YOLO26结核杆菌检测系统：YOLO26在结核杆菌检测中的迁移学习与性能评估（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要结核病是由结核分枝杆菌引起的严重传染病全球每年仍有大量新发病例和死亡病例。传统的结核病诊断主要依赖痰涂片镜检该方法耗时长、灵敏度低且高度依赖检验人员经验。为解决这一问题本研究提出基于YOLO26的结核杆菌自动检测系统。该系统使用单一类别TBbacillus检测目标训练集包含1098张标注图像验证集122张。实验结果表明模型在IoU0.5条件下的平均精度均值(mAP0.5)达到0.853最佳F1分数为0.77置信度阈值0.279在高置信度下精度可达1.00。混淆矩阵分析显示模型对结核杆菌的检出率为80%误检率为20%。本研究为结核病的自动化镜检筛查提供了可行的技术方案有助于提升诊断效率和准确性。关键词结核病检测YOLO26目标检测深度学习医学图像分析目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景结核病诊断的临床挑战深度学习在医学显微图像中的应用研究意义数据集介绍2. 数据集规模训练结果​Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅参数实时调节置信度和IoU阈值✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言结核病(Tuberculosis, TB)是由结核分枝杆菌(Mycobacterium tuberculosis)引起的慢性传染病主要通过呼吸道传播。根据世界卫生组织《2023年全球结核病报告》全球约有1060万新发结核病患者其中约130万人死亡结核病仍然是全球第二大传染病杀手。在众多结核病诊断方法中痰涂片镜检因其操作简便、成本低廉仍是资源有限地区最常用的初筛手段。然而传统的人工镜检存在诸多局限检测灵敏度低通常需要每毫升痰液含5000-10000条杆菌才能检出、耗时长每张涂片需观察300个视野、结果主观性强且高度依赖检验人员的经验和专注度。近年来深度学习技术在医学图像分析领域取得了显著进展特别是在病原微生物检测方面展现出巨大潜力。目标检测算法能够自动识别和定位图像中的感兴趣目标为结核杆菌镜检的自动化提供了技术可能。其中YOLO(You Only Look Once)系列算法因其检测速度快、精度高、端到端的特性成为实时目标检测任务的首选框架。YOLOv8作为该系列的最新版本在骨干网络、特征融合和检测头等方面进行了全面优化进一步提升了检测性能和推理效率。本研究旨在基于YOLO26构建结核杆菌自动检测系统通过对痰涂片显微图像中的结核杆菌进行自动识别和定位辅助临床检验人员进行快速、准确的诊断。研究重点评估模型在真实显微图像数据上的检测性能分析其精度、召回率、漏检率和误检率等关键指标为后续临床转化提供实验依据和技术支持。背景结核病诊断的临床挑战结核病的早期准确诊断对于控制疾病传播、降低死亡率和减少耐药性的产生至关重要。目前结核病的实验室诊断方法主要包括痰涂片显微镜检查作为最传统的诊断方法具有操作简单、成本低廉、快速出结果等优点在低收入国家和地区仍广泛使用。但该方法灵敏度低仅能检出50-60%的培养阳性病例且无法区分死菌和活菌。分枝杆菌培养被认为是诊断的金标准灵敏度和特异性高但培养周期长固体培养需4-8周液体培养需1-3周对实验室条件要求高无法满足快速诊断的需求。分子生物学检测如Xpert MTB/RIF等技术能在2小时内同时检测结核杆菌和利福平耐药性敏感性和特异性高但设备昂贵、试剂成本高在资源有限地区难以普及。免疫学检测包括结核菌素皮肤试验和γ-干扰素释放试验主要用于潜伏感染筛查无法区分活动性结核病和潜伏感染。在上述方法中痰涂片镜检仍是大多数发展中国家和最不发达国家的主要诊断手段。然而人工镜检存在以下突出问题主观性强检验人员经验不同可能导致诊断结果差异视觉疲劳长时间观察易导致漏检效率低下每张涂片需观察大量视野质量控制难难以实现标准化操作和结果复核深度学习在医学显微图像中的应用深度学习技术的快速发展为医学显微图像的自动化分析提供了新的解决方案。卷积神经网络(CNN)在图像分类、目标检测和分割等任务中展现出超越传统机器学习方法的性能。在病原微生物检测领域已有研究尝试使用深度学习技术疟疾检测利用CNN识别血涂片中的疟原虫结核杆菌检测使用目标检测算法自动定位痰涂片中的抗酸杆菌肠道寄生虫检测识别粪便样本中的虫卵尿路感染筛查检测尿液中的细菌研究意义本研究基于YOLO26构建结核杆菌自动检测系统具有以下重要意义提升诊断效率自动识别可大幅缩短镜检时间提高检测通量减少主观误差标准化检测流程降低人为因素影响辅助基层医疗为资源有限地区提供技术支持缓解专业人员短缺问题质量控制实现检测结果的可追溯和复核数据积累为后续研究和模型优化提供基础数据数据集介绍本研究所用数据来源于临床痰涂片标本的抗酸染色显微图像。图像采集严格遵循标准化操作流程确保图像质量和一致性。2. 数据集规模类别数量1类类别名称[TBbacillus]结核杆菌训练集1098张图像验证集122张图像总样本量1220张标注图像训练结果1、模型性能概览1.mAP平均精度均值mAP0.5 0.853来自BoxPR_curve.pngmAP0.5:0.95 ≈ 0.39–0.45来自results.png说明模型在IoU0.5的条件下表现良好能够较好地识别结核杆菌TBbacillus但在更严格的IoU阈值下如0.75以上性能有所下降。2.精度与召回率最佳精度Precision1.00 at 0.800BoxP_curve.png最佳召回率Recall0.95 at 0.000BoxR_curve.png这表明在高置信度阈值下模型几乎不会误检精度极高。在低置信度阈值下模型能召回绝大多数真实目标召回率高。2、混淆矩阵分析原始混淆矩阵confusion_matrix.png真实 \ 预测TBbacillus背景TBbacillus809247背景1978000归一化混淆矩阵confusion_matrix_normalized.png真实 \ 预测TBbacillus背景TBbacillus0.800.20背景0.200.80解读TBbacillus 检出率真正例率80%809 / 1056误检率假正例率20%197 / 8197背景识别准确率80%3、训练过程分析results.png训练损失train/box_loss, train/cls_loss, train/dfl_loss随epoch增加而下降表明模型在训练集上学习良好。验证损失val/box_loss, val/cls_loss, val/dfl_loss初期下降后期趋于平稳略有上升趋势可能存在轻微过拟合。mAP50从0.85逐步下降至0.75说明模型在验证集上的泛化能力在后期有所下降。精度与召回率精度从0.05上升至0.15召回率从0.80下降至0.66存在精度-召回率权衡。4、曲线分析1.F1-置信度曲线BoxF1_curve.png最佳F1分数为0.77 at 0.279说明在置信度阈值为0.279时模型在精度与召回率之间取得了最佳平衡。2.PR曲线BoxPR_curve.png曲线形状良好AP0.853说明模型在召回率提升的同时仍能保持较高的精度。3.精度-置信度曲线BoxP_curve.png精度在低置信度下较低随着置信度提高精度逐渐上升至1.0。4.召回率-置信度曲线BoxR_curve.png召回率在低置信度下接近1.0随着置信度提高而下降符合预期。Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频