基于YOLO格式的皮肤病目标检测数据集

基于YOLO格式的皮肤病目标检测数据集

本文介绍了一个基于YOLO格式的皮肤病目标检测数据集，该数据集包含28350张图片，涵盖了8种不同类型的皮肤病变。数据集的性能指标显示，模型在检测精度和召回率方面表现出色，具有较高的参考价值。

项目信息

• 编号：Dataset-27
• 大小：5.6G

数据信息

• 图片数量：总计28350张（训练集19845张，验证集5670张，测试集2835张）
• 标注文件格式：YOLO的txt格式，可以直接用于模型训练

类别信息

• 类别：8类
• 痣 (nevus)
• 基底细胞癌 (basal_cell_carcinoma)
• 鳞状细胞癌 (squamous_cell_carcinoma)
• 色素性良性角化病 (pigmented_benign_keratosis)
• 血管性病变 (vascular_lesion)
• 光照性角化病 (actinic_keratosis)
• 皮肤纤维瘤 (dermatofibroma)
• 黑色素瘤 (melanoma)

性能指标

模型的性能指标显示，mAP达到99.4%，Precision为98.8%，Recall为98.6%，显示出模型的综合性能非常优秀。

模型性能评估与训练过程分析

1. 训练过程相关

• 展示了训练和验证阶段的损失变化趋势（如box_loss、cls_loss）和性能指标（如mAP、Precision、Recall）。
• 可以直观展示模型的训练过程是否收敛、是否过拟合或欠拟合。

2. 性能评估相关

• Precision-Recall曲线展示了模型对所有类别的分类性能（Precision和Recall之间的权衡），并提供mAP值。
• 作为评估模型整体性能的重点图表。

3. 分类细节分析

• 混淆矩阵提供了分类任务中各类别的详细分类结果（正确分类与误分类的情况）。
• 用于深入探讨分类表现和混淆问题。

目标检测训练数据可视化

目标检测训练过程中，模型对数据的可视化结果，主要展示了多个类别目标的检测边框和类别标注情况。整体检测表现较好，但可以通过优化标注和模型训练进一步提升精度和鲁棒性。

文件目录

完整项目文件清单如下：

• 数据集文件夹
• 训练脚本
• 配置文件
• 模型权重
• 可视化结果

注意： 该数据集仅供学术研究和参考学习使用，不得直接用于商业用途。若因商用引起版权纠纷，一切责任均由使用者承担。