企业官网建设流程全解析

简介：本资源面向医学图像处理与深度学习入门者，提供一套基于YOLO模型的红细胞、白细胞、血小板识别与计数系统完整方案，可用于临床辅助诊断研究或课程设计实践。压缩包共约2000个文件，以1974个txt标注数据为主，辅以yaml配置、py源码、xml标注及css样式文件，整体约276.9MB，涵盖数据集、训练脚本与界面程序。项目包含UIProgram用户界面、TestFiles测试图片、models预训练模型、datasets数据集及save_data训练记录等模块，并集成wandb实验跟踪工具，便于调试与优化。已有85人学习下载，读者可获取可直接运行的Python源码、标注数据与模型文件，快速复现血细胞检测计数流程，理解YOLO在医学图像中的应用与工程组织方式。

1. 血涂片里的三行数字：为什么用 YOLO 做红细胞、白细胞、血小板识别与计数

一张外周血涂片，显微镜下几百个细胞，检验科医生要数出红细胞、白细胞、血小板三类目标的数量和比例。手工计数一个样本动辄十几分钟，还受疲劳和主观判断影响。用 YOLO 做红细胞、白细胞、血小板识别与计数，本质是把「找细胞」和「数细胞」这两件事交给一个目标检测模型：红细胞数量最多、白细胞有内核、血小板体积最小，三类目标在形态和尺度上差异极大，正好是检验检测模型能力的场景。这套系统适合医学图像方向的学生、做体外诊断设备的工程师，以及想找一个真实数据集练手 YOLO 全流程的人。Python 源代码加数据集的组合，意味着你能从数据标注一路跑到推理计数，而不是只调一个现成接口。下面把我实际做这类项目时的选型、训练、计数和踩坑过程拆开讲。

2. 数据准备与标注：三类细胞怎么标才不返工

2.1 红细胞、白细胞、血小板的数据集长什么样

血涂片数据集通常来自显微镜拍摄的染色图像，常见格式是每张图对应一个标注文件。三类目标的分布极不均衡：一张图里红细胞可能上百个，白细胞只有几个，血小板零散分布且和红细胞碎片、染色杂质容易混淆。我一般先统计每类目标的实例数，如果白细胞占比低于 2%，训练时就要考虑类别权重或者过采样，否则模型会把白细胞当成背景。

标注工具用 LabelImg 或 CVAT 都行，输出 YOLO 格式的 txt，每行是类别 中心x 中心y 宽 高，坐标全部归一化到 0 到 1。这里有个血泪经验：红细胞边界模糊，标注时容易把相邻两个红细胞框成一个，或者把重叠区域切错。我的做法是框尽量贴合细胞膜外缘，重叠细胞各自独立成框，宁可多标一个也不合并。血小板最难，直径可能只有十几个像素，标注前先把图像放大到 200% 以上再画框。

数据集划分按 8:1:1 分训练、验证、测试。注意同一张原始涂片不要同时出现在训练集和验证集里，否则验证指标虚高，这是很多人翻车的地方。划分脚本可以这样写：

import os import random import shutil # 原始图片和标注目录 img_dir = "raw/images" label_dir = "raw/labels" # 输出目录 out_root = "dataset" splits = {"train": 0.8, "val": 0.1, "test": 0.1} files = [f for f in os.listdir(img_dir) if f.endswith((".jpg", ".png"))] random.seed(42) # 固定随机种子，保证可复现 random.shuffle(files) n = len(files) n_train = int(n * splits["train"]) n_val = int(n * splits["val"]) assign = {} for i, f in enumerate(files): if i < n_train: assign[f] = "train" elif i < n_train + n_val: assign[f] = "val" else: assign[f] = "test" for f, split in assign.items(): # 复制图片 shutil.copy(os.path.join(img_dir, f), os.path.join(out_root, "images", split, f)) # 复制同名标注 stem = os.path.splitext(f)[0] src_lab = os.path.join(label_dir, stem + ".txt") if os.path.exists(src_lab): shutil.copy(src_lab, os.path.join(out_root, "labels", split, stem + ".txt")) print("划分完成:", {k: list(assign.values()).count(k) for k in splits})

这段脚本做了三件事：固定随机种子打乱文件、按比例分配 split、把图片和同名标注一起复制到对应目录。参数上random.seed(42)保证每次划分一致，方便复现；splits字典可以按数据集大小调整，小数据集可以把验证集比例提到 0.15。跑完后检查dataset/labels/train里每个 txt 是否和图片一一对应，缺标注的图片要单独处理，不能直接丢进去训练。

2.2 标注格式转换与数据增强的边界

如果你拿到的标注是 VOC 的 xml，需要转成 YOLO 的 txt。转换时注意 VOC 的坐标是左上角和右下角的绝对像素值，要除以图像宽高归一化，并且中心点坐标是(xmin+xmax)/2/width。转换脚本里最容易错的是类别名到类别 id 的映射，红细胞、白细胞、血小板三个名字必须和data.yaml里的names顺序完全一致，否则训练出来的类别全乱。

数据增强方面，血涂片图像不适合做水平翻转以外的几何变换。因为细胞形态有方向性，垂直翻转和大幅旋转会造出不存在的细胞朝向，模型学到的是伪特征。我一般只开水平翻转、轻微亮度和对比度扰动，HSV 的色调扰动要关掉，染色颜色是判断白细胞类型的重要线索，改色调等于破坏标签。Mosaic 增强可以用，但血小板太小，四图拼接后容易在边缘被裁掉，建议把 Mosaic 概率降到 0.3 以下。

注意：标注完成后一定要用可视化脚本把框画回原图检查一遍，尤其是血小板，漏标和错标在训练 loss 上不会明显报警，但会直接拉低召回。

3. YOLO 训练配置：从预训练权重到三类细胞收敛

3.1 环境搭建与预训练模型选择

环境用 Python 3.9 以上，PyTorch 装对应 CUDA 版本。YOLO 系列里我一般选 YOLOv8 或 YOLOv11 的检测模型，因为它们的 anchor-free 结构对小目标更友好，血小板这种十几个像素的目标用 v5 的 anchor 机制容易漏。预训练权重从官方发布页下载，不要用来路不明的权重，否则训练初期 loss 会异常震荡。

安装依赖和验证环境：

# 创建虚拟环境 python -m venv yolo_env source yolo_env/bin/activate # Windows 用 yolo_env\Scripts\activate # 安装 ultralytics 和基础依赖 pip install ultralytics opencv-python matplotlib # 验证 GPU 是否可用 python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"

如果输出True和显卡型号，说明环境通了。V100 这类卡跑 640 尺寸的 YOLO 训练，batch 可以开到 32 以上；消费级 8G 显存建议 batch 设 8 到 16，配合amp=True混合精度省显存。这里有个常见坑：torch.cuda.is_available()返回 False 但驱动明明装了，多半是 PyTorch 版本和 CUDA 版本不匹配，去 PyTorch 官网按命令重装，别自己猜版本号。

3.2 data.yaml 与训练参数怎么设

data.yaml是训练入口，三个关键字段：path指向数据集根目录，train/val/test指向划分后的图片目录，names是类别名列表。写成这样：

path: ./dataset train: images/train val: images/val test: images/test names: 0: RBC 1: WBC 2: PLT

类别顺序必须和标注时的类别 id 一致。RBC 是红细胞，WBC 是白细胞，PLT 是血小板，用英文缩写是为了避免中文路径在某些系统下的编码问题。

训练命令：

yolo detect train \ model=yolov8s.pt \ data=dataset/data.yaml \ epochs=150 \ imgsz=640 \ batch=16 \ lr0=0.01 \ lrf=0.01 \ patience=30 \ mosaic=0.3 \ hsv_h=0.0 \ hsv_s=0.3 \ hsv_v=0.3 \ fliplr=0.5 \ project=runs/blood \ name=exp1

参数逐个说：model=yolov8s.pt是预训练权重，s 版本在精度和速度间平衡，血小板多的话可以换 m 版本；epochs=150配合patience=30早停，验证集 30 轮不提升就停，省时间；imgsz=640是输入尺寸，血小板太小可以提到 1024，但显存和速度要重新评估；lr0=0.01初始学习率，lrf=0.01是最终学习率系数，余弦退火到初始的百分之一；mosaic=0.3降低拼接概率保护小目标；hsv_h=0.0关掉色调扰动，前面说过原因；fliplr=0.5水平翻转保留。

训练过程中重点看三个指标：metrics/mAP50看整体检测能力，metrics/mAP50-95看框的精度，以及每类的precision和recall。如果白细胞 recall 一直上不去，先查标注里白细胞是不是漏标，再考虑加类别权重。YOLO 的损失函数由框回归、置信度和分类三部分组成，训练日志里box_loss下降慢说明框不准，cls_loss高说明类别混淆，红细胞和血小板在低倍镜下颜色接近时容易混。

3.3 训练不收敛时的排查顺序

训练翻车的表现有好几种，按这个顺序查效率最高。第一，loss 从第一轮就是 nan，检查标注文件里有没有坐标超过 1 或者负数，归一化算错会直接让损失爆炸。第二，loss 下降但 mAP 不动，多半是学习率太大或者数据增强过猛，先把lr0降到 0.001 试。第三，某一类指标始终为 0，去验证集可视化里看这类目标有没有被预测出来，没有的话检查data.yaml的names顺序和标注 id 是否对得上。第四，BN 层崩溃，表现为 loss 突然飙升，这是 batch 太小或者学习率太高导致的，把 batch 调大或者加梯度裁剪。这些排查动作我一般做成一个 checklist，每次训练前过一遍，能省下大量重跑时间。

4. 计数逻辑与后处理：从检测框到三行数字

4.1 检测结果去重与计数规则

模型输出的是检测框，直接数框会重复计数，因为同一细胞可能被多个框命中。标准做法是用 NMS 非极大值抑制，YOLO 推理时已经内置，但 IoU 阈值要按细胞类型调。红细胞密集重叠，IoU 阈值设 0.5 容易把相邻细胞合并，我一般设 0.3 到 0.4，让重叠框保留更多。血小板小且分散，IoU 可以设 0.5。白细胞数量少，阈值影响不大。

推理和计数的代码：

from ultralytics import YOLO import cv2 model = YOLO("runs/blood/exp1/weights/best.pt") # 推理单张图，conf 是置信度阈值，iou 是 NMS 阈值 results = model.predict( source="test_sample.jpg", conf=0.25, iou=0.35, imgsz=640, save=True ) # 统计每类数量 counts = {"RBC": 0, "WBC": 0, "PLT": 0} names = results[0].names # {0: 'RBC', 1: 'WBC', 2: 'PLT'} for box in results[0].boxes: cls_id = int(box.cls[0]) cls_name = names[cls_id] counts[cls_name] += 1 print("红细胞:", counts["RBC"]) print("白细胞:", counts["WBC"]) print("血小板:", counts["PLT"]) # 计算白细胞比例，临床常看这个 total_wbc_rbc = counts["WBC"] + counts["RBC"] if total_wbc_rbc > 0: ratio = counts["WBC"] / total_wbc_rbc * 100 print(f"白细胞占比: {ratio:.2f}%")

conf=0.25是置信度阈值，低于这个值的框直接丢，血小板可以降到 0.15 提高召回，但会引入假阳性，需要看具体场景取舍。iou=0.35控制 NMS 合并程度，前面解释过。计数逻辑就是遍历boxes，按类别累加。白细胞占比是临床参考指标，正常范围在千分之一到百分之一量级，如果算出来偏差大，先回头查检测精度。

4.2 把计数结果做成可复现的批量脚本

单张推理只能验证流程，实际用要批量跑整个测试集并输出汇总表。批量脚本要处理图片读取失败、空检测结果、类别缺失这些边界情况：

import os import csv from ultralytics import YOLO model = YOLO("runs/blood/exp1/weights/best.pt") test_dir = "dataset/images/test" out_csv = "counts_result.csv" rows = [] for fname in sorted(os.listdir(test_dir)): if not fname.lower().endswith((".jpg", ".png")): continue img_path = os.path.join(test_dir, fname) results = model.predict(source=img_path, conf=0.25, iou=0.35, verbose=False) counts = {"RBC": 0, "WBC": 0, "PLT": 0} if len(results) > 0: names = results[0].names for box in results[0].boxes: counts[names[int(box.cls[0])]] += 1 rows.append([fname, counts["RBC"], counts["WBC"], counts["PLT"]]) with open(out_csv, "w", newline="") as f: writer = csv.writer(f) writer.writerow(["image", "RBC", "WBC", "PLT"]) writer.writerows(rows) print(f"共处理 {len(rows)} 张，结果写入 {out_csv}")

verbose=False关掉每张图的日志，批量跑的时候屏幕干净。results为空说明这张图没检测到任何目标，计数保持 0，不要报错中断。输出 CSV 方便后续用 pandas 做统计和可视化。跑完拿几张图人工核对计数，如果某张图红细胞数明显偏少，去看是不是 NMS 阈值把重叠细胞合并了。

提示：批量推理前先用model.val()在测试集上跑一遍，拿到每类的 mAP 和混淆矩阵，确认模型没有把红细胞系统性误判成血小板，再进入计数环节。

5. 避坑与常见问题：血细胞检测里最容易翻车的五件事

现象一：训练 mAP 很高，实际计数却差很多。原因通常是验证集和测试集来自同一张涂片的不同区域，模型记住了这张涂片的染色风格，换一张涂片就失效。解决方法是划分数据时按涂片来源分组，同一张涂片的图只进一个 split，测试集必须包含训练时没见过的涂片。

现象二：血小板几乎检测不到。原因是血小板在 640 输入尺寸下只有几个像素，特征在 backbone 下采样后基本丢失。解决办法是把imgsz提到 1024 或 1280，或者在模型里加 P2 小目标检测层。如果显存不够，可以切图推理，把大图裁成小块分别检测再合并计数。

现象三：白细胞被识别成红细胞。低倍镜下白细胞内核不明显，颜色和红细胞接近。先确认标注时白细胞框是否准确，再看训练时hsv_h是不是被误开了，色调扰动会让模型分不清两类颜色。把hsv_h设为 0，并适当提高白细胞的类别权重。

现象四：同一细胞被数了两次。NMS 的 IoU 阈值设太高，重叠框没被抑制。红细胞密集区域把iou降到 0.3，同时检查推理时有没有重复调用模型。如果用了切图推理，块与块之间的重叠区域要做去重，否则边界上的细胞会被两块各数一次。

现象五：训练到一半 loss 突然爆炸。常见原因是学习率太高或者 batch 太小导致 BN 统计量失稳。先把lr0减半，batch加到显存允许的最大值，还不行就加warmup_epochs让前几轮学习率慢慢升。如果用的是预训练权重，确认权重和模型结构匹配，不匹配的权重加载会静默失败，训练从随机初始化开始，loss 自然难看。

6. 把计数误差压下去：一个可落地的验证习惯

模型训完、计数脚本跑通，不代表这套系统能用。我最后一定会做一件事：拿一批人工计数的样本做对照，算每类细胞的计数误差。具体做法是选 20 到 30 张测试图，让标注人员逐图数出红细胞、白细胞、血小板真实数量，然后和模型输出做对比，算平均绝对误差和相对误差。红细胞基数大，相对误差控制在 5% 以内算可用；白细胞数量少，差一个就是百分之十几，所以看绝对误差更合理；血小板最难，相对误差 15% 以内我已经能接受。

对照表长这样：

从表里能看出误差分布：红细胞偶尔多算或少算几个，多半是重叠区域 NMS 的取舍；白细胞基本准；血小板波动最大，漏检和误检都有。针对血小板，我会单独把conf从 0.25 降到 0.15 再跑一遍，看召回提升多少、假阳性增加多少，取一个平衡点。这个调参过程没有捷径，就是拿数据说话。

还有一个习惯：每次改完参数重新训练，都在runs/blood下新建一个exp目录，不要覆盖旧结果。YOLO 默认会递增命名，但手动改配置时容易覆盖。保留每次实验的权重和日志，后面对比不同参数的效果时才有依据。我吃过这个亏，一次把lr0从 0.01 改到 0.001 重新训练，结果把之前效果好的权重覆盖了，只能重跑一遍。

如果要把这套系统往产品方向推，下一步是量化模型和推理加速，把 PyTorch 权重转成 ONNX 或 TensorRT，在边缘设备上跑实时计数。但那是另一个话题了，先把检测精度和计数逻辑做扎实，后面的优化才有意义。希望帮到你。

本文还有配套的精品资源，点击获取