Cellpose-SAM 细胞分割完全指南从安装到自定义模型一次讲清【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellposeCellpose 是一款通用型深度学习细胞分割工具一个预训练模型就能应对荧光、明场图像和 3D 体积数据对噪声、模糊、通道顺序变化都有很强的容忍度。无论你是刚接触生物图像分析的新手还是需要批量处理数据的研究工程师装上它就能开始分割细胞与细胞核还可以用自己标注的数据训练专属模型。图片说明Cellpose 细胞分割的完整流程——从左到右依次为原始图像、检测到的细胞边界、彩色分割掩膜和流场可视化。 三步装好 Cellpose直接打开图形界面系统支持 Linux、Windows 和 Mac OS至少需要 8GB 内存处理大图或 3D 体积时建议 16-32GB。最稳妥的方式是用 conda 建一个独立环境conda create --name cellpose python3.12 conda activate cellpose python -m pip install cellpose[gui] python -m cellpose不想装 GUI 的话把第三行换成python -m pip install cellpose即可。zsh 用户安装 GUI 版本时记得给cellpose[gui]加上引号。首次运行会自动下载预训练模型权重之后就能拖图进 GUI 开始分割了。 核心能力速览功能能做什么什么时候用预训练模型 cpsam / cpdino开箱即用的细胞与细胞核分割v4.2 还新增基于 DINOv3 的cpdino、cpdino-vitb模型绝大多数 2D 荧光/明场图像的默认选择3D 体积分割对多 Z 平面 tiff 做 2.5D 流场计算支持各向异性采样显微镜 z-stack 数据人机交互训练在 GUI 里标注、纠正分割结果增量训练自己的模型通用模型在你的数据上效果不够好时图像恢复分割前先去噪、去模糊结果存为_seg.npy低信噪比、对比度差的图像命令行批处理指定文件夹一次跑完输出 PNG 或 numpy 掩膜几十张以上的批量任务 场景一在 GUI 里分割一批 2D 细胞图像这是最高频的用法按下面顺序操作python -m cellpose启动 GUI把.tif、.png、.jpg图像拖进去。在模型下拉框里选cpsam或cpsam_v2、cpdino选好要分割的通道。注意 Cellpose-SAM 对通道顺序不敏感细胞质和细胞核通道放哪个位置都行。点calibrate按钮自动估算细胞大小或手动输入cell diameter后按回车——左下角会出现一个红色圆盘作为参考。点run segmentation勾选 MASKS ON 即可看到彩色掩膜方向键可以翻到下一张图继续分割。两个关键参数的调整方向flow_threshold默认 0.4控制掩膜形状的校验严格程度结果太少就调大、畸形太多就调小cellprob_threshold默认 0.0是细胞概率的过滤门槛暗背景里的假阳性多就调高。官方文档在docs/目录下的 settings 页有完整说明。图片说明Cellpose 的模型架构——标注掩膜被转化为指向细胞中心的向量流场网络预测流场后通过动力学迭代收敛出生成的掩膜引自论文示意图。 场景二处理 3D z-stack 体积数据3D 数据直接用专门的启动方式打开 GUIpython -m cellpose --Zstacktiff 的期望形状是Z x 通道 x Y x X拖进来后 GUI 自动识别并跑 3D 分割。几个实用参数各向异性Z 方向采样比 XY 稀疏时设置anisotropy比如 Z 像素是 XY 的 2 倍大就设为 2算法会相应上采样 Z。碎片化、环形伪影调大flow3D_smooth对流场做高斯平滑假阳性多时3D 模式忽略flow_threshold改用min_size过滤小块掩膜更有效。3D 分不动时关掉do_3D改用stitch_threshold 0先在每张 XY 切片上分 2D再按 IoU 把相邻切片的掩膜拼起来。分割完成后把结果导进 ImageJ 做后续分析也很顺畅图片说明Cellpose 与 ImageJ 的衔接流程——在 Python 端完成分割后将掩膜结果导出并在 ImageJ 中打开分析。⚙️ 进阶玩法训练自己的模型与 GPU 加速人机交互训练是 Cellpose 最省标注量的玩法从预训练模型预测开始你对着结果接受正确的掩膜、修正错误的每多标一张图就增量训练一次。注意始终要以内置的cpsam为起点训练而不是从上一次微调的模型继续——反复在自己的小数据上训练会让网络过拟合、丧失泛化能力。命令行批量训练时标签文件按xxx.tifxxx_masks.tif的命名放在同一目录python -m cellpose --train --dir /path/train/ --test_dir /path/test/ \ --learning_rate 0.00001 --weight_decay 0.1 --n_epochs 100 --train_batch_size 1训练相关的实现代码在cellpose/train.pyGUI 训练入口在cellpose/gui/目录交互式示例见notebooks/train_Cellpose-SAM.ipynb。GPU 加速装好 NVIDIA 驱动和 CUDA 版 torch 后GUI 里GPU复选框会被自动勾选并显示 CUDA 版本没勾上的话先pip uninstall torch再装带cuXX标识的 GPU 版。3D 分割和大批量数据时开 GPU 收益最明显。批量处理不打开 GUI 时直接走命令行例如对文件夹里所有图跑分割并保存 PNGpython -m cellpose --dir /path/images/ --chan 1 --save_png。超大体积数据的分布式处理方案参考docs/distributed.rst和cellpose/contrib/distributed_segmentation.py。❓ 常见问题速查GUI 卡死没反应是不是坏了没坏它只是在算。分割期间 GUI 不接收任何点击大图或 CPU 环境可能要等很久看终端日志能确认进度换更快的 CPU 或上 GPU 能明显提速。细胞直径特别大比如 90 像素以上分不准怎么办手动设置diameter让图像先下采样既提精度又提速细长的细胞如果掩膜没收敛把niter调大如 2000让动力学迭代跑更久。v4.2 的cpdino模型用不了需要额外安装 DINOv3 依赖包装完重启环境即可不想装的话默认用cpsam_v2它对低对比度区域的误检更少。PNG 掩膜文件打开后上深下浅看不到格子这是正常现象掩膜里每个像素存的是递增的细胞编号不是灰度强度。在 ImageJ 里换 LUT 显示或把所有大于 0 的像素阈值化就能看到全部掩膜。适用边界Cellpose 面向细胞与细胞核这类对象不支持多类别细胞识别需要为每类单独训模型再合并且模型训练数据采用 CC-BY-NC 许可商用前请自行评估。版本本文基于 v4.22026 年 6 月更新新增 CellposeDINO 模型与 cpsam_v2。相关入口官方文档在 docs/ 目录核心源码在 cellpose/上手示例在 notebooks/。【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Cellpose-SAM 细胞分割完全指南：从安装到自定义模型一次讲清
Cellpose-SAM 细胞分割完全指南从安装到自定义模型一次讲清【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellposeCellpose 是一款通用型深度学习细胞分割工具一个预训练模型就能应对荧光、明场图像和 3D 体积数据对噪声、模糊、通道顺序变化都有很强的容忍度。无论你是刚接触生物图像分析的新手还是需要批量处理数据的研究工程师装上它就能开始分割细胞与细胞核还可以用自己标注的数据训练专属模型。图片说明Cellpose 细胞分割的完整流程——从左到右依次为原始图像、检测到的细胞边界、彩色分割掩膜和流场可视化。 三步装好 Cellpose直接打开图形界面系统支持 Linux、Windows 和 Mac OS至少需要 8GB 内存处理大图或 3D 体积时建议 16-32GB。最稳妥的方式是用 conda 建一个独立环境conda create --name cellpose python3.12 conda activate cellpose python -m pip install cellpose[gui] python -m cellpose不想装 GUI 的话把第三行换成python -m pip install cellpose即可。zsh 用户安装 GUI 版本时记得给cellpose[gui]加上引号。首次运行会自动下载预训练模型权重之后就能拖图进 GUI 开始分割了。 核心能力速览功能能做什么什么时候用预训练模型 cpsam / cpdino开箱即用的细胞与细胞核分割v4.2 还新增基于 DINOv3 的cpdino、cpdino-vitb模型绝大多数 2D 荧光/明场图像的默认选择3D 体积分割对多 Z 平面 tiff 做 2.5D 流场计算支持各向异性采样显微镜 z-stack 数据人机交互训练在 GUI 里标注、纠正分割结果增量训练自己的模型通用模型在你的数据上效果不够好时图像恢复分割前先去噪、去模糊结果存为_seg.npy低信噪比、对比度差的图像命令行批处理指定文件夹一次跑完输出 PNG 或 numpy 掩膜几十张以上的批量任务 场景一在 GUI 里分割一批 2D 细胞图像这是最高频的用法按下面顺序操作python -m cellpose启动 GUI把.tif、.png、.jpg图像拖进去。在模型下拉框里选cpsam或cpsam_v2、cpdino选好要分割的通道。注意 Cellpose-SAM 对通道顺序不敏感细胞质和细胞核通道放哪个位置都行。点calibrate按钮自动估算细胞大小或手动输入cell diameter后按回车——左下角会出现一个红色圆盘作为参考。点run segmentation勾选 MASKS ON 即可看到彩色掩膜方向键可以翻到下一张图继续分割。两个关键参数的调整方向flow_threshold默认 0.4控制掩膜形状的校验严格程度结果太少就调大、畸形太多就调小cellprob_threshold默认 0.0是细胞概率的过滤门槛暗背景里的假阳性多就调高。官方文档在docs/目录下的 settings 页有完整说明。图片说明Cellpose 的模型架构——标注掩膜被转化为指向细胞中心的向量流场网络预测流场后通过动力学迭代收敛出生成的掩膜引自论文示意图。 场景二处理 3D z-stack 体积数据3D 数据直接用专门的启动方式打开 GUIpython -m cellpose --Zstacktiff 的期望形状是Z x 通道 x Y x X拖进来后 GUI 自动识别并跑 3D 分割。几个实用参数各向异性Z 方向采样比 XY 稀疏时设置anisotropy比如 Z 像素是 XY 的 2 倍大就设为 2算法会相应上采样 Z。碎片化、环形伪影调大flow3D_smooth对流场做高斯平滑假阳性多时3D 模式忽略flow_threshold改用min_size过滤小块掩膜更有效。3D 分不动时关掉do_3D改用stitch_threshold 0先在每张 XY 切片上分 2D再按 IoU 把相邻切片的掩膜拼起来。分割完成后把结果导进 ImageJ 做后续分析也很顺畅图片说明Cellpose 与 ImageJ 的衔接流程——在 Python 端完成分割后将掩膜结果导出并在 ImageJ 中打开分析。⚙️ 进阶玩法训练自己的模型与 GPU 加速人机交互训练是 Cellpose 最省标注量的玩法从预训练模型预测开始你对着结果接受正确的掩膜、修正错误的每多标一张图就增量训练一次。注意始终要以内置的cpsam为起点训练而不是从上一次微调的模型继续——反复在自己的小数据上训练会让网络过拟合、丧失泛化能力。命令行批量训练时标签文件按xxx.tifxxx_masks.tif的命名放在同一目录python -m cellpose --train --dir /path/train/ --test_dir /path/test/ \ --learning_rate 0.00001 --weight_decay 0.1 --n_epochs 100 --train_batch_size 1训练相关的实现代码在cellpose/train.pyGUI 训练入口在cellpose/gui/目录交互式示例见notebooks/train_Cellpose-SAM.ipynb。GPU 加速装好 NVIDIA 驱动和 CUDA 版 torch 后GUI 里GPU复选框会被自动勾选并显示 CUDA 版本没勾上的话先pip uninstall torch再装带cuXX标识的 GPU 版。3D 分割和大批量数据时开 GPU 收益最明显。批量处理不打开 GUI 时直接走命令行例如对文件夹里所有图跑分割并保存 PNGpython -m cellpose --dir /path/images/ --chan 1 --save_png。超大体积数据的分布式处理方案参考docs/distributed.rst和cellpose/contrib/distributed_segmentation.py。❓ 常见问题速查GUI 卡死没反应是不是坏了没坏它只是在算。分割期间 GUI 不接收任何点击大图或 CPU 环境可能要等很久看终端日志能确认进度换更快的 CPU 或上 GPU 能明显提速。细胞直径特别大比如 90 像素以上分不准怎么办手动设置diameter让图像先下采样既提精度又提速细长的细胞如果掩膜没收敛把niter调大如 2000让动力学迭代跑更久。v4.2 的cpdino模型用不了需要额外安装 DINOv3 依赖包装完重启环境即可不想装的话默认用cpsam_v2它对低对比度区域的误检更少。PNG 掩膜文件打开后上深下浅看不到格子这是正常现象掩膜里每个像素存的是递增的细胞编号不是灰度强度。在 ImageJ 里换 LUT 显示或把所有大于 0 的像素阈值化就能看到全部掩膜。适用边界Cellpose 面向细胞与细胞核这类对象不支持多类别细胞识别需要为每类单独训模型再合并且模型训练数据采用 CC-BY-NC 许可商用前请自行评估。版本本文基于 v4.22026 年 6 月更新新增 CellposeDINO 模型与 cpsam_v2。相关入口官方文档在 docs/ 目录核心源码在 cellpose/上手示例在 notebooks/。【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考