YOLOv11医疗注射器剂量线目标检测数据集-200张-syringe-1_2

YOLOv11医疗注射器剂量线目标检测数据集

📊 数据集基本信息

• 目标类别： [‘line’, ‘line dosage’]
• 中文类别：[‘线条’, ‘剂量线’]
• 训练集：3 张
• 验证集：0 张
• 测试集：0 张
• 总计：3 张

📄 data.yaml 配置信息

该数据集提供了data.yaml文件，内容如下：

train:../train/imagesval:../valid/imagestest:../test/imagesnc:2names:['line','line dosage']

🖼️ 标注可视化

📝 数据集分析

YOLOv11医疗注射器剂量线目标检测数据集

该数据集专注于医疗场景中注射器剂量线的精准检测，通过高精度标注为医疗设备自动化识别与质量控制提供可靠的数据支持。数据集包含3张高质量训练图像，覆盖了不同角度和光照条件下的注射器特写，确保模型能够学习到剂量线的关键特征，具有较高的实用价值。

从数据分布来看，该数据集仅有训练集而无验证集和测试集，共计3张图像。虽然样本数量较少，但每张图像均经过精心挑选，涵盖了剂量线在注射器上的典型位置和形态，能够有效支撑模型的基础训练需求。合理的数据分布有助于模型快速收敛并掌握剂量线的核心特征。

该数据集的标注工作细致入微，每个剂量线区域均被精确框选并正确分类为“line dosage”，标注边界清晰，标签信息完整且规范。这种高精度的标注方式为后续的模型训练和性能评估奠定了坚实基础，确保了数据集的专业性和可靠性。

基于其专业性和高精度的特性，该数据集可广泛应用于医疗设备制造、药品生产质量控制以及医院自动化管理系统等领域。特别是在需要快速、准确识别注射器剂量线的场景中，该数据集能够显著提升相关系统的检测效率和准确性，助力医疗行业的智能化发展。

YOLOv11训练步骤

一、环境安装

pipinstallultralytics# 依赖要求：Python≥3.8，PyTorch≥1.8。安装完成后可通过 `yolo checks` 验证环境。

二、数据集准备（YOLO格式）

1. 目录结构

数据集必须严格按以下结构组织：

dataset/ ├── train/ │ ├── images/ # 训练图片（jpg/png） │ └── labels/ # YOLO格式标注（txt） ├── val/ │ ├── images/ │ └── labels/ └── data.yaml # 数据集配置文件

2. YOLO标注格式

每个*.txt文件对应一张图片，每行格式为：

class_id center_x center_y width height

所有数值均为相对于图片宽高的归一化值（0~1）。

3. data.yaml 配置文件

# data.yamlpath:../dataset# 数据集根目录（相对或绝对路径）train:train/images# 训练集图片路径val:val/images# 验证集图片路径test:test/images# 测试集图片路径（可选）# 类别信息nc:2# 类别数量names:['class1','class2']# 类别名称列表

三、模型选择

YOLO11 提供 5 种尺度，官方命名规则为yolo11{n/s/m/l/x}.pt：

四、模型训练

方式1：Python API（推荐）

创建train.py：

fromultralyticsimportYOLOdefmain():# 加载预训练模型（推荐：基于COCO预训练权重微调）model=YOLO("yolo11m.pt")# 训练参数train_params={'data':'data.yaml',# 数据集配置文件'epochs':100,# 训练轮次'imgsz':640,# 输入图像尺寸'batch':16,# 批次大小（根据显存调整）'device':'0',# GPU设备号，'cpu'表示CPU训练'workers':8,# 数据加载线程数'optimizer':'SGD',# 优化器：SGD/Adam/AdamW'lr0':0.01,# 初始学习率'patience':50,# 早停耐心值'save':True,# 保存模型'project':'runs/train',# 项目保存路径'name':'exp',# 实验名称'single_cls':False,# 单类别检测设为True'close_mosaic':10,# 最后N轮关闭马赛克增强}# 开始训练results=model.train(**train_params)# 输出最佳模型路径print(f"Best model saved at:{results.best}")if__name__=='__main__':main()

三种模型加载方式对比：

# 方式A：从YAML构建全新模型（从头训练，适合网络结构改进）model=YOLO("yolo11m.yaml")# 方式B：加载预训练权重（最常用，推荐）model=YOLO("yolo11m.pt")# 方式C：构建新模型并迁移预训练权重（改进网络后使用）model=YOLO("yolo11m.yaml").load("yolo11m.pt")

方式2：命令行 CLI

# 基础训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100imgsz=640batch=16device=0# 多GPU训练yolo detect traindata=data.yamlmodel=yolo11m.ptepochs=100device=0,1# 从YAML+预训练权重训练yolo detect traindata=data.yamlmodel=yolo11m.yamlpretrained=yolo11m.ptepochs=100

五、关键训练参数说明

六、模型验证

创建val.py：

fromultralyticsimportYOLOdefmain():# 加载训练好的最佳权重model=YOLO('runs/train/exp/weights/best.pt')# 验证metrics=model.val(data='data.yaml',split='val',# 验证集：'val' 或 'test'imgsz=640,batch=16,iou=0.6,# NMS IoU阈值device='0',save_json=False,# 是否保存COCO格式JSON)# 输出关键指标print(f"mAP50-95:{metrics.box.map}")# mAP@0.5:0.95print(f"mAP50:{metrics.box.map50}")# mAP@0.5print(f"mAP75:{metrics.box.map75}")# mAP@0.75if__name__=='__main__':main()

CLI 方式：

yolo detect valmodel=runs/train/exp/weights/best.ptdata=data.yaml

七、模型推理/预测

创建predict.py：

fromultralyticsimportYOLOimportcv2defmain():model=YOLO('runs/train/exp/weights/best.pt')# 单张图片推理results=model.predict(source='test_images/',# 图片路径、文件夹、URL或摄像头索引（0）imgsz=640,conf=0.25,# 置信度阈值iou=0.45,# NMS IoU阈值device='0',save=True,# 保存结果图show=False,# 是否弹窗显示)# 遍历结果forresultinresults:boxes=result.boxes# 检测框masks=result.masks# 分割掩码（如使用分割模型）probs=result.probs# 分类概率# 获取坐标、置信度、类别forboxinboxes:x1,y1,x2,y2=box.xyxy[0].tolist()conf=box.conf[0].item()cls=int(box.cls[0].item())print(f"Class:{cls}, Conf:{conf:.2f}, Box: [{x1:.1f},{y1:.1f},{x2:.1f},{y2:.1f}]")if__name__=='__main__':main()

CLI 方式：

yolo detect predictmodel=runs/train/exp/weights/best.ptsource=test_images/save=True## 数据集下载> 小郭AI日志