.mr:.4f})这段代码加载 best.pt 在验证集上重新算指标。注意 val 默认用的置信度阈值和 NMS 参数可能和训练时不同如果指标和训练日志对不上先检查这两处。召回率低说明漏检多可以降置信度阈值或者加数据精确率低说明误检多可以提阈值或者清理负样本。4. 小目标结节检测的调参与踩坑记录4.1 锚框与特征图尺度为什么小节点容易漏YOLOv8 是无锚框设计靠特征图上的点直接回归框但小目标依然依赖高分辨率特征图。P3 层 stride 8对 640 输入来说每个格子对应 8 像素结节如果只有十几像素在 P3 上也就一两个格子信息量很少。常见做法是加 P2 层stride 4但计算量上去了。另一个思路是把 imgsz 提到 1024让结节在特征图上占更多格子。如果显存不够可以只对含结节的图像做高分辨率训练背景图降采样但这需要改 dataloader工程量不小。我一般先试 imgsz 1024 跑一版看召回能涨多少再决定值不值得加 P2。4.2 正负样本失衡与损失函数表现胸部 X 线里结节占比极低一张图可能就一两个结节剩下全是肺野和骨骼。YOLOv8 的分类损失用 BCE框回归用 CIoU 加 DFL。正样本太少时分类损失会被负样本主导模型倾向于全预测背景。缓解手段包括提高正样本采样权重、用 focal loss 替代 BCE、或者在数据层面过采样含结节的图。Ultralytics 默认没开 focal loss要改得动源码。更简单的做法是在 data.yaml 里把含结节的图复制几份文件名加后缀区分让每个 epoch 见到的正样本更多。注意别复制太多否则过拟合到那几张图。4.3 避坑记录胸部 X 线 YOLO 训练里最常见的五个翻车点现象一训练 loss 正常下降但验证 mAP 一直是 0。原因通常是验证集标签路径不对或者验证集图片和标签文件名不匹配。YOLO 找不到标签时会当背景处理指标自然全零。解决用 2.2 的脚本扫一遍验证集标签确认每个 txt 都能对应到同名图片。现象二训练到一半 loss 突然变 NaN。医学影像里常见原因是学习率太大加上某批数据里有异常值。先降 lr0 到 0.001 重跑如果还崩检查输入图像是否有全黑或全白的坏图。另外混合精度训练在个别显卡上会不稳定可以加ampFalse关掉试试。现象三模型把肋骨、锁骨当成结节误检一堆。这是负样本不够多样导致的。2000 张里如果背景图太少模型没见过足够多的正常结构。解决把不含结节的正常胸片也放进训练集标签文件留空让模型学会区分正常解剖结构和结节。现象四同一张图里相邻两个结节只检出一个。NMS 的 IoU 阈值默认 0.7两个结节框重叠度高时会被合并。解决把 NMS 的 IoU 阈值降到 0.5 或更低在 val 和 predict 时都调。但降太低会引入重复框需要权衡。现象五换用 yolov8m 后显存爆了batch 降到 4 还是 OOM。除了降 batch还可以开梯度累积用nbs64配合小 batch 模拟大 batch 效果。另外 imgsz 从 640 降到 512 也能省不少显存但小目标召回会掉慎用。5. 从能跑到好用推理部署与阈值调优的一个具体技巧训练出 best.pt 只是第一步真正落地时推理端的阈值调优往往比训练本身更影响体验。胸部 X 线结节检测里置信度阈值和 NMS IoU 阈值是两个最关键的旋钮。默认 conf 0.25 在通用数据集上还行但医学影像里模型对结节的置信度普遍偏低很多真结节落在 0.1 到 0.2 之间。我一般会拿验证集跑一遍不同 conf 下的精确率-召回率曲线找召回率还能接受、精确率开始陡降的那个点。具体做法是用 predict 模式批量跑验证集把结果存成 json再用 sklearn 算 PR 曲线。from ultralytics import YOLO import json model YOLO(runs/cxr/baseline/weights/best.pt) # 在不同置信度下跑推理收集结果 for conf in [0.05, 0.1, 0.15, 0.2, 0.25, 0.3]: results model.predict( sourcedataset/images/val, confconf, iou0.5, saveFalse, streamTrue ) det_count 0 for r in results: det_count len(r.boxes) print(fconf{conf}, 检出框总数{det_count})这段代码不直接算 PR而是先看不同 conf 下检出框数量的变化。如果 conf 从 0.05 提到 0.1 框数骤降说明大量低置信度框是噪声如果缓慢下降说明模型对结节的确信度分布比较平滑可以适当降 conf 保召回。iou 参数控制 NMS 合并力度结节密集时调到 0.4 到 0.5稀疏时 0.6 到 0.7。实际部署时我习惯把 conf 设得比验证集最优值再低 0.05宁可多报几个让医生复核也别漏掉真结节。这个习惯是从一次漏检教训里来的验证集 mAP 看着不错上线后连续漏了两个明显结节回头查发现 conf 卡在 0.25 把 0.23 的真结节滤掉了。后来我把推理 conf 统一降到 0.15误报多了些但再没出过漏检。希望帮到你。本文还有配套的精品资源点击获取
基于2000张YOLO标注数据的胸部X线结节检测实战
简介本资源为胸部X线结节目标检测数据集面向医学影像分析方向的算法工程师、研究生及YOLO实战学习者用于训练和验证肺结节自动检测模型。数据集共约2000张已标注图像采用YOLO标准标注格式类别仅含结节一类并已预先划分训练集与测试集可直接接入YOLOv5等主流检测框架开展实验。压缩包内共2000个文件以1999个txt标注文件与1个show.py可视化脚本为主整体约120.23MB运行show脚本即可快速查看标注框与图像对应效果便于检查数据质量。目前已有44人学习下载。对于希望复现医学目标检测流程、验证改进网络在真实胸部X线数据上表现的读者该资源提供了开箱即用的标注数据与可视化入口可节省数据清洗与格式转换时间将精力集中于模型结构改进与调参对比。1. 胸部 X 线结节检测2000 张 YOLO 标注数据能跑出什么手里有一份约 2000 张的胸部 X 线结节图像数据集已按 YOLO 格式标注好这件事的价值不在于“数据量有多大”而在于它把最耗人力的标注环节省掉了。做过目标检测的人都知道公开数据集要么类别不对口要么标注质量参差真正能直接进训练脚本的干净数据少之又少。胸部 X 线里的肺结节检测属于医学影像里门槛适中的任务目标小、对比度低、正负样本极不均衡但图像是单通道灰度图预处理链路比 CT 序列短得多。这份数据适合两类人一类是想把 YOLO 系列从通用场景迁移到医学影像的工程师另一类是手里有临床图像但缺标注、想先拿现成数据验证流程可行性的算法同学。2000 张不算多但足够跑通一次完整的训练、验证、调参闭环也能暴露小目标检测里最典型的几个坑。2. 先搞清楚 YOLO 格式的胸部 X 线标注到底长什么样2.1 目录结构与标签文件格式YOLO 格式的数据集通常长这样一个 images 目录放原图一个 labels 目录放同名 txt 标签外加一个 data.yaml 描述类别和路径。胸部 X 线结节数据一般只有一个类别叫 nodule 或者 lung_nodule。每张图的标签文件里每一行代表一个结节框格式是class_id x_center y_center width height后四个值都是归一化到 0 到 1 之间的浮点数。这里有个容易翻车的地方归一化用的是原图宽高不是缩放后的尺寸。如果你在预处理阶段把图 resize 了却没同步改标签框就会整体偏移。# 典型的 YOLO 数据集目录结构 dataset/ ├── images/ │ ├── train/ │ │ ├── patient_001.png │ │ └── patient_002.png │ └── val/ │ ├── patient_101.png │ └── patient_102.png ├── labels/ │ ├── train/ │ │ ├── patient_001.txt │ │ └── patient_002.txt │ └── val/ │ ├── patient_101.txt │ └── patient_102.txt └── data.yaml上面这个结构是 Ultralytics 系 YOLO 默认认的布局。images 和 labels 必须严格对应文件名去掉扩展名后要一致。data.yaml 里写清楚 train、val 的路径和类别名。注意路径最好用绝对路径相对路径在不同工作目录下启动训练时经常找不到文件这是新手最常踩的坑之一。2.2 标注质量自查三行脚本筛掉坏框拿到标注数据第一件事不是急着训练而是查标签。医学影像标注里常见的问题包括框超出图像边界、宽高为 0、坐标写成像素值没归一化、同一结节被标了两次。写个脚本扫一遍比训练到一半发现 loss 不降要省时间得多。import os import glob label_dir dataset/labels/train bad_files [] for txt_path in glob.glob(os.path.join(label_dir, *.txt)): with open(txt_path, r) as f: lines f.readlines() for i, line in enumerate(lines): parts line.strip().split() if len(parts) ! 5: bad_files.append((txt_path, i, 字段数不对)) continue cls, x, y, w, h parts x, y, w, h map(float, [x, y, w, h]) # 归一化坐标必须在 0-1 之间宽高必须大于 0 if not (0 x 1 and 0 y 1): bad_files.append((txt_path, i, 中心点越界)) if w 0 or h 0 or w 1 or h 1: bad_files.append((txt_path, i, 宽高异常)) print(f发现 {len(bad_files)} 个可疑标注) for item in bad_files[:20]: print(item)这段脚本检查三件事每行是否恰好 5 个字段、中心点是否在 0 到 1 之间、宽高是否为正且不超过 1。参数上label_dir 换成你自己的标签目录即可。如果发现大量“宽高异常”大概率是标注工具导出时没做归一化需要拿原图尺寸重新除一遍。如果只是零星几个坏框直接删掉对应行或者整张图移出训练集别让脏数据进模型。2.3 胸部 X 线特有的预处理为什么不能直接套通用增强通用目标检测的增强手段里颜色抖动、HSV 变换、马赛克增强都很常见但胸部 X 线是灰度图颜色相关的增强要么无效要么引入伪影。更关键的是医学影像里结节的形态和位置有临床意义随机裁剪可能把结节切掉一半随机旋转会让左右肺位置颠倒这些都会让模型学到错误关联。常见做法是保留缩放、平移、亮度对比度微调慎用大角度旋转和随机裁剪。马赛克增强在小目标上有时能提升召回但胸部 X 线里结节本来就小四张图拼一起后目标更小反而可能拖累收敛。我一般会先关掉马赛克跑一版基线再决定要不要开。3. 用 YOLOv8 在 2000 张胸部 X 线上跑通训练闭环3.1 环境配置与预训练权重选择环境这块Python 3.9 到 3.11 都比较稳PyTorch 选和 CUDA 匹配的版本。Ultralytics 的包直接 pip 装就行它会自动拉依赖。预训练权重建议从 yolov8s 或 yolov8m 起步n 太小对医学小目标欠拟合l 和 x 在 2000 张数据上容易过拟合。如果显卡显存只有 8Gyolov8s 配 imgsz 640 基本能跑batch 设 8 或 16。显存够的话上 yolov8m召回通常会好一截。# 创建环境并安装依赖 conda create -n cxr_yolo python3.10 -y conda activate cxr_yolo pip install ultralytics pip install opencv-python matplotlib # 验证安装和显卡可见性 python -c import torch; print(torch.__version__, torch.cuda.is_available())装完后先确认 torch.cuda.is_available() 返回 True否则训练会默默跑在 CPU 上2000 张图能跑到天荒地老。如果返回 False先查显卡驱动和 CUDA 版本别急着改代码。3.2 data.yaml 配置与训练命令逐参数说明data.yaml 是训练入口写错一个路径后面全白搭。胸部 X 线结节只有一类nc 设 1names 写 nodule。# data.yaml path: /abs/path/to/dataset train: images/train val: images/val nc: 1 names: 0: nodulepath 用绝对路径train 和 val 相对于 path。如果验证集想单独指定也可以写绝对路径。配置好后启动训练yolo detect train \ modelyolov8s.pt \ datadata.yaml \ epochs150 \ imgsz640 \ batch16 \ lr00.01 \ patience30 \ device0 \ projectruns/cxr \ namebaseline逐个说参数epochs 设 150 是因为医学小目标收敛慢但 patience 30 会在验证指标不再提升时提前停避免无效训练。imgsz 640 是精度和显存的平衡点结节太小的话可以试 1024但显存翻倍。lr0 初始学习率 0.01 对 yolov8s 偏大如果 loss 震荡就降到 0.005。batch 根据显存调16 不够就 8。device0 指定第一块卡。project 和 name 决定输出目录跑完在 runs/cxr/baseline 下能看到权重、曲线和混淆矩阵。3.3 训练过程看什么loss 曲线与验证指标训练启动后重点盯三个东西box_loss、cls_loss 和 mAP50。box_loss 管框回归cls_loss 管分类胸部 X 线只有一类cls_loss 通常降得很快。如果 box_loss 降到某个值就不动了可能是学习率太小或者标注框本身不一致。mAP50 是 IoU 0.5 下的平均精度小目标任务里这个值能到 0.4 以上就算不错。mAP50-95 更严格医学影像里通常比 mAP50 低不少别拿通用数据集的预期来套。验证集 loss 开始上升而训练 loss 还在降就是过拟合信号该早停或者加增强。from ultralytics import YOLO # 加载训练好的权重做验证 model YOLO(runs/cxr/baseline/weights/best.pt) metrics model.val(datadata.yaml, imgsz640, batch16) print(fmAP50: {metrics.box.map50:.4f}) print(fmAP50-95: {metrics.box.map:.4f}) print(f精确率: {metrics.box.mp:.4f}) print(f召回率: {metrics.box.mr:.4f})这段代码加载 best.pt 在验证集上重新算指标。注意 val 默认用的置信度阈值和 NMS 参数可能和训练时不同如果指标和训练日志对不上先检查这两处。召回率低说明漏检多可以降置信度阈值或者加数据精确率低说明误检多可以提阈值或者清理负样本。4. 小目标结节检测的调参与踩坑记录4.1 锚框与特征图尺度为什么小节点容易漏YOLOv8 是无锚框设计靠特征图上的点直接回归框但小目标依然依赖高分辨率特征图。P3 层 stride 8对 640 输入来说每个格子对应 8 像素结节如果只有十几像素在 P3 上也就一两个格子信息量很少。常见做法是加 P2 层stride 4但计算量上去了。另一个思路是把 imgsz 提到 1024让结节在特征图上占更多格子。如果显存不够可以只对含结节的图像做高分辨率训练背景图降采样但这需要改 dataloader工程量不小。我一般先试 imgsz 1024 跑一版看召回能涨多少再决定值不值得加 P2。4.2 正负样本失衡与损失函数表现胸部 X 线里结节占比极低一张图可能就一两个结节剩下全是肺野和骨骼。YOLOv8 的分类损失用 BCE框回归用 CIoU 加 DFL。正样本太少时分类损失会被负样本主导模型倾向于全预测背景。缓解手段包括提高正样本采样权重、用 focal loss 替代 BCE、或者在数据层面过采样含结节的图。Ultralytics 默认没开 focal loss要改得动源码。更简单的做法是在 data.yaml 里把含结节的图复制几份文件名加后缀区分让每个 epoch 见到的正样本更多。注意别复制太多否则过拟合到那几张图。4.3 避坑记录胸部 X 线 YOLO 训练里最常见的五个翻车点现象一训练 loss 正常下降但验证 mAP 一直是 0。原因通常是验证集标签路径不对或者验证集图片和标签文件名不匹配。YOLO 找不到标签时会当背景处理指标自然全零。解决用 2.2 的脚本扫一遍验证集标签确认每个 txt 都能对应到同名图片。现象二训练到一半 loss 突然变 NaN。医学影像里常见原因是学习率太大加上某批数据里有异常值。先降 lr0 到 0.001 重跑如果还崩检查输入图像是否有全黑或全白的坏图。另外混合精度训练在个别显卡上会不稳定可以加ampFalse关掉试试。现象三模型把肋骨、锁骨当成结节误检一堆。这是负样本不够多样导致的。2000 张里如果背景图太少模型没见过足够多的正常结构。解决把不含结节的正常胸片也放进训练集标签文件留空让模型学会区分正常解剖结构和结节。现象四同一张图里相邻两个结节只检出一个。NMS 的 IoU 阈值默认 0.7两个结节框重叠度高时会被合并。解决把 NMS 的 IoU 阈值降到 0.5 或更低在 val 和 predict 时都调。但降太低会引入重复框需要权衡。现象五换用 yolov8m 后显存爆了batch 降到 4 还是 OOM。除了降 batch还可以开梯度累积用nbs64配合小 batch 模拟大 batch 效果。另外 imgsz 从 640 降到 512 也能省不少显存但小目标召回会掉慎用。5. 从能跑到好用推理部署与阈值调优的一个具体技巧训练出 best.pt 只是第一步真正落地时推理端的阈值调优往往比训练本身更影响体验。胸部 X 线结节检测里置信度阈值和 NMS IoU 阈值是两个最关键的旋钮。默认 conf 0.25 在通用数据集上还行但医学影像里模型对结节的置信度普遍偏低很多真结节落在 0.1 到 0.2 之间。我一般会拿验证集跑一遍不同 conf 下的精确率-召回率曲线找召回率还能接受、精确率开始陡降的那个点。具体做法是用 predict 模式批量跑验证集把结果存成 json再用 sklearn 算 PR 曲线。from ultralytics import YOLO import json model YOLO(runs/cxr/baseline/weights/best.pt) # 在不同置信度下跑推理收集结果 for conf in [0.05, 0.1, 0.15, 0.2, 0.25, 0.3]: results model.predict( sourcedataset/images/val, confconf, iou0.5, saveFalse, streamTrue ) det_count 0 for r in results: det_count len(r.boxes) print(fconf{conf}, 检出框总数{det_count})这段代码不直接算 PR而是先看不同 conf 下检出框数量的变化。如果 conf 从 0.05 提到 0.1 框数骤降说明大量低置信度框是噪声如果缓慢下降说明模型对结节的确信度分布比较平滑可以适当降 conf 保召回。iou 参数控制 NMS 合并力度结节密集时调到 0.4 到 0.5稀疏时 0.6 到 0.7。实际部署时我习惯把 conf 设得比验证集最优值再低 0.05宁可多报几个让医生复核也别漏掉真结节。这个习惯是从一次漏检教训里来的验证集 mAP 看着不错上线后连续漏了两个明显结节回头查发现 conf 卡在 0.25 把 0.23 的真结节滤掉了。后来我把推理 conf 统一降到 0.15误报多了些但再没出过漏检。希望帮到你。本文还有配套的精品资源点击获取
