尧图网站建设 
用 Ultralytics YOLO 训练脑肿瘤检测模型Brain Tumor 数据集结构与 YOLO26 实战指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics本文以 Ultralytics 官方文档中的 Brain Tumor脑肿瘤检测数据集为主线完整覆盖数据集的结构、类别划分、YAML 配置定义以及使用 YOLO26 完成 100 个 epoch 训练与微调模型推理的 Python / CLI 两种实操方式。结合 brain-tumor.yaml 与框架中数据集加载源码读者可以掌握医学影像目标检测从配置解析、自动下载数据到训练、验证和推理的完整链路。一、数据集概述1,116 张 MRI/CT 医学影像Ultralytics 的 Brain Tumor 数据集是一个面向医疗影像的目标检测数据集包含1,116 张医学影像MRI 磁共振与 CT 扫描分为两个预定义的子集子集图像数标注Train训练集893有Validation验证集223有每张图像标注两个类别之一negative无脑肿瘤的图像positive显示存在脑肿瘤的图像这种二分类标注方式让检测模型既能定位肿瘤位置也能标记未出现肿瘤的扫描图像。该数据集支持的应用场景包括早期诊断通过计算机视觉自动定位肿瘤辅助医生尽早发现病灶治疗规划精确定位肿瘤以辅助手术规划疗效监测纵向追踪治疗过程中肿瘤变化医学研究支撑肿瘤学与神经科学领域的科研分析。数据集在首次使用databrain-tumor.yaml训练时会自动下载约 4.21 MB无需任何手动准备。数据集在 LICENSE 声明的 AGPL-3.0 许可下提供。二、Dataset YAML数据集配置的完整定义所有关键配置都定义在 ultralytics/cfg/datasets/brain-tumor.yaml 中文件内容如下# Ultralytics AGPL-3.0 License - https://ultralytics.com/license # Brain-tumor dataset by Ultralytics # Documentation: https://docs.ultralytics.com/datasets/detect/brain-tumor # Example usage: yolo train databrain-tumor.yaml # parent # ├── ultralytics # └── datasets # └── brain-tumor ← downloads here (4.21 MB) # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] path: brain-tumor # dataset root dir train: images/train # train images (relative to path) 893 images val: images/val # val images (relative to path) 223 images # Classes names: 0: negative 1: positive # Download script/URL (optional) download: https://github.com/ultralytics/assets/releases/download/v0.0.0/brain-tumor.zip各配置项含义配置项取值说明pathbrain-tumor数据集根目录名。相对路径会解析到全局数据集目录DATASETS_DIR默认为datasets/下trainimages/train训练图像目录相对path含 893 张图valimages/val验证图像目录相对path含 223 张图names0: negative、1: positive类别索引到名称的映射nc由框架自动推导为 2downloadassets 的 zip 地址数据缺失时的自动下载地址框架如何解析这份 YAML训练入口在 ultralytics/engine/trainer.py 的BaseTrainer.get_dataset()中当task为detect时调用check_det_dataset(self.args.data)完成数据集的检查与解析。check_det_dataset的核心逻辑位于 ultralytics/data/utils.py对本文档中的 brain-tumor.yaml 而言关键行为有裸名称自动补全传入databrain-tumor时会自动尝试补为brain-tumor.yaml源码中允许coco8 - coco8.yaml这类写法字段校验要求train与val两个键必须存在names与nc至少提供其一并保证两者长度一致——brain-tumor.yaml 只提供names框架自动设置data[nc] len(data[names])即 2路径解析若path是相对路径且本地不存在会回落到DATASETS_DIR由SETTINGS[datasets_dir]决定见 ultralytics/utils/init.py并把train/val拼接为绝对路径自动下载当验证集路径不存在且download字段以http开头、以.zip结尾时调用safe_download下载并解压到DATASETS_DIR——这就是文档所说首次训练自动下载 4.21 MB的实现来源字体检查按names是否为纯 ASCII 选择下载Arial.ttf或Arial.Unicode.ttf用于后续结果可视化。因此整个数据集零手动安装的体验本质上是 YAML 的pathdownload两个字段与上述加载逻辑配合的结果。三、训练 YOLO26Python 与 CLI 两种用法官方文档给出的标准训练配置是100 个 epoch、图像尺寸 640使用预训练权重yolo26n.pt启动训练预训练模型对医学影像这类小数据集尤为重要。Python 方式from ultralytics import YOLO # Load a model model YOLO(yolo26n.pt) # load a pretrained model (recommended for training) # Train the model results model.train(databrain-tumor.yaml, epochs100, imgsz640)CLI 方式# Start training from a pretrained *.pt model yolo detect train databrain-tumor.yaml modelyolo26n.pt epochs100 imgsz640训练参数与默认值文档示例只显式传入了epochs和imgsz其余参数来自 ultralytics/cfg/default.yaml 的默认配置与脑肿瘤训练相关的主要默认值有参数默认值说明epochs100训练轮数本例显式指定 100imgsz640训练/验证输入边长本例显式指定 640batch16批大小也可用 0.0–1.0 的小数触发 AutoBatch 按显存自动选择patience100早停耐心值验证指标连续 N 轮不提升则提前停止close_mosaic10最后 10 个 epoch 关闭 mosaic 增强mosaic1.0mosaic 增强概率完整的可训练参数列表见文档中 Train 参数页 的说明对应仓库内default.yaml全量注释。关于 Mosaic 增强与医学影像官方文档特别展示了该数据集训练批次的Mosaiced Image示例Mosaicing 在训练时把多张图像拼合为一张提高每个 batch 的多样性使模型对不同尺寸、形状和位置的肿瘤泛化更好。这也是为什么close_mosaic10这个默认参数值得留意——它在训练末期关闭拼图让模型在接近真实单图分布的状态下完成收敛对肿瘤这种边界敏感的目标定位通常有益。四、微调后模型的推理Inference训练完成后例如产物best.pt可以直接加载微调模型对脑肿瘤扫描做推理Python 方式from ultralytics import YOLO # Load a model model YOLO(path/to/best.pt) # load a brain-tumor fine-tuned model # Inference using the model results model.predict(https://ultralytics.com/assets/brain-tumor-sample.jpg)CLI 方式# Start prediction with a finetuned *.pt model yolo detect predict modelpath/to/best.pt imgsz640 sourcehttps://ultralytics.com/assets/brain-tumor-sample.jpg推理输入支持本地文件路径、目录或 URL。预测结果results中包含边界框、类别negative/positive与置信度可进一步用于区域统计或后续可视化model.predict(..., saveTrue)会保存叠加标注的结果图。五、验证与数据集浏览验证yolo detect val databrain-tumor.yaml modelpath/to/best.pt可单独在 223 张验证图上评估模型数据集浏览官方建议在 Ultralytics Platform 上查看该数据集的标注叠加图、类别分布与边界框热力图再克隆到自己的云环境训练见 数据集总览 中的 Brain-tumor 条目。六、常见问题FAQ 精编Q1数据集如何划分1,116 张图像分为 893 张训练集与 223 张验证集均带标注。该比例划分支持构建稳健的脑肿瘤检测模型。Q2如何获取数据集无需手动下载。首次使用databrain-tumor.yaml训练时框架检测到本地缺失结合上文check_det_dataset逻辑后会自动从 Ultralytics 官方 assets 下载约 4.21 MB 的压缩包并解压到全局DATASETS_DIR。Q3如何训练即第三节给出的 Python / CLI 两种方式100 epochs、imgsz640完整参数清单参见 Train 页。Q4如何推理即第四节示例加载微调后的best.pt对单张 MRI/CT 图或扫描目录做预测。Q5在哪里可以找到数据集 YAML仓库内 ultralytics/cfg/datasets/brain-tumor.yaml包含path、train、val、names与download全部字段。七、引用与致谢数据集以 AGPL-3.0 许可发布见 LICENSE。若在研究或开发工作中使用该数据集请按下式引用dataset{Ultralytics_Brain_Tumor_Dataset_2023, author {Ultralytics}, title {Brain Tumor Detection Dataset}, year {2023}, publisher {Ultralytics}, url {https://docs.ultralytics.com/datasets/detect/brain-tumor} }八、小结Brain Tumor 数据集是 Ultralytics 仓库内一个规模适中、开箱即用的医学影像目标检测基准二分类negative/positive、893/223 训练验证划分、YAML 自描述 自动下载使其成为验证 YOLO 系列模型在医疗场景落地路径的合适起点。按本文配置执行yolo detect train databrain-tumor.yaml modelyolo26n.pt epochs100 imgsz640即可完成完整训练流程需要进一步调优时可对照 ultralytics/cfg/default.yaml 中各参数的注释逐项调整或参考 YOLO26 模型文档 了解可用的模型规模与任务头。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 用 Ultralytics YOLO 训练脑肿瘤检测模型：Brain Tumor 数据集结构与 YOLO26 实战指南
用 Ultralytics YOLO 训练脑肿瘤检测模型Brain Tumor 数据集结构与 YOLO26 实战指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics本文以 Ultralytics 官方文档中的 Brain Tumor脑肿瘤检测数据集为主线完整覆盖数据集的结构、类别划分、YAML 配置定义以及使用 YOLO26 完成 100 个 epoch 训练与微调模型推理的 Python / CLI 两种实操方式。结合 brain-tumor.yaml 与框架中数据集加载源码读者可以掌握医学影像目标检测从配置解析、自动下载数据到训练、验证和推理的完整链路。一、数据集概述1,116 张 MRI/CT 医学影像Ultralytics 的 Brain Tumor 数据集是一个面向医疗影像的目标检测数据集包含1,116 张医学影像MRI 磁共振与 CT 扫描分为两个预定义的子集子集图像数标注Train训练集893有Validation验证集223有每张图像标注两个类别之一negative无脑肿瘤的图像positive显示存在脑肿瘤的图像这种二分类标注方式让检测模型既能定位肿瘤位置也能标记未出现肿瘤的扫描图像。该数据集支持的应用场景包括早期诊断通过计算机视觉自动定位肿瘤辅助医生尽早发现病灶治疗规划精确定位肿瘤以辅助手术规划疗效监测纵向追踪治疗过程中肿瘤变化医学研究支撑肿瘤学与神经科学领域的科研分析。数据集在首次使用databrain-tumor.yaml训练时会自动下载约 4.21 MB无需任何手动准备。数据集在 LICENSE 声明的 AGPL-3.0 许可下提供。二、Dataset YAML数据集配置的完整定义所有关键配置都定义在 ultralytics/cfg/datasets/brain-tumor.yaml 中文件内容如下# Ultralytics AGPL-3.0 License - https://ultralytics.com/license # Brain-tumor dataset by Ultralytics # Documentation: https://docs.ultralytics.com/datasets/detect/brain-tumor # Example usage: yolo train databrain-tumor.yaml # parent # ├── ultralytics # └── datasets # └── brain-tumor ← downloads here (4.21 MB) # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] path: brain-tumor # dataset root dir train: images/train # train images (relative to path) 893 images val: images/val # val images (relative to path) 223 images # Classes names: 0: negative 1: positive # Download script/URL (optional) download: https://github.com/ultralytics/assets/releases/download/v0.0.0/brain-tumor.zip各配置项含义配置项取值说明pathbrain-tumor数据集根目录名。相对路径会解析到全局数据集目录DATASETS_DIR默认为datasets/下trainimages/train训练图像目录相对path含 893 张图valimages/val验证图像目录相对path含 223 张图names0: negative、1: positive类别索引到名称的映射nc由框架自动推导为 2downloadassets 的 zip 地址数据缺失时的自动下载地址框架如何解析这份 YAML训练入口在 ultralytics/engine/trainer.py 的BaseTrainer.get_dataset()中当task为detect时调用check_det_dataset(self.args.data)完成数据集的检查与解析。check_det_dataset的核心逻辑位于 ultralytics/data/utils.py对本文档中的 brain-tumor.yaml 而言关键行为有裸名称自动补全传入databrain-tumor时会自动尝试补为brain-tumor.yaml源码中允许coco8 - coco8.yaml这类写法字段校验要求train与val两个键必须存在names与nc至少提供其一并保证两者长度一致——brain-tumor.yaml 只提供names框架自动设置data[nc] len(data[names])即 2路径解析若path是相对路径且本地不存在会回落到DATASETS_DIR由SETTINGS[datasets_dir]决定见 ultralytics/utils/init.py并把train/val拼接为绝对路径自动下载当验证集路径不存在且download字段以http开头、以.zip结尾时调用safe_download下载并解压到DATASETS_DIR——这就是文档所说首次训练自动下载 4.21 MB的实现来源字体检查按names是否为纯 ASCII 选择下载Arial.ttf或Arial.Unicode.ttf用于后续结果可视化。因此整个数据集零手动安装的体验本质上是 YAML 的pathdownload两个字段与上述加载逻辑配合的结果。三、训练 YOLO26Python 与 CLI 两种用法官方文档给出的标准训练配置是100 个 epoch、图像尺寸 640使用预训练权重yolo26n.pt启动训练预训练模型对医学影像这类小数据集尤为重要。Python 方式from ultralytics import YOLO # Load a model model YOLO(yolo26n.pt) # load a pretrained model (recommended for training) # Train the model results model.train(databrain-tumor.yaml, epochs100, imgsz640)CLI 方式# Start training from a pretrained *.pt model yolo detect train databrain-tumor.yaml modelyolo26n.pt epochs100 imgsz640训练参数与默认值文档示例只显式传入了epochs和imgsz其余参数来自 ultralytics/cfg/default.yaml 的默认配置与脑肿瘤训练相关的主要默认值有参数默认值说明epochs100训练轮数本例显式指定 100imgsz640训练/验证输入边长本例显式指定 640batch16批大小也可用 0.0–1.0 的小数触发 AutoBatch 按显存自动选择patience100早停耐心值验证指标连续 N 轮不提升则提前停止close_mosaic10最后 10 个 epoch 关闭 mosaic 增强mosaic1.0mosaic 增强概率完整的可训练参数列表见文档中 Train 参数页 的说明对应仓库内default.yaml全量注释。关于 Mosaic 增强与医学影像官方文档特别展示了该数据集训练批次的Mosaiced Image示例Mosaicing 在训练时把多张图像拼合为一张提高每个 batch 的多样性使模型对不同尺寸、形状和位置的肿瘤泛化更好。这也是为什么close_mosaic10这个默认参数值得留意——它在训练末期关闭拼图让模型在接近真实单图分布的状态下完成收敛对肿瘤这种边界敏感的目标定位通常有益。四、微调后模型的推理Inference训练完成后例如产物best.pt可以直接加载微调模型对脑肿瘤扫描做推理Python 方式from ultralytics import YOLO # Load a model model YOLO(path/to/best.pt) # load a brain-tumor fine-tuned model # Inference using the model results model.predict(https://ultralytics.com/assets/brain-tumor-sample.jpg)CLI 方式# Start prediction with a finetuned *.pt model yolo detect predict modelpath/to/best.pt imgsz640 sourcehttps://ultralytics.com/assets/brain-tumor-sample.jpg推理输入支持本地文件路径、目录或 URL。预测结果results中包含边界框、类别negative/positive与置信度可进一步用于区域统计或后续可视化model.predict(..., saveTrue)会保存叠加标注的结果图。五、验证与数据集浏览验证yolo detect val databrain-tumor.yaml modelpath/to/best.pt可单独在 223 张验证图上评估模型数据集浏览官方建议在 Ultralytics Platform 上查看该数据集的标注叠加图、类别分布与边界框热力图再克隆到自己的云环境训练见 数据集总览 中的 Brain-tumor 条目。六、常见问题FAQ 精编Q1数据集如何划分1,116 张图像分为 893 张训练集与 223 张验证集均带标注。该比例划分支持构建稳健的脑肿瘤检测模型。Q2如何获取数据集无需手动下载。首次使用databrain-tumor.yaml训练时框架检测到本地缺失结合上文check_det_dataset逻辑后会自动从 Ultralytics 官方 assets 下载约 4.21 MB 的压缩包并解压到全局DATASETS_DIR。Q3如何训练即第三节给出的 Python / CLI 两种方式100 epochs、imgsz640完整参数清单参见 Train 页。Q4如何推理即第四节示例加载微调后的best.pt对单张 MRI/CT 图或扫描目录做预测。Q5在哪里可以找到数据集 YAML仓库内 ultralytics/cfg/datasets/brain-tumor.yaml包含path、train、val、names与download全部字段。七、引用与致谢数据集以 AGPL-3.0 许可发布见 LICENSE。若在研究或开发工作中使用该数据集请按下式引用dataset{Ultralytics_Brain_Tumor_Dataset_2023, author {Ultralytics}, title {Brain Tumor Detection Dataset}, year {2023}, publisher {Ultralytics}, url {https://docs.ultralytics.com/datasets/detect/brain-tumor} }八、小结Brain Tumor 数据集是 Ultralytics 仓库内一个规模适中、开箱即用的医学影像目标检测基准二分类negative/positive、893/223 训练验证划分、YAML 自描述 自动下载使其成为验证 YOLO 系列模型在医疗场景落地路径的合适起点。按本文配置执行yolo detect train databrain-tumor.yaml modelyolo26n.pt epochs100 imgsz640即可完成完整训练流程需要进一步调优时可对照 ultralytics/cfg/default.yaml 中各参数的注释逐项调整或参考 YOLO26 模型文档 了解可用的模型规模与任务头。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考