简介：这份资源面向医学图像处理与目标检测方向的开发者、研究生及算法入门者，提供一套可直接运行的血液细胞检测与分析方案，用于辅助血液疾病诊断。包内包含364张已标注的血液细胞图像，同时提供YOLO格式txt标签与VOC格式xml标签，并已划分train、val、test三个子集，附有data.yaml文件，可直接用于YOLOv5至YOLOv12等系列算法训练。数据集类别覆盖bccd血液细胞，包括血小板、红细胞、白细胞三类目标。资源共1854个文件，以jpg图像、txt标签、xml标注、py脚本、yaml配置及md说明文档为主，另含pt权重文件与ipynb笔记，压缩包约64.42MB，目录结构清晰，便于按模块检索。已有93人学习下载。读者可据此快速复现检测流程，理解数据组织方式与训练配置，并借助配套教程完成从数据准备到模型推理的完整实践，为血液细胞分析与疾病辅助诊断研究提供可复用的基线方案。
1. 血液细胞检测这套 YOLO11 资源，到底能省掉多少事
拿到一份标注好的血液细胞数据集，还附带训练好的权重和完整工程，这件事本身就挺反直觉的——大部分做医学图像检测的人，时间不是花在调模型上，而是花在找数据、对齐标注格式、清洗脏框上。这份 ultralytics-yolo11 血液细胞检测资源，把 BCCD 血液细胞数据集（364 张图像，含 Platelets 血小板、RBC 红细胞、WBC 白细胞三类）连同 YOLO 格式 txt 与 VOC 格式 xml 双份标签、train/val/test 划分、data.yaml 一起打包，还塞进了训练好的模型和推理代码。它解决的核心问题很明确：让你跳过数据准备阶段，直接进入训练、推理和结果分析。适合谁？做医学图像辅助诊断方向的学生、需要快速验证检测思路的算法工程师，以及想拿血液细胞检测当毕设或论文实验基线的人。不适合指望它直接上临床的人——364 张图的量级，够跑通流程、够做原型，但离产品级还差得远。
2. 数据集结构与标签格式：先搞清楚手里有什么
2.1 BCCD 数据集的目录布局与类别定义
这份资源的数据组织方式遵循 ultralytics 的标准约定，但因为它同时提供了 YOLO 和 VOC 两套标签，目录会比纯 YOLO 项目多一层。常见做法是把图像统一放在images/下，标签按格式分开放。你拿到手后第一件事不是急着训练，而是先确认目录结构对不对。
典型的目录长这样：
bccd_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── annotations/ # VOC 格式 xml │ ├── train/ │ ├── val/ │ └── test/ └── data.yamldata.yaml是整个训练的入口配置文件，内容一般包含path、train、val、test四个路径字段，以及nc（类别数）和names（类别名列表）。这份资源的类别数是 3，对应：
| 类别 ID | 英文名 | 中文名 | 临床意义 |
|---|---|---|---|
| 0 | Platelets | 血小板 | 凝血功能相关 |
| 1 | RBC | 红细胞 | 贫血、红细胞增多症 |
| 2 | WBC | 白细胞 | 感染、白血病筛查 |
这里有个容易翻车的地方：YOLO 的类别 ID 是从 0 开始的整数，而 VOC 的 xml 里用的是类别名字符串。如果你打算用 VOC 标签转 YOLO，映射关系必须手动对齐，不能指望脚本自动猜对。我一般会先写个脚本统计一遍每类框的数量，确认没有类别被漏掉或错标。
2.2 YOLO txt 与 VOC xml 的差异与转换逻辑
YOLO 格式的标签是每张图一个.txt，每行一个目标，格式为class_id x_center y_center width height，后四个值都是归一化到 0~1 的相对坐标。VOC 格式则是每张图一个.xml，里面用<bndbox>记录xmin, ymin, xmax, ymax的绝对像素坐标。
两者转换的核心就是坐标归一化和反归一化。下面这段脚本是我常用的 VOC 转 YOLO 逻辑，直接抄就能用：
import xml.etree.ElementTree as ET import os from PIL import Image # 类别名到 ID 的映射，必须和 data.yaml 里的 names 顺序一致 CLASS_MAP = {"Platelets": 0, "RBC": 1, "WBC": 2} def voc_to_yolo(xml_path, img_dir, out_dir): tree = ET.parse(xml_path) root = tree.getroot() # 从 xml 里读图像尺寸，不要硬编码 size = root.find("size") img_w = int(size.find("width").text) img_h = int(size.find("height").text) img_name = root.find("filename").text lines = [] for obj in root.iter("object"): cls_name = obj.find("name").text if cls_name not in CLASS_MAP: continue # 遇到未知类别直接跳过，别让它污染训练集 cls_id = CLASS_MAP[cls_name] bbox = obj.find("bndbox") xmin = float(bbox.find("xmin").text) ymin = float(bbox.find("ymin").text) xmax = float(bbox.find("xmax").text) ymax = float(bbox.find("ymax").text) # 归一化并转为中心点+宽高 x_c = (xmin + xmax) / 2.0 / img_w y_c = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{cls_id} {x_c:.6f} {y_c:.6f} {w:.6f} {h:.6f}") out_path = os.path.join(out_dir, img_name.replace(".jpg", ".txt")) with open(out_path, "w") as f: f.write("\n".join(lines)) # 批量处理 for split in ["train", "val", "test"]: xml_dir = f"annotations/{split}" out_dir = f"labels/{split}" os.makedirs(out_dir, exist_ok=True) for xml_file in os.listdir(xml_dir): if xml_file.endswith(".xml"): voc_to_yolo(os.path.join(xml_dir, xml_file), f"images/{split}", out_dir)逻辑说明：先解析 xml 拿到图像宽高，再把绝对坐标转成归一化的中心点加宽高。参数上，CLASS_MAP必须和data.yaml的names严格对应，顺序错了模型学出来的类别就是乱的。x_c和y_c保留 6 位小数是 ultralytics 的惯例，精度够用且不会让文件膨胀。转换完建议随机抽 5 张图用可视化脚本画框检查一遍，我见过太多因为 xml 里size字段写错导致框全偏的案例。
2.3 data.yaml 的关键字段与训练前自检
data.yaml写错是新手最常见的翻车点。一个能直接用于 YOLO11 训练的配置长这样：
path: ./bccd_dataset train: images/train val: images/val test: images/test nc: 3 names: 0: Platelets 1: RBC 2: WBCpath是数据集根目录，train/val/test是相对path的子路径。注意 ultralytics 在找标签时，会把images自动替换成labels，所以你的标签目录必须和图像目录同级且同名。训练前跑一句自检命令，能省掉后面半小时的报错排查：
python -c " from ultralytics.data.utils import check_det_dataset check_det_dataset('bccd_dataset/data.yaml') "这个函数会检查路径是否存在、类别数是否匹配、标签文件是否缺失。如果它没报错，基本就能开训了。
3. YOLO11 训练与推理：从权重加载到结果输出
3.1 环境配置与 ultralytics 安装的版本坑
YOLO11 是 ultralytics 在 2024 年推出的版本，和 YOLOv8 共用同一套 API，但网络结构有调整。安装本身不复杂，坑在于版本兼容。我一般会建一个干净的虚拟环境，然后：
conda create -n yolo11 python=3.10 -y conda activate yolo11 pip install ultralytics==8.3.0为什么锁 8.3.0？因为 ultralytics 在 8.3.x 之后才对 YOLO11 的权重加载和导出做了完整支持，太老的版本会报Unknown model或者加载权重后结构对不上。如果你用的是 Windows，还要注意torch的 CUDA 版本要和驱动匹配，常见做法是先装torch再装ultralytics，避免 pip 自动拉一个 CPU 版的 torch 下来。
验证安装是否成功：
from ultralytics import YOLO model = YOLO("yolo11n.pt") # 会自动下载官方预训练权重 print(model.model.names)如果这一步能打印出 COCO 的 80 类名字，说明环境没问题。接下来把yolo11n.pt换成资源里训练好的血液细胞权重，就能直接推理。
3.2 用训练好的权重做推理与结果解析
资源里附带的训练好的模型，加载方式和官方权重一样。推理一张血液细胞图：
from ultralytics import YOLO # 加载血液细胞检测权重 model = YOLO("best.pt") # 推理单张图像，conf 阈值按医学场景调低一点 results = model.predict( source="test_sample.jpg", conf=0.25, # 置信度阈值，血液细胞重叠多，别设太高 iou=0.45, # NMS 的 IoU 阈值 imgsz=640, # 输入尺寸，和训练时保持一致 save=True, # 保存带框的可视化结果 save_txt=True # 同时输出 txt 格式的检测结果 ) # 解析检测框 for r in results: boxes = r.boxes for i in range(len(boxes)): cls_id = int(boxes.cls[i]) conf = float(boxes.conf[i]) xyxy = boxes.xyxy[i].tolist() print(f"类别: {model.names[cls_id]}, 置信度: {conf:.3f}, 坐标: {xyxy}")参数说明：conf=0.25是血液细胞场景的经验值，因为血小板体积小、和红细胞粘连多，阈值设 0.5 会漏掉大量小目标。iou=0.45控制 NMS 合并重叠框的力度，设太高会导致同一个细胞出多个框。imgsz=640必须和训练时一致，否则小目标检测精度会掉。推理完的save_txt=True会生成和 YOLO 标签同格式的 txt，方便你后续做统计分析。
3.3 在自己的数据上微调：冻结层与学习率设置
如果你想在这份权重基础上用自己的血液细胞数据继续微调，关键是控制学习率和冻结层。血液细胞数据集小，全量微调容易过拟合。我一般会冻结 backbone 的前几层：
from ultralytics import YOLO model = YOLO("best.pt") # 从训练好的权重出发 results = model.train( data="bccd_dataset/data.yaml", epochs=100, imgsz=640, batch=16, lr0=0.001, # 初始学习率，微调时比从头训练小一个量级 lrf=0.01, # 最终学习率因子 freeze=10, # 冻结前 10 层，血液细胞特征和 COCO 差异大，别冻太多 patience=20, # 20 轮没提升就早停 device=0, # 用 GPU 0 project="bccd_finetune", name="exp1" )freeze=10是折中值，冻太多模型学不到血液细胞的细粒度特征，冻太少又容易在小数据集上过拟合。lr0=0.001比默认的 0.01 小，是因为预训练权重已经包含通用特征，微调只需要小幅调整。patience=20是早停机制，血液细胞数据集 364 张，通常 50 轮内就能收敛，设太大纯属浪费电。
4. 避坑与排查：血液细胞检测里最容易翻车的五件事
4.1 现象：训练 loss 正常下降但 mAP 一直是 0
原因：data.yaml里的names顺序和标签文件里的class_id对不上。比如你把Platelets写在第一位但标签里血小板是2，模型学出来的类别就全乱了。
解决：用脚本统计一遍标签文件里每个class_id出现的次数，和data.yaml的names逐一对齐。统计命令：
for f in labels/train/*.txt; do awk '{print $1}' $f; done | sort | uniq -c输出里每个 ID 的数量应该和你的预期一致，如果某个 ID 数量为 0，说明那类根本没标进去。
4.2 现象：推理时小目标（血小板）大量漏检
原因：血小板在图像里可能只有十几个像素，YOLO11 默认的 P3 特征图下采样 8 倍后，小目标特征几乎消失。
解决：把imgsz从 640 提到 1024，或者开启augment=True做多尺度推理。更彻底的做法是在训练时加scale=0.9的缩放增强，让模型见过更小的目标。我一般会先试imgsz=1024，显存不够再降 batch。
4.3 现象：同一张图里红细胞被重复检测出多个框
原因：NMS 的iou阈值设太高，重叠的红细胞没有被合并。
解决：把推理时的iou从默认 0.7 降到 0.4~0.5。但注意别降太低，否则相邻的两个细胞会被误合并成一个。血液细胞粘连是常态，这个值需要根据你的图像放大倍数微调。
4.4 现象：训练到一半报 CUDA out of memory
原因：batch设太大，或者imgsz提到 1024 后显存不够。
解决：先把batch降到 8 或 4，同时开启amp=True（自动混合精度）。如果还不行，用imgsz=640训练，推理时再单独用 1024 做测试。ultralytics 支持训练和推理用不同尺寸，这个灵活性很多人不知道。
4.5 现象：验证集 mAP 很高但测试集一塌糊涂
原因：train/val/test 划分时没有打乱，或者同一张图的增强版本同时出现在 train 和 val 里，造成数据泄漏。
解决：重新划分数据集，确保同一张原图只出现在一个 split 里。如果资源自带的划分已经固定，至少检查一遍 train 和 val 的图像文件名有没有重复。我见过最离谱的案例是 train 和 val 完全一样，mAP 直接 0.99，换测试集掉到 0.3。
5. 从检测框到辅助诊断：统计分析与可视化技巧
检测出细胞只是第一步，真正辅助血液疾病诊断，需要把检测结果转成有临床意义的统计量。比如白细胞计数升高可能提示感染，血小板减少可能提示凝血问题。下面这段脚本把推理输出的 txt 汇总成每张图的细胞计数：
import os from collections import defaultdict def count_cells(txt_dir, names): stats = {} for txt_file in os.listdir(txt_dir): if not txt_file.endswith(".txt"): continue counts = defaultdict(int) with open(os.path.join(txt_dir, txt_file)) as f: for line in f: cls_id = int(line.split()[0]) counts[names[cls_id]] += 1 stats[txt_file] = dict(counts) return stats names = {0: "Platelets", 1: "RBC", 2: "WBC"} result = count_cells("runs/detect/exp/labels", names) for img, cnt in result.items(): print(f"{img}: 血小板 {cnt.get('Platelets',0)}, 红细胞 {cnt.get('RBC',0)}, 白细胞 {cnt.get('WBC',0)}")逻辑很直白：遍历每张图的检测结果 txt，按类别累加。参数上，names字典要和data.yaml一致。这个统计结果可以进一步算 WBC/RBC 比值，作为辅助诊断的参考指标。注意这只是统计层面的辅助，不能替代镜检和临床判断。
可视化方面，ultralytics 自带的save=True会输出带框图像，但如果你想自定义颜色和标签样式，可以用 OpenCV 手动画：
import cv2 img = cv2.imread("test_sample.jpg") color_map = {0: (0, 255, 0), 1: (255, 0, 0), 2: (0, 0, 255)} # 血小板绿、红细胞蓝、白细胞红 for line in open("runs/detect/exp/labels/test_sample.txt"): cls_id, xc, yc, w, h = map(float, line.split()) cls_id = int(cls_id) H, W = img.shape[:2] x1 = int((xc - w/2) * W) y1 = int((yc - h/2) * H) x2 = int((xc + w/2) * W) y2 = int((yc + h/2) * H) cv2.rectangle(img, (x1, y1), (x2, y2), color_map[cls_id], 2) cv2.putText(img, str(cls_id), (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color_map[cls_id], 2) cv2.imwrite("annotated.jpg", img)这段代码的关键是坐标反归一化：把 YOLO 的中心点加宽高转回像素坐标。color_map按类别区分颜色，方便肉眼核对。我每次做完检测都会抽几张图手动画一遍，确认框的位置和类别没错——这个习惯帮我抓到过好几次标签错位的问题。
最后说个我自己的教训：早期做血液细胞检测时，我直接拿检测框数量当细胞计数用，结果因为红细胞粘连导致计数严重偏低。后来每次统计前都强制走一遍 NMS 参数检查，确认重叠框合并逻辑没问题才敢出数。希望帮到你。
本文还有配套的精品资源，点击获取
