血小板、红细胞、白细胞一网打尽：YOLO26血液细胞检测系统

摘要

本研究基于YOLO26目标检测算法，构建了一套自动化红细胞检测系统，用于血液细胞图像中血小板（Platelets）、红细胞（RBC）和白细胞（WBC）的识别与定位。实验共使用874张标注血液细胞图像，其中训练集765张、验证集73张、测试集36张，涵盖三类细胞共计超过900个实例。

模型在验证集上取得了mAP50为0.931、mAP50-95为0.662的检测性能，其中白细胞检测效果最佳（mAP50=0.986），红细胞次之（mAP50=0.884），血小板为0.923。系统在单张图像推理速度仅需1.2ms，具备实时检测能力。研究表明，YOLO26算法在血液细胞检测任务中具有良好应用前景，可为临床血常规分析提供辅助支持。

目录

摘要

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

背景

数据集介绍

2. 检测类别

训练结果​

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅参数实时调节（置信度和IoU阈值）

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

血常规检查是临床医学中最基础、最常用的检测项目之一，其中红细胞、白细胞和血小板的计数与形态分析对疾病诊断具有重要参考价值。传统的人工镜检方法耗时耗力，且受主观因素影响较大，难以满足现代医疗对高效率、高精度检测的需求。

近年来，深度学习技术的快速发展为目标检测在医学图像分析领域的应用提供了新思路。YOLO系列算法以其端到端的检测架构和优异的实时性能，在细胞检测任务中展现出巨大潜力。本研究旨在构建一个基于YOLO26的红细胞检测系统，实现对血液细胞图像中三类细胞的自动识别与定位，为血常规分析的智能化提供技术支持。

背景

血常规检查是临床医学中最基础、应用最广泛的实验室检查项目之一，被誉为临床诊断的"三大常规"之首。通过对血液中三类有形成分——红细胞（Red Blood Cells, RBC）、白细胞（White Blood Cells, WBC）和血小板（Platelets）的计数与形态分析，可以为多种疾病的诊断、治疗监测和预后评估提供关键依据。

红细胞的主要功能是运输氧气和二氧化碳，其数量减少提示贫血，形态异常可能与地中海贫血、缺铁性贫血等疾病相关；白细胞是机体免疫系统的核心组成部分，其计数升高常提示感染或炎症，异常增殖则可能与白血病等血液系统恶性疾病有关；血小板在止血和凝血过程中发挥关键作用，数量减少会增加出血风险，功能异常则可能导致血栓形成。因此，准确识别和计数这三类细胞对临床诊断具有重要意义。

传统检测方法主要依赖于血细胞分析仪和人工镜检，但存在以下局限性：

• 仪器检测：虽然速度快，但无法提供细胞形态信息，对异常细胞的识别能力有限；

• 人工镜检：准确但效率低下，且结果受检验人员经验影响较大；

• 细胞形态多样：尤其是血小板尺寸小、形态多变，增加了检测难度。

随着深度学习技术在医学图像分析领域的广泛应用，目标检测算法为细胞检测提供了新的解决方案。YOLO（You Only Look Once）作为一种单阶段目标检测算法，具有检测速度快、精度高、端到端训练等优势，已在多个医学图像检测任务中取得良好效果。因此，开发基于YOLO26的红细胞检测系统具有重要的研究价值和临床意义。

数据集介绍

本研究使用的血液细胞图像数据集共包含874张标注图像，按照约8:1:1的比例划分为：

• 训练集：765张（87.5%）

• 验证集：73张（8.4%）

• 测试集：36张（4.1%）

2.检测类别

数据集包含三类血液细胞，具体如下：

训练结果

1. 总体性能评估

👉结论：模型整体性能优秀，适合用于红细胞检测任务。

2. 各类别性能分析

分析：

• RBC（红细胞）：

  • 实例最多（819），是主要检测目标。

  • Recall（0.872）较高，说明漏检较少。

  • Precision（0.726）偏低，说明存在一定误检（可能将其他细胞或杂质误判为RBC）。

  • mAP50-95（0.643）表现良好，说明模型对不同IoU阈值下的RBC检测仍有较好适应性。

• WBC（白细胞）：

  • 检测效果最好，Recall = 1.0，mAP50 = 0.986，几乎完美。

• Platelets（血小板）：

  • 实例较少（76），mAP50较高（0.923），但mAP50-95偏低（0.539），说明对边界框精度要求高时表现下降，可能与血小板尺寸小、形态多变有关。

3. 训练过程分析（results.png）

• 损失函数（train/box_loss, cls_loss, dfl_loss）均稳步下降，未见震荡，说明训练过程稳定。

• 验证集损失同步下降，未见明显过拟合。

• mAP50从0.92提升至0.99，mAP50-95从0.65提升至0.55？这里可能有误，通常应上升。建议检查数据是否对齐。

4. 混淆矩阵分析

• confusion_matrix_normalized.png显示对角线值接近1（如0.95、0.96），说明分类准确。

• RBC与Platelets之间可能存在少量混淆（如0.04），可能与细胞大小、形态相似有关。

5. 精度-召回率曲线（PR Curve）

• BoxPR_curve.png显示：

  • WBC的PR曲线最理想（接近右上角）

  • RBC和Platelets稍差，但仍保持在0.88以上

6. F1-置信度曲线（F1-Confidence Curve）

• 最佳F1得分：0.88（对应置信度0.629）

• 说明在置信度约0.63时，模型在精确率和召回率之间达到最佳平衡。

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频