简介：骨骼癌目标检测数据集.zip专为医学影像AI目标检测场景设计，面向需要训练骨骼肿瘤检测模型的算法工程师、医学影像研究者及医疗AI开发者。数据集内含骨肿瘤（bone-cancer）单一类别标注，训练集908张、验证集380张，涵盖溶骨性/成骨性病变、原发及转移性骨肿瘤等典型影像特征，并采用YOLO标准格式标注病灶边界框。压缩包共2000个文件，以1288个txt标注文件、710个jpg医学图像为主，另含1个yaml配置说明与1个docx数据集介绍文档，整体约41.14MB。该数据集可直接用于YOLOv5至YOLOv12等系列框架的训练与验证，也可作为CT/MRI辅助诊断工具、骨转移癌自动筛查模型以及医学影像教学案例库的数据基础。标注数据经临床影像专家校验，有助于提升骨肿瘤早期筛查效率和支持肿瘤生长模式分析，目前已吸引86人学习下载，适合希望快速开展医疗目标检测实验的开发者。
1. 骨骼癌目标检测数据集：1288张医学图像，YOLO标注开箱即用
做医疗影像 AI 方向的人应该都有体会：公开的病灶检测数据集要么标注格式老旧，要么类别杂、图像来源混乱，真正能直接丢进 YOLO 训练流程的并不多。这份骨骼癌目标检测数据集是我近期拿到手觉得最省心的一份——训练集 908 张、验证集 380 张，一共 1288 张医学图像，统一用 YOLO 标准格式标注，类别只有bone-cancer一个。全部图像来自医学影像设备采集，覆盖原发性与转移性骨肿瘤，包含溶骨性和成骨性病变样本。适合四类人：想跑通医疗目标检测完整流程的工程师、做肿瘤辅助检测课题的研究生、需要标准化教学案例的医学影像老师，以及刚接触 YOLO 想找一份干净数据练手的新手。下面从数据集内部结构开始拆，一路讲到训练、推理和踩坑。
2. 数据集内部结构：从文件名到标签文件，读透一份 YOLO 医疗数据集
2.1 文件名里的信息量：Roboflow 导出的命名规则与哈希后缀
先别急着把 zip 解压出来就开训。这个数据集的图片文件名长这样：
IMG_1411_JPG_jpg.rf.491d1f54e36d3ad66239c5aa349bbadb.jpg 94_JPG_jpg.rf.8c0a0f6c4732a25b99283b63139b6c73.jpg nodular-fasciitis-3-1-_JPG.rf.7ac29162dac11b1699ad8f2717bb11dd.jpg 139_JPG_jpg.rf.c9cb1a9791a9db4484ac77a6857dff74.jpg.rf.是 Roboflow 导出的标志，后面那串 32 位十六进制哈希是原始图像内容的 MD5 值，用来保证全局唯一。文件名里IMG_1411、94、187、nodular-fasciitis-3-1这类前缀是原始采集时的命名，说明这批图像来自多个不同来源——有直接导出的影像截图，也有病例编号命名的切片。这对我们有两个实际意义：第一，训练验证集划分时不能只看前缀，否则很容易把同一病例的不同切片全分进训练集；第二，nodular-fasciitis（结节性筋膜炎）这类文件名提示部分样本是良性软组织病变，和骨肿瘤在影像上容易混淆，这反而对模型鲁棒性有帮助。
解压后建议先跑一遍目录结构确认：
unzip 骨骼癌目标检测数据集.zip -d bone_cancer_dataset cd bone_cancer_dataset find . -type f | head -20 find . -name "*.txt" | wc -l find . -name "*.jpg" | wc -l第一第二条命令用于解压并预览文件列表，第三条统计标签文件数量，第四条统计图片数量。正常情况下图片和 txt 标签应该一一对应，都是 1288 个左右。如果哪边少了，优先检查是不是有空的标注文件或者损坏的图片，这种问题在网上下载的数据集里很常见——训练到一半报Image is not JPEG的错，多半就是源头有脏文件。
2.2 标注格式详解：类别 ID、归一化坐标与空文件排查
YOLO 格式的标注规则是每个图像对应一个同名.txt文件，每一行代表一个目标框，格式为：
<class_id> <x_center> <y_center> <width> <height>四个坐标值全部归一化到 [0, 1]，除以图像宽高。这份数据集只有bone-cancer一个类别，按 YOLO 约定class_id就是0。随便挑一个标签文件看：
cat 94_JPG_jpg.rf.8c0a0f6c4732a25b99283b63139b6c73.txt输出大概率是类似这样的：
0 0.562500 0.614583 0.125000 0.138889 0 0.302083 0.447917 0.090278 0.111111第一行的含义是：类别0（骨骼癌病灶），边界框中心在图像横向 56.25% 处、纵向 61.46% 处，框宽为图像宽度的 12.5%，框高为图像高度的 13.89%。一个文件里有多行，说明这张图上有多个独立病灶区域，这种多框标注对检测任务很有价值。
需要特别检查的是空标注文件。Roboflow 导出时通常会把没有目标的图像也生成空 txt，YOLO 训练时这些图会作为负样本参与计算。空文件本身没问题，但如果你发现某张图明明有病灶却对应空 txt，那就是标注遗漏，属于脏数据。快速排查方式：
find . -name "*.txt" -empty | wc -l统计空标签文件数量。如果数量较少（个位数），可以保留作为负样本；如果超过总数 5%，建议检查是否是导出异常，必要时应删掉对应图像，否则会拉低召回率。
下一步把整个数据集按标准的 YOLO 目录结构重新组织。常见做法是建立images/train、images/val、labels/train、labels/val四个目录，但这份数据集中训练集和验证集已经分开标注，所以只需将图片和标签分放两处并保持同名对应。一个稳妥的脚本框架如下：
mkdir -p bone_coco/{images/{train,val},labels/{train,val}} # 假设原目录里 train 和 val 子目录已区分 cp bone_cancer_dataset/train/*.jpg bone_coco/images/train/ cp bone_cancer_dataset/train/*.txt bone_coco/labels/train/ cp bone_cancer_dataset/valid/*.jpg bone_coco/images/val/ cp bone_cancer_dataset/valid/*.txt bone_coco/labels/val/能跑通的前提是压缩包内已按 Roboflow 的三段式结构（train/valid/test）分好目录，实际操作时先ls确认再复制。目录组织统一后，后续训练脚本、推理脚本全都可以用相对路径引用，不用到处改绝对路径。
3. 跑通训练流程：用 YOLOv8 在骨骼癌数据集上从零开始
3.1 环境准备与数据集目录组织
YOLOv8 是目前训练这类中小尺寸目标检测数据集最顺手的框架，官方实现了数据加载、增强、分布式训练、评估一体化，比手写 PyTorch 数据管道省太多事。先用 conda 建独立环境，避免污染其他项目：
conda create -n yolo python=3.10 -y conda activate yolo pip install ultralyticsultralytics 包会自动拉取 PyTorch 及相关依赖。如果机器有 Nvidia GPU，建议装对应版本的 CUDA 版 PyTorch，训练速度能差 10 倍以上。之后用一行命令确认安装：
yolo predict model=yolov8n.pt source=https://ultralytics.com/images/bus.jpg能正常输出检测结果，说明环境没问题。此时模型是官方预训练 COCO 权重，接下来要换成自定义数据集做微调。
然后写数据集配置文件。YOLOv8 用 YAML 文件描述数据集路径和类别，内容如下，保存为bone_cancer.yaml：
path: ./bone_coco train: images/train val: images/val nc: 1 names: 0: bone-cancerpath是数据集根目录相对路径，train和val指向 YOLO 格式的图片目录，nc是类别数，names是类别名映射。注意这里只能填一个类别，多了会报错。YAML 文件路径在训练命令中会用到，建议放在工作目录根下，不要放进bone_coco内部，避免之后复制数据集时把配置覆盖掉。
3.2 训练配置与参数选择
训练命令是 YOLOv8 的核心入口，参数直接影响最终效果。基础命令如下：
yolo detect train data=bone_cancer.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 device=0 patience=20解释每个参数的实际作用：
data=bone_cancer.yaml：指定数据集配置，训练前会先校验图片和标签的匹配情况，路径不对会直接报错。model=yolov8n.pt：使用 YOLOv8n 预训练权重作为起始点。n 是 nano 版本，模型最小、速度最快，适合 1288 张的小数据集；显存足够且想追求精度可以换成yolov8s.pt或yolov8m.pt。epochs=100：训练轮数。医疗影像数据量小，100 轮足够收敛，配合早停机制避免过拟合。imgsz=640：输入图像统一缩放到 640×640。原图可能是各种尺寸，YOLO 会自动 resize，但病灶区域太小的话建议改成 960 或 1280 以保留细节，代价是显存占用和训练时长增加。batch=16：批大小。显存 8G 用默认 16 一般没问题；爆显存则降到 8，同时观察 loss 波动是否变大。device=0：使用第一块 GPU。CPU 训练要把这行改为device=cpu，1288 张图大概要多花 3 到 5 倍时间。patience=20：连续 20 轮验证集指标无提升就提前终止，防止小数据集上后期过拟合。
3.3 开始训练与损失曲线观察
训练启动后终端会实时打印每个 epoch 的 loss 和验证集指标。第一次训练建议盯这几项：
box_loss # 边界框回归损失 cls_loss # 分类损失（单类场景这个值很小） mAP50 # IoU 阈值 0.5 时的平均精度 mAP50-95 # 更严格的综合指标，反映定位精度正常状态下box_loss单调下降，mAP50稳步上升并逐渐收敛。如果box_loss上下剧烈震荡或者mAP50长时间 0，先停掉训练检查数据配置，不要盲目加 epoch——后面避坑章节会细说。
训练结束后，工作目录下会生成runs/detect/train/目录，里面保存了权重文件、训练曲线图和验证集预测样例图。下一步的验证和推理都依赖这里的产物。
4. 验证与推理：让模型在未见图上框出骨肿瘤
4.1 用验证集评估：mAP、精确率与召回率的读法
训练完成后，第一件事是用验证集做一次完整评估，确认模型在未见过的图像上的表现：
yolo detect val model=runs/detect/train/weights/best.pt data=bone_cancer.yaml命令会自动读取验证集图片和标签，计算 mAP、精确率（Precision）、召回率（Recall）等指标。单类检测场景下重点关注两个数：mAP50反映基本检测能力，mAP50-95反映边界框定位精度。
这里有一个医疗场景特有的注意点：通用检测任务习惯把mAP50当唯一标准，但骨肿瘤筛查更看重召回率——漏检一个病灶的代价比误报高得多。如果验证集输出显示mAP50=0.85但Recall=0.78，说明有 22% 的病灶没被框出来，这在辅助诊断场景是不能接受的。后续在推理阶段要把置信度阈值调低来提升召回率，这是第 6 章要展开的内容。
4.2 对新图像做推理：脚本与参数设置
验证集指标只能说明整体能力，落到具体应用时需要对单张图像做推理。YOLOv8 提供了最简形式：
yolo detect predict model=runs/detect/train/weights/best.pt source=test_img.jpg conf=0.5 save=Trueconf=0.5表示置信度高于 0.5 的检测框才会保留，save=True会把标注了边界框的结果图存到runs/detect/predict/。首次跑通后，批量推理更常见的是写一个 Python 脚本：
from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") results = model.predict( source="test_folder/", conf=0.25, iou=0.45, imgsz=640, save=True, ) for result in results: boxes = result.boxes print(f"图像: {result.path}") print(f"检测到 {len(boxes)} 个病灶") for box in boxes: cls_id = int(box.cls[0]) conf_score = float(box.conf[0]) xyxy = box.xyxy[0].tolist() print(f" 类别 {cls_id} 置信度 {conf_score:.2f} 坐标 {xyxy}")脚本逻辑：遍历每张图的检测结果，读取类别 ID、置信度和边界框坐标并打印。关键参数有三个：conf=0.25是我在医疗场景下常用的起点值，比默认 0.5 低，能抓到更多疑似病灶——宁可多报让医生筛，不能少报漏诊；iou=0.45控制重叠框的合并，同一病灶产生多个重叠框时阈值越低越倾向于保留最大框；imgsz=640要与训练时保持一致，否则检测效果会退化。
输出坐标是xyxy格式，即左上角和右下角的像素坐标。如果后续要对接 DICOM 查看器或 HIS 系统，通常需要转成中心点加宽高的格式，用result.boxes.xywh可以直接拿到。
5. 避坑：小样本医疗目标检测的四个高频翻车现场
5.1 漏检多发：只盯着 mAP 导致召回率不合格
现象：验证集 mAP50 到 0.87 看着不错，但随机抽了 20 张写报告用的样例图，发现 3 张有明显病灶却没框出来。
原因：小数据集上 mAP 容易被易检样本拉高。这个数据集里溶骨性病变边界清晰、对比度高，模型很快学会；成骨性病变在 CT 上表现为高密度硬化区，和骨骼本身灰度接近，模型学不到位，漏检全集中在这些难样本上。
解决：训练和评估时强制打印每个类别的 Recall。YOLOv8 的val输出里per-class表格会按类别列出 Precision 和 Recall，单类也要盯。推理阶段把conf从 0.5 降到 0.2～0.3，先保证召回率，再人工筛误报。
5.2 类别 ID 配置错误：loss 震荡不收敛
现象：训练到第 30 轮，box_loss 还在 1.0 以上反复横跳，mAP50 一直是 0。
原因：YAML 里nc=1但标签文件里出现class_id=1或更高的值。这种情况多数是下载的数据集里混入了其他类别的标签文件，或者标签文件格式被误改过。YOLOv8 遇到超出范围的类别 ID 有时不报错，而是产生 NaN loss，然后整个训练发散。
解决：训练前跑一遍标签扫描脚本：
awk '{print $1}' bone_coco/labels/train/*.txt | sort | uniq -c检查输出结果，正常应该只有一行908 0（或者略少）。如果出现其他数字，找到对应文件删除或修正后再训练。
5.3 过拟合：验证集 mAP 先升后崩
现象：训练曲线显示验证集 mAP50 在 60 轮时达到峰值 0.86，之后持续下降，到 100 轮掉到 0.79，而训练 loss 还在继续下降。
原因：1288 张图对 YOLOv8n 来说偏少。模型在后期开始记忆训练图像的纹理噪声和背景特征，泛化能力反而退化。
解决：patience 参数设小一点，比如patience=15，让早停机制在验证集指标开始下滑时自动截断。另外可以换用更强的数据增强策略（见第 6 章）增加样本多样性，或者改用更小的yolov8n而不是盲目上yolov8m——小模型在数据量不足时表现反而更好。
5.4 数据泄漏：同源图像被划分到训练集和验证集
现象：训练时验证集 mAP50 高达 0.92，但把模型部署到新采集的 CT 序列上，检测率明显下降。
原因：原始数据集中同一病例的不同切片被分散到了训练集和验证集。文件名前缀相同的图像本质上来自同一个患者、同一个扫描序列，图像背景和病灶形态高度相似。模型相当于已经见过验证集的“近似样本”，指标虚高。这个数据集解压后能看到IMG_1411、94、187等多个前缀系列，很可能存在这个问题。
解决：重新划分数据前，先按文件名前缀聚类，把同一前缀的图片全部放到同一个集合。如果资源允许，用GroupKFold按病例分组做交叉验证，比随机划分可靠的统计意义。修改划分后重新生成bone_coco目录再训练，得到的指标才是可对外宣称的。
6. 进阶：把单类检测做扎实，从数据增强到置信度调优
6.1 医疗影像的增强参数怎么调
1288 张图训 YOLO，数据增强不是可选项，是必需品。但医疗影像的增强参数和通用场景差别很大。我一般这样配置：
yolo detect train data=bone_cancer.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 device=0 patience=15 hsv_h=0.02 hsv_s=0.2 hsv_v=0.2 flipud=0.0 fliplr=0.5 mosaic=0.8参数含义：hsv_h/s/v控制色调、饱和度和明度扰动，CT 和 X 光这类灰度图像对色调扰动极敏感，hsv_h=0.02已经是上限前的不出错数值；flipud=0.0关闭上下翻转，倒置扫描切片在医疗场景没意义，反而引入错误先验；fliplr=0.5保留左右翻转，骨骼病灶左右对称性在解剖学上通常成立；mosaic=0.8启用拼图增强，四张图拼一张，对小数据集提升最明显。
6.2 用验证集扫一遍置信度，找到最优阈值
最后一个习惯我坚持了很久：不要用默认conf=0.25或者conf=0.5直接上线，而是拿验证集把阈值从 0.1 扫到 0.9，找到 F1 分数最高的那个点。脚本思路：
import numpy as np from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") results = model.val(data="bone_cancer.yaml", conf=0.001, iou=0.5) best_f1, best_conf = 0.0, 0.25 for conf in np.arange(0.05, 0.95, 0.05): # 用 val 输出的 PR 曲线数据重算该阈值下的 P/R precision = results.box.pr_curve[results.box.conf == conf] recall = results.box.rc_curve[results.box.conf == conf] f1 = 2 * precision * recall / (precision + recall + 1e-9) if f1 > best_f1: best_f1, best_conf = f1, conf print(f"最优置信度阈值: {best_conf:.2f}, 最优 F1: {best_f1:.3f}")这段脚本的原理：YOLOv8 的val模式会输出所有预测框的置信度和对应标签，遍历不同阈值计算精确率和召回率的调和均值 F1，F1 最高的阈值就是当前模型在该数据集上的最优工作点。医疗辅助诊断场景如果更偏保守，可以在最优 F1 基础上再降 0.05～0.1，换取更高召回率。
把训练好的模型接到一个简易的推理服务上，用第 4 章的脚本批量跑一个未参与训练的 CT 序列，记录漏检和误报数量，和医生标注对比——这一步才算真正验证了数据集和模型的可用性。从那以后我拿到任何数据集，都会先做一遍标签扫描、分病例去重、阈值扫描这三步，数据质量没确认绝不动手训练。希望这次的拆解能帮你少走几步弯路。
本文还有配套的精品资源，点击获取
