超声图像甲状腺结节检测数据集甲状腺结节超声数据集、甲状腺良恶性结节标注数据集PyQt5图像检测界面源码、医疗AI检测代码、甲状腺结节识别模型、YOLOv11训练源码医学影像目标检测数据集、
超声图像甲状腺结节检测数据集，5000张，yolo，voc，coco三种标注方式
图像尺寸:500*718
类别数量:2类
训练集图像数量:4508; 验证集图像数量:294； 测试集图像数量:198
类别名称: 每一类图像数 ，每一类标注数
0 良性结节: 1426,1426
1 恶性结节: 3574,3574
image num: 5000
数据集关键信息：
- 图像尺寸：500 × 718 像素
- 类别数量：2 类
- 数据划分：
- 训练集：4508 张图像
- 验证集：294 张图像
- 测试集：198 张图像
- 类别详情：
- 0 - 良性结节：图像 1426 张，标注框 1426 个
- 1 - 恶性结节：图像 3574 张，标注框 3574 个
总计图像数量：5000 张。
一、甲状腺结节超声图像检测数据集详情表
| 项目 | 详细参数 |
|---|---|
| 数据集名称 | 甲状腺结节超声图像检测数据集 |
| 总图像数量 | 5000张 |
| 单张图像尺寸 | 500×718 |
| 标注格式 | YOLO、VOC、COCO 三种通用格式 |
| 分类类别 | 共2类 |
| 类别0 | 良性结节：图像数1426张，标注框数1426个 |
| 类别1 | 恶性结节：图像数3574张，标注框数3574个 |
| 训练集 | 4508张 |
| 验证集 | 294张 |
| 测试集 | 198张 |
| 配套内容 | 数据集+YOLOv11训练测试全源码+PyQt5可视化界面全套源码 |
模型代码
采用 YOLOv11n 网络训练
训练轮次：80 个 epoch
提供全部训练 + 测试源代码
训练精度 mAP 效果如图所示
PyQt5 界面功能
界面使用 PyQt5 开发，提供全部源码（.ui、.qrc、.py 及图标文件）
支持图片检测、视频检测、摄像头实时检测
界面实时显示：目标位置、目标总数、置信度等信息
支持检测结果保存导出
操作简单直观，无需命令行
二、YOLOv11 完整训练代码
# YOLOv11 甲状腺结节检测训练代码fromultralyticsimportYOLOimportwarnings warnings.filterwarnings('ignore')deftrain_thyroid_nodule():# 加载轻量化YOLOv11n模型model=YOLO("yolo11n.pt")# 模型训练配置train_results=model.train(data="thyroid_nodule.yaml",# 数据集配置文件路径epochs=80,# 训练轮次 80 epochimgsz=500,# 匹配图像尺寸 500×718batch=16,# 批次大小，可根据显卡调整device=0,# 使用GPU，无GPU改为 device='cpu'workers=4,patience=10,save=True,val=True,verbose=True,project="runs/train",name="thyroid_yolo11n")print("训练完成！")returntrain_results# 模型测试/评估deftest_model():model=YOLO("runs/train/thyroid_yolo11n/weights/best.pt")metrics=model.val(data="thyroid_nodule.yaml",imgsz=500)print(f"mAP@0.5:{metrics.box.map50:.4f}")print(f"mAP@0.5:0.95:{metrics.box.map:.4f}")# 单张图像推理演示defpredict_img(img_path):model=YOLO("runs/train/thyroid_yolo11n/weights/best.pt")results=model.predict(source=img_path,imgsz=500,save=True,conf=0.5)returnresultsif__name__=="__main__":train_thyroid_nodule()test_model()配套thyroid_nodule.yaml配置文件
# 甲状腺结节数据集配置path:./datasets/thyroid# 数据集根目录train:images/trainval:images/valtest:images/test# 类别信息names:0:良性结节1:恶性结节nc:2三、PyQt5 检测界面核心说明
- 配套文件：
.ui界面文件、.qrc资源文件、.py运行源码、图标素材，开箱即用 - 核心功能
- 静态图片检测、本地视频检测、电脑摄像头实时检测
- 实时展示：目标坐标、检测总数、置信度分数
- 检测结果图片/数据一键导出保存
- 纯图形化操作，无需命令行
四、应用场景
- 医疗辅助诊断：医院超声科、体检中心，辅助医生快速筛查甲状腺良恶性结节，提升诊断效率
- 医学科研：高校、医疗机构开展甲状腺影像AI算法研究、论文实验、模型对比
- 课程实训：计算机视觉、医学影像分析专业教学、毕设、课程设计项目
- 智能医疗设备开发：便携式超声仪、智能影像分析终端算法集成
- 算法竞赛：医疗影像目标检测类竞赛数据集与基线模型