本数据集包含8种常见寄生虫的显微图像共计2110张带标注图片识别准确率达83.2%。数据集支持YOLO系列v7-v12、v26、COCO JSON和PASCAL VOC XML格式可直接用于目标检测模型的训练与评估。文末附有完整的YOLO模型训练代码。模型训练指标参数模型训练图数据集拆分总图数2110 张图数训练集1484 张图验证集411 张图测试集215 张图预处理自动定向应用调整大小拉伸到640x640增强无数据集标签[‘Ascaris Lumbricoides’, ‘Trichuris Trichiura’, ‘Ancylostoma Spp’, ‘Enterobius Vermicularis’, ‘Taenia Sp’, ‘Schistosoma’, ‘Hymenolepis’, ‘Fasciola Hepatica’]寄生虫中文译名对照表标签标准中文译名Ascaris Lumbricoides人蛔虫Trichuris Trichiura毛首鞭形线虫鞭虫Ancylostoma Spp钩虫属多种钩虫Enterobius Vermicularis蠕形住肠线虫蛲虫Taenia Sp带绦虫属某一种带绦虫Schistosoma裂体吸虫属血吸虫属Hymenolepis膜壳绦虫属Fasciola Hepatica肝片形吸虫数据集图片和标注信息示例数据集应用场景本数据集适用于以下多个研究和应用领域1. 医学教育与培训寄生虫学教学为医学学生和研究人员提供标准化的寄生虫识别训练材料实验室诊断辅助帮助开发自动化的寄生虫卵检测系统提高显微镜检查效率2. 公共卫生监测流行病学研究用于分析特定地区寄生虫感染情况支持公共卫生决策水质监测检测水源中的寄生虫污染保障饮用水安全3. 人工智能研究目标检测算法验证作为医学图像领域的标准测试集评估不同检测算法的性能小样本学习研究在有限标注数据下的模型泛化能力数据增强研究探索针对医学图像的有效增强策略4. 临床辅助诊断自动化筛查系统集成到医疗设备中实现寄生虫感染的快速初筛远程医疗支持基层医疗机构通过图像上传进行远程寄生虫鉴定5. 农业与兽医应用动物寄生虫检测适用于畜牧业中的动物健康监测食品安全检测食品中的寄生虫污染保障食品安全数据集下载数据集提供多种格式支持满足不同框架需求YOLO格式支持YOLOv7、YOLOv8、YOLOv9、YOLOv11、YOLOv12、YOLOv26COCO格式标准JSON标注文件PASCAL VOC格式XML标注文件下载链接寄生虫8种类型数据集YOLO模型训练下载数据集并解压后将训练脚本复制到数据集目录。本仓库提供了完整的YOLO训练代码YOLOProject训练仓库。以YOLOv8为例执行以下命令开始训练python train_yolov8.py训练过程可视化模糊图片在模型训练中的优势分析该数据集中包含了如果包含了一些模糊图片这并非数据缺陷而是一种精心设计的数据增强策略能为模型训练带来以下显著优势提升模型鲁棒性现实场景中可能发生在运动模糊对焦不准或光线不足的情况下。在训练集中引入模糊样本可以迫使模型学习更本质的特征而不是过度依赖清晰的边缘或纹理细节从而提升模型在复杂、非理想成像条件下的识别能力。模拟真实世界噪声监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声减少在实际部署时因图像质量下降而导致的性能骤降。防止模型过拟合如果训练集全是高清、摆拍的完美图片模型容易记住这些特定场景下的“干净”特征而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段可以增加数据分布的多样性防止模型过拟合到有限的清晰样本上。总结因此数据集中包含的模糊图片与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样都是为了构建一个更接近真实世界复杂分布的数据环境从而训练出更健壮、更泛化、更实用的模型。模型验证测试情况验证测试代码#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 1. 加载YOLO模型 # 自动下载预训练模型(yolov8n最轻量快速)也可换 yolov8s/m/l/xmodelYOLO(best.pt)# 2. 推理配置 image_path326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg# 你的图片路径save_resultTrue# 是否保存标注后的图# 3. 执行推理 resultsmodel.predict(sourceimage_path,conf0.01,# 置信度阈值低于该值忽略saveFalse,# 关闭默认保存自定义保存verboseFalse# 关闭冗余日志)# 4. 解析结果目标区域 标注信息 print(*50)print(YOLO 推理结果目标区域 标注信息)print(*50)# 获取图片用于绘制框imgcv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxesresult.boxes# 所有检测框forboxinboxes:# 提取目标区域坐标 # xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2box.xyxy[0].cpu().numpy()# 宽高wx2-x1 hy2-y1# 提取标注信息 cls_idint(box.cls[0])# 类别IDcls_namemodel.names[cls_id]# 类别名称conffloat(box.conf[0])# 置信度# 打印信息 print(f目标{idx1}:)print(f 标注类别{cls_name})print(f 置信度{conf:.2f})print(f 目标区域坐标)print(f 左上角 ({x1:.1f},{y1:.1f}))print(f 右下角 ({x2:.1f},{y2:.1f}))print(f 宽×高{w:.1f}×{h:.1f})print(-*30)# 在图片上绘制检测框 cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f{cls_name}{conf:.2f},(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# 5. 保存/显示结果 ifsave_result:cv2.imwrite(yolo_result.jpg,img)print(✅ 标注图片已保存为yolo_result.jpg)# 显示图片可选cv2.imshow(YOLO Result,img)#cv2.waitKey(0)#cv2.destroyAllWindows()
