简介：这份资源面向医学影像分析人员、机器学习开发者及疾病筛查研发工程师，提供一套基于YOLOv5的直肠息肉检测系统完整实现方案，用于辅助医疗专家进行息肉自动检测与早期筛查。内容覆盖环境搭建、数据集创建与配置文件编写、模型训练、ONNX格式导出、性能评估与指标可视化，以及Tkinter图形界面搭建和代码整合等环节，并探讨多类别检测、数据增强、集成学习与云部署等改进方向。资源包共1个docx文档，约41KB，以文字与代码说明形式系统梳理项目全流程，目录结构清晰，便于按模块查阅。目前已有120人学习下载。读者可据此掌握从数据准备到GUI落地的完整链路，理解精确度、召回率、F1分数等评估指标的运用，并获得可扩展的工程思路与排错参考，适合具备一定深度学习基础、希望切入医疗图像检测方向的开发者研读实践。
1. 直肠息肉检测为什么总在“小目标”上翻车
肠镜下那一帧画面里，息肉可能只占几百个像素，边缘还和肠壁褶皱糊在一起，医生盯着屏幕都得反复确认，更别说让一个检测模型一眼看准。基于YOLOv5的直肠息肉检测系统，要解决的就是这件事：把内镜视频流里的息肉实时框出来，给出类别和置信度，辅助医生别漏掉那些藏在褶皱背后的小家伙。它适合两类人——一类是想把目标检测落地到医疗影像的算法工程师，另一类是手里有标注数据、想跑通一套完整训练推理流程的研究者。标题里“包含详细的完整的程序和数据”意味着这不是调个库就完事的demo，而是从数据组织、标注格式、训练配置到推理部署的全链路。我见过太多人卡在第一步：数据没整理对，后面全是玄学。
2. 数据准备与YOLOv5格式转换：别让标注毁掉训练
2.1 直肠息肉数据集长什么样
内镜图像和自然图像最大的区别是光照不均、反光点多、腔道结构重复。公开的直肠息肉数据集常见做法是采集肠镜视频后抽帧，再由有经验的医生逐帧标注边界框。一个可用的数据集通常包含几千到上万张图像，按8:1:1划分训练、验证、测试。类别上，如果只做“息肉/非息肉”二分类，标注就一个类；如果要区分增生性、腺瘤性等，类别数增加，但标注一致性会下降。我一般建议先做单类检测，把召回率跑上去，再考虑细分。
数据目录结构要提前定好，不然后面转换脚本会把你绕晕。常见做法是：
dataset/ images/ train/ val/ test/ labels/ train/ val/ test/图像和标签文件名一一对应，标签是YOLO格式的txt，每行class_id x_center y_center width height，全部归一化到0到1之间。
2.2 从VOC/COCO转YOLO格式的脚本与四个边界坑
很多公开数据是VOC的XML标注，转YOLO需要计算归一化坐标。下面这个脚本我用了很多次，处理了除零和越界：
import os import xml.etree.ElementTree as ET from PIL import Image def voc_to_yolo(xml_dir, img_dir, out_dir, classes): # classes: 类别名列表，如 ['polyp'] if not os.path.exists(out_dir): os.makedirs(out_dir) for xml_file in os.listdir(xml_dir): if not xml_file.endswith('.xml'): continue tree = ET.parse(os.path.join(xml_dir, xml_file)) root = tree.getroot() # 图像尺寸从XML里读，别从文件名猜 size = root.find('size') w = int(size.find('width').text) h = int(size.find('height').text) # 防止宽高为0的脏数据 if w == 0 or h == 0: print(f'skip zero size: {xml_file}') continue lines = [] for obj in root.iter('object'): cls_name = obj.find('name').text if cls_name not in classes: continue cls_id = classes.index(cls_name) bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) # 裁剪到图像范围内，越界框会让训练loss爆炸 xmin = max(0, min(xmin, w - 1)) ymin = max(0, min(ymin, h - 1)) xmax = max(0, min(xmax, w - 1)) ymax = max(0, min(ymax, h - 1)) if xmax <= xmin or ymax <= ymin: continue x_center = (xmin + xmax) / 2.0 / w y_center = (ymin + ymax) / 2.0 / h bw = (xmax - xmin) / w bh = (ymax - ymin) / h lines.append(f'{cls_id} {x_center:.6f} {y_center:.6f} {bw:.6f} {bh:.6f}') if lines: out_path = os.path.join(out_dir, xml_file.replace('.xml', '.txt')) with open(out_path, 'w') as f: f.write('\n'.join(lines))逻辑说明：先读XML里的宽高，而不是用PIL再开一次图，省IO。参数上，classes顺序必须和训练时的data.yaml一致，否则类别全乱。四个坑：一是XML里宽高为0，直接跳过；二是框越界，裁剪到图像内；三是xmax小于等于xmin的无效框，丢弃；四是浮点精度，保留6位小数足够，YOLOv5内部会再处理。
2.3 data.yaml与类别平衡的实操参数
转换完标签，写data.yaml：
train: ../dataset/images/train val: ../dataset/images/val test: ../dataset/images/test nc: 1 names: ['polyp']nc是类别数，names顺序和转换脚本里classes一致。如果数据里息肉样本远少于背景，可以在训练时用--balance或者过采样，但更稳的做法是调整损失权重，YOLOv5默认的hyp.scratch-low.yaml里cls权重可以适当调高。我一般先跑默认，看混淆矩阵再决定。
3. YOLOv5训练配置：从anchor到学习率的调参路径
3.1 模型选型：s/m/l/x怎么选
YOLOv5提供s、m、l、x四个尺度。直肠息肉检测里，图像分辨率通常640或1280，息肉目标偏小。我的经验是：如果显存够，直接上yolov5m或yolov5l，小目标召回明显好于s。yolov5s适合边缘部署或快速验证。选型时看两个指标：验证集mAP@0.5和推理帧率。内镜实时性要求一般25FPS以上，yolov5s在主流GPU上能到60FPS以上，yolov5l可能只有20到30FPS，需要权衡。
3.2 训练命令与关键参数逐条解释
python train.py \ --img 640 \ --batch 16 \ --epochs 300 \ --data data/polyp.yaml \ --weights yolov5m.pt \ --cfg models/yolov5m.yaml \ --hyp data/hyps/hyp.scratch-low.yaml \ --name polyp_exp \ --cache--img 640是输入尺寸，息肉小的话可以试--img 1280，但显存翻倍。--batch 16根据显存调，太小BN不稳定。--epochs 300配合早停，--patience 50。--weights用预训练权重，医学图像上预训练依然有效。--cache把图像缓存到内存，加速训练，但数据集大时吃内存。--hyp里lr0默认0.01，如果loss震荡，降到0.001。--rect可以矩形训练，减少padding，对小目标友好。
3.3 训练过程看什么：loss曲线与mAP的异常信号
训练开始后，重点看train/box_loss、train/obj_loss、train/cls_loss和metrics/mAP_0.5。如果box_loss下降但mAP不涨，可能是过拟合，加数据增强或早停。如果obj_loss一直很高，检查标签里有没有空文件或类别错位。验证集mAP波动大，把--batch调大或学习率调小。我习惯每50个epoch存一次权重，方便回滚。
4. 推理与部署：把模型塞进内镜工作流
4.1 单张图像推理与结果解析
import torch from models.common import DetectMultiBackend from utils.general import non_max_suppression, scale_boxes from utils.augmentations import letterbox import cv2 import numpy as np device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu') model = DetectMultiBackend('runs/train/polyp_exp/weights/best.pt', device=device) model.eval() img0 = cv2.imread('test.jpg') img = letterbox(img0, 640, stride=32, auto=True)[0] img = img.transpose((2, 0, 1))[::-1] # BGR to RGB, HWC to CHW img = np.ascontiguousarray(img) img = torch.from_numpy(img).to(device).float() / 255.0 img = img.unsqueeze(0) pred = model(img) pred = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45) for det in pred: if det is not None and len(det): det[:, :4] = scale_boxes(img.shape[2:], det[:, :4], img0.shape).round() for *xyxy, conf, cls in det: print(f'类别{int(cls)} 置信度{conf:.2f} 框{xyxy}')逻辑说明：letterbox保持长宽比缩放，避免形变。conf_thres和iou_thres是推理时最常调的两个参数，息肉检测里conf_thres可以降到0.2提高召回，但误报会多。scale_boxes把框映射回原图。参数上，stride=32和模型下采样一致。
4.2 视频流实时推理的帧率优化
内镜视频是连续帧，逐帧推理浪费算力。常见做法是跳帧加跟踪，或者用TensorRT加速。yolov5m转TensorRT后，640输入在主流GPU上能到100FPS以上。如果不想折腾，用--half半精度推理，速度提升30%左右，精度损失很小。批量推理时把多帧拼成一个batch，但延迟会增加，实时场景不建议超过4帧。
4.3 部署到内镜工作流的接口设计
实际落地时，模型输出要对接显示和报警。我一般封装成一个类，输入帧，输出框列表和置信度，上层决定是否高亮或声音提示。接口要支持动态阈值，医生可以调灵敏度。另外，推理服务最好独立进程，避免和图像采集抢资源。
5. 避坑与排查：那些让mAP掉10个点的细节
5.1 标签文件与图像不匹配
现象：训练时loss正常，但验证mAP极低。原因：图像和标签文件名没对上，或者标签里类别id超出nc。解决：写个脚本检查每个图像是否有对应txt，并统计类别分布。
5.2 图像方向与EXIF信息
现象：推理时框位置偏移。原因：训练图像被PIL读取时自动旋转了，而推理用OpenCV没旋转。解决：统一用cv2.imread读图，或者训练前用exifread去掉方向标记。
5.3 小目标漏检严重
现象：大息肉能检出，小于32像素的几乎全漏。原因：YOLOv5下采样32倍，小目标特征丢失。解决：提高输入分辨率到1280，或者用--img 1280训练；也可以在数据增强里加mosaic和copy-paste，增加小目标样本。
5.4 过拟合与验证集泄露
现象：训练mAP到0.9，测试只有0.6。原因：同一视频抽的帧分到了训练和验证集，内容高度相似。解决：按视频划分数据集，而不是按帧随机划分。
5.5 推理速度不达标
现象：GPU利用率低，帧率上不去。原因：预处理在CPU上耗时，或者没开半精度。解决：用--half，把预处理放到GPU，或者用DALI加速。
6. 进阶技巧：用TTA和模型集成再榨几个点
训练到后期，mAP卡在某个值上不去，可以试测试时增强（TTA）。YOLOv5自带--augment，推理时对图像做翻转、缩放，再合并结果。代价是速度降为三分之一，但mAP通常能涨1到3个点。另一个技巧是多模型集成，比如yolov5m和yolov5l各训一个，推理时对框做加权NMS。我试过在息肉检测上，集成后召回率提升明显，尤其是小目标。
python detect.py \ --weights runs/train/polyp_m/weights/best.pt runs/train/polyp_l/weights/best.pt \ --source test_video.mp4 \ --augment \ --conf-thres 0.2 \ --iou-thres 0.5--augment开启TTA，--conf-thres调低提高召回，--iou-thres控制合并。注意多模型集成时，类别顺序必须一致。
验证方法上，除了mAP，我更看重每帧的漏检率。写个脚本统计测试集里有多少息肉完全没框到，这个指标比mAP更贴近临床。如果漏检集中在某个尺寸区间，就针对性补数据。
最后说个血泪教训：别在训练中途改data.yaml的类别顺序，我干过一次，模型直接学废，后悔药都没得吃。每次实验前把配置和代码版本记下来，比事后猜强。希望帮到你。
本文还有配套的精品资源，点击获取
