2024 年开始AI 医疗的岗位需求明显变多了。大量医院、第三方检验中心、药企和医疗 AI 创业公司都在招人职位从 AI 医学研究员、医疗 AI 算法工程师到医疗 AI 产品经理都有但真正能动手做事的候选人并不多。很多人卡在同一个地方懂点深度学习理论只会跑公开数据集一旦进入医疗影像场景比如细胞检测就不知道怎么把 YOLOV5 落到真实项目里。这次我就结合“基于 YOLOV5 细胞检测实战”这个方向聊聊医学科研和临床辅助里最常碰到的一类任务怎么用 YOLOV5 训练一个细胞检测模型从环境搭建、数据标注、模型训练到推理部署完整跑通。同时把 AI 医学研究员、医疗 AI 算法工程师、医疗 AI 产品经理这三个岗位对应的技能点拆开讲清楚方便你判断自己更适合哪个方向。先给结论YOLOV5 在细胞检测任务里依然是一个非常稳妥的入门和工程落地方案。它有成熟的训练链路、丰富的预训练权重、显存要求不算苛刻并且从数据标注到模型导出的工具链非常完整。如果你想进入 AI 医疗领域拿 YOLOV5 细胞检测练手是最接近真实工作流的路线之一。1. 核心能力速览能力项说明项目任务基于 YOLOV5 的细胞检测包括训练、验证、推理和部署典型应用血细胞检测、病理切片细胞识别、医学图像目标定位模型架构YOLOV5s / YOLOV5m / YOLOV5l / YOLOV5x按精度和速度选择训练环境PyTorch CUDA支持 Windows / Linux 环境显存参考需按模型规模确定YOLOV5s 相对较低YOLOV5x 更高以本机实测为准启动方式命令行训练、命令行推理、导出 ONNX 后接入推理服务API 能力可通过 Flask / FastAPI 封装为接口服务或通过 Triton 等框架部署批量任务支持批量推理可通过脚本遍历目录完成适合读者想进入 AI 医疗的算法工程师、科研人员、产品经理和技术决策者从能力表可以看到YOLOV5 本身不是一套开箱即用的医疗 AI 产品而是一个通用目标检测框架。要做细胞检测还需要在数据、标注、训练策略和部署环节做大量工程化处理。这部分恰恰是 AI 医疗算法工程师日常工作的核心。2. 适用场景与使用边界2.1 适合解决的细胞检测场景细胞检测的本质是在图像中找到目标细胞实例并给出位置和类别。YOLOV5 适合处理的场景包括血液涂片中的白细胞、红细胞、血小板检测。病理切片中特定细胞群的定位和计数。培养皿或微流控图像中的细胞识别。显微成像中的细胞密度估计。科研数据集中特定细胞类型的批量标注和筛选。这类任务有一个共同特点目标有相对固定的形态学特征数量多且需要输出坐标框而不是单纯的图像分类结果。2.2 不适合的场景YOLOV5 不适合直接处理实例分割、细胞膜精细分割或亚细胞结构定位。如果任务需要像素级轮廓应该考虑 YOLOV5-Seg、Mask R-CNN 或 Cellpose 等方案。另外对于超大病理图像YOLOV5 单模型通常无法直接放入显存需要做切片处理或使用多尺度推理策略。2.3 医疗数据合规边界必须特别提醒医疗影像数据涉及患者隐私任何训练和部署都必须遵守法律法规和伦理要求。使用公开数据集时要确认数据的使用协议使用医院数据时必须做匿名化处理并获得相应授权。涉及细胞检测结果用于临床辅助诊断时还需要考虑医疗器械监管要求不能把未经验证的模型直接作为临床诊断依据。这部分不是套路话而是实际进入 AI 医疗行业必须面对的边界问题。3. AI 医疗三大核心岗位你该瞄准哪一个在开始技术实战之前先结合岗位视角梳理一下 YOLOV5 细胞检测对应不同岗位的侧重点。这能帮助你学习的时候更有目标感。3.1 AI 医学研究员AI 医学研究员的核心工作是把医学问题和 AI 方法结合起来设计研究方案。以细胞检测为例研究员更需要回答这几个问题检测目标是什么细胞边界如何定义。用什么染色方案或者成像协议采集图像。数据标注标准是什么如何保证一致性。检测结果如何做统计学分析。论文或者临床试验中如何呈现模型效果。对应的技能要求是医学知识、实验设计能力和数据解读能力。技术本身不需要太深但要能和组织病理科医生、检验科医生顺畅沟通并把临床问题翻译成算法任务。3.2 医疗 AI 算法工程师算法工程师是实际写代码、训模型、做部署的人。基于 YOLOV5 细胞检测算法工程师要交付的是一套可复现的训练代码。一个经过调优的模型权重。一组完整的评估指标。一个可用的推理脚本。可能还需要封装成 API 服务。这个岗位对 YOLOV5 的熟悉程度要求最高包括数据增强、超参调整、模型剪枝、量化、导出、部署全流程。本文后面的大部分内容都是算法工程师视角。3.3 医疗 AI 产品经理产品经理不需要亲手训练模型但必须理解技术边界和用户场景。以细胞检测产品为例产品经理需要明确用户是病理科医生、检验科技师还是科研人员。模型的输出是辅助计数、辅助定位还是自动报告。准确率、召回率指标到多少才能进入用户工作流。模型推理速度能不能满足实际使用节奏。错误结果出现时产品层面的兜底策略是什么。如何设计和收集用户反馈来驱动模型迭代。产品经理如果自己动手跑一遍 YOLOV5 训练流程对理解技术团队的工作量和技术瓶颈会非常有帮助。哪怕只是成功训练一个 lite 模型也能避免提出不切实际的需求。4. YOLOV5 细胞检测环境准备与前置条件4.1 硬件要求YOLOV5 相对友好但训练阶段还是有 GPU 会让效率高很多。建议的硬件准备如下GPUNVIDIA 显卡支持 CUDA。YOLOV5s 在消费级显卡上可以训练但实际显存占用取决于图像分辨率、batch size 和模型规模。CPU训练时 CPU 也参与数据加载和预处理多核 CPU 有帮助。内存至少 16GB 系统内存会舒服一些。磁盘数据集和模型文件需要空间准备 50GB 以上比较稳妥。如果没有独立显卡YOLOV5 也支持 CPU 训练但速度会慢很多适合小数据集验证流程。不建议在完全没有 GPU 的机器上训练大规模细胞检测模型。4.2 软件要求软件推荐版本/要求操作系统Ubuntu 20.04 / 22.04Windows 10/11 也可Python3.8 - 3.10PyTorch使用 YOLOV5 官方 requirements.txt 匹配版本CUDA按 PyTorch 版本安装响应的 CUDA 工具包cuDNN与 CUDA 版本匹配Git用于克隆 YOLOV5 仓库LabelImg / Label Studio数据标注工具生成 YOLO 格式标注4.3 检查环境是否就绪先确认显卡驱动和 CUDA 是否可用。nvidia-smi该命令能看到显卡型号和当前驱动版本。接着确认 PyTorch 是否能用 GPU。python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果输出True说明 PyTorch 的 CUDA 支持正常。如果输出False需要先安装与显卡驱动匹配的 PyTorch 版本。5. YOLOV5 安装部署与启动方式5.1 克隆 YOLOV5 仓库在项目目录下执行git clone https://github.com/ultralytics/yolov5 cd yolov5如果访问 GitHub 不畅也可以使用国内镜像源或者下载 release 压缩包解压。5.2 安装依赖pip install -r requirements.txt这里有一个常见问题YOLOV5 依赖的 PyTorch 版本可能和你本机已有的版本冲突。更稳妥的做法是使用虚拟环境。python -m venv yolov5_env source yolov5_env/bin/activate # Windows 系统使用 yolov5_env\Scripts\activate pip install -r requirements.txt5.3 准备数据集细胞检测数据集通常有两个来源公开数据集和医院/实验室自建数据集。无论哪种来源最终都要整理成 YOLO 标注格式。推荐目录结构如下datasets/ └── cell_detect/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/图片放在images目录对应的 YOLO 格式 txt 标注文件放在labels目录。每个 txt 文件与图片文件名一一对应内容格式为class_id x_center y_center width height其中x_center y_center width height都是归一化到 0-1 之间的值。比如一张 1000x1000 的图片里一个细胞边界框左上角是 (200, 300)宽高是 (100, 120)对应标注就是0 0.25 0.36 0.10 0.12计算方式x_center (200 100/2) / 1000 0.25 y_center (300 120/2) / 1000 0.36 width 100 / 1000 0.10 height 120 / 1000 0.125.4 修改数据配置文件在yolov5/data目录下新建一个cell_detect.yamlpath: ../datasets/cell_detect train: images/train val: images/val nc: 4 names: [白细胞, 红细胞, 血小板, 其他细胞]注意这里的类别名称要和实际标注的类别一致顺序也必须一致。这个文件是训练时定位数据和类别信息的关键。6. 基于 YOLOV5 的细胞检测训练实战6.1 使用预训练权重启动训练首次训练建议使用 COCO 预训练权重这样可以加快收敛。执行训练命令python train.py --img 640 --batch 16 --epochs 100 --data cell_detect.yaml --weights yolov5s.pt --name cell_detect_run参数说明参数含义--img输入图像尺寸细胞检测常用 640 或 512--batch批大小根据显存调整--epochs训练轮数--data数据集配置文件路径--weights预训练权重可选择 yolov5s.pt / yolov5m.pt--name训练任务名称决定输出目录名字如果显存不够可以降低 batch 或 img。如果训练速度太慢可先用小模型权重。6.2 训练输出的关键文件训练完成后在runs/train/cell_detect_run目录下会生成weights/best.pt验证集效果最好的权重。weights/last.pt最后一轮的权重。results.csv每一轮训练和验证的指标记录。confusion_matrix.png混淆矩阵图。val_batch0_pred.jpg验证集预测结果示例。判断训练是否成功重点看验证集 mAP 和损失曲线。细胞检测这类小目标任务mAP 通常需要达到一定阈值才算可用但具体数值取决于数据难度和标注质量不是固定的。6.3 常见训练问题处理细胞检测训练中最常遇到的问题之一是小目标漏检。如果显微镜图像中的细胞占比小建议提高输入分辨率比如从 640 提高到 1024或者使用 YOLOV5 的 P2 检测层特性。另外如果正负样本不均衡可以调整--hyp超参数文件中的 anchor 设置。另一个问题是过拟合。如果训练集精度高但验证集精度很低需要增加数据增强、引入更多样本或降低模型容量。YOLOV5 提供了丰富的数据增强策略默认配置下增强程度较高一般优先检查数据量和标注质量。7. 模型评估与效果验证7.1 在验证集上评估训练完成后可以使用val.py对验证集进行正式评估。python val.py --data cell_detect.yaml --weights best.pt --img 640输出内容包括各类别的 precision、recall、mAP0.5 和 mAP0.5:0.95。对于细胞检测建议重点关注 recall因为漏检细胞比误检更影响使用体验。7.2 单张图片推理测试python detect.py --weights best.pt --source test_image.jpg --img 640 --conf-thres 0.25运行后结果会保存到runs/detect/exp目录。打开结果图片检查细胞是否被正确框出。框的位置是否贴合目标。类别是否判断正确。是否有大量误检或漏检。这一步是评估模型真实效果最直观的方法。不要只看指标一定要打开图片看实际检测框。8. 推理脚本封装与批量细胞检测训练好模型后通常要把它集成到实际工作流中。这里介绍两种方式批量推理脚本和 API 服务。8.1 批量推理脚本使用官方detect.py时可以传入整个文件夹。python detect.py --weights best.pt --source test_images/ --img 640 --conf-thres 0.25 --save-txt--save-txt会输出每个检测框的坐标和类别信息方便后续统计细胞数量。检测结果保存为 txt 文件格式为class_id x_center y_center width height confidence批量推理注意点图片文件放在同一目录下避免处理非图片文件。大量图片时建议分批执行避免占用过多内存。处理失败时查看日志准确定位哪一张图片导致异常。8.2 用 FastAPI 封装检测接口把 YOLOV5 模型封装成 API 服务是产品化和团队协作的关键一步。这里给一个可运行的 FastAPI 示例import io import torch import uvicorn import numpy as np from PIL import Image from fastapi import FastAPI, UploadFile, File app FastAPI() # 加载模型以 YOLOV5 官方仓库的方式为例 model torch.hub.load(./yolov5, custom, path./best.pt, sourcelocal) app.post(/detect) async def detect(file: UploadFile File(...)): image_bytes await file.read() img Image.open(io.BytesIO(image_bytes)) results model(img, size640) detections results.pandas().xyxy[0].to_dict(orientrecords) # 移除 numpy 类型保证 JSON 可序列化 for det in detections: for key in list(det.keys()): if isinstance(det[key], np.generic): det[key] det[key].item() return {count: len(detections), detections: detections} if __name__ __main__: uvicorn.run(app, host127.0.0.1, port8000)启动服务python api_server.py测试接口import requests url http://127.0.0.1:8000/detect files {file: open(test_cell.jpg, rb)} response requests.post(url, filesfiles) print(response.json())这里要提醒用torch.hub.load加载本地仓库需要代码目录和仓库路径正确。实际项目中更稳妥的做法是用 YOLOV5 导出的 ONNX 模型配合 ONNX Runtime 做推理避免服务端依赖完整 PyTorch。8.3 导出 ONNX 和优化python export.py --weights best.pt --include onnx --img 640导出后得到best.onnx可以部署到 CPU 服务上依赖更少、启动更快。ONNX Runtime 推理示例import onnxruntime as ort import numpy as np from PIL import Image session ort.InferenceSession(best.onnx, providers[CPUExecutionProvider]) input_name session.get_inputs()[0].name def preprocess(img): img img.resize((640, 640)) img np.array(img) / 255.0 img img.transpose(2, 0, 1) img np.expand_dims(img, axis0).astype(np.float32) return img img Image.open(test_cell.jpg).convert(RGB) input_data preprocess(img) outputs session.run(None, {input_name: input_data}) print(模型输出 shape:, outputs[0].shape)ONNX 输出的后处理需要实现 NMSYOLOV5 官方导出的 ONNX 通常包含 NMS 节点具体行为以实际导出版本为准。9. 资源占用与性能观察9.1 训练阶段资源占用YOLOV5 训练时资源占用最大的部分是 GPU 显存和显存带宽。可以通过nvidia-smi实时观察nvidia-smi -l 2-l 2表示每 2 秒刷新一次。训练过程中观察GPU 显存占用是否接近上限。GPU 利用率是否达到 90% 以上。是否出现CUDA out of memory错误。如果显存不足优先降低 batch size其次是降低--img分辨率。需要注意这两个参数不仅影响显存也影响模型收敛速度和最终精度。9.2 推理阶段资源占用推理时资源占用通常比训练低很多。即使只有 CPU也可以跑 ONNX 模型但速度会慢。使用 GPU 推理时显存占用主要取决于 batch size 和输入分辨率。优化推理性能的常见策略使用半精度 FP16 推理。导出 ONNX 后使用 TensorRT 部署。输入图像按比例缩放避免多余 padding。批量推理时动态 batch size 设置为 1 或 4根据显存调整。9.3 数据加载瓶颈训练中经常出现“GPU 利用率忽高忽低”的情况这往往是数据加载瓶颈造成的。解决方案是增大--workers参数或在 Windows 环境下把--workers设为 0 避免多进程问题。10. 常见问题与排查方法问题现象可能原因排查方式解决方案训练启动时报错找不到数据data yaml 路径不对检查 cell_detect.yaml 中 path 字段改为绝对路径或对齐相对路径CUDA out of memorybatch size 或 img 过大nvidia-smi 查看显存占用降低 batch 和 imgmAP 一直很低标注错误或类别不平衡可视化标注和预测结果修正标注增加样本推理结果没有检测框confidence 阈值太高降低 --conf-thres调整为 0.1 观察小细胞漏检严重输入分辨率不足或模型容量不足检查结果图中小目标区域提高分辨率或选用更大模型GPU 利用率低数据加载慢或 CPU 瓶颈观察 CPU 和 GPU 利用率增加 workers 或预处理进程服务启动后请求超时模型加载慢或推理队列堆积检查日志和响应时间增加超时时间使用异步队列ONNX 推理结果错误预处理和后处理不一致对比 PyTorch 和 ONNX 的输出检查输入归一化和 NMS 逻辑细胞检测训练中数据质量对模型效果的影响通常比模型结构更大。如果指标不理想不要第一时间换模型先检查标注框是否贴合细胞边界、类别是否划分合理、训练集和验证集是否存在大量同类重复样本。11. 最佳实践与使用建议11.1 面向 AI 医疗算法工程师的具体建议第一次跑通流程时使用 YOLOV5s 和小数据集不要一上来就用大模型。数据目录固定命名规范统一。训练数据、验证数据、测试数据严格分离。对同一批数据记录标注规范、图像来源、模型参数、训练时间、mAP 指标方便复现。训练前用detect.py测试一个已知结果的样本确认代码链路是通的。模型评估不能只看 mAP要结合典型失败案例判断是否满足业务需求。11.2 面向 AI 医学研究员的建议将模型检测结果与专业医生标注进行一致性分析比如计算 Cohens Kappa。记录模型错误类型是边界偏移、类别混淆还是小目标漏检。这直接影响论文的讨论部分。在研究报告中使用 PR 曲线和混淆矩阵而不是只给出准确率。11.3 面向医疗 AI 产品经理的建议亲自跑一次数据标注流程体会标注成本。向算法团队要模型在边界样本上的表现而不是只看平均指标。产品设计上明确人工复核流程。细胞检测模型可以辅助计数但不能完全替代人工判断。关注推理耗时会直接影响医生使用意愿。即使是同一个算法不同部署方案的响应时间差异很大。11.4 合规与安全边界再次强调细胞检测涉及医疗数据和个人隐私。使用真实患者数据前必须获得相应授权并做好匿名化处理。训练的模型如果用于临床辅助诊断需要走医疗设备或软件注册流程。个人开发者做技术探索时优先使用公开数据集或自己制备的模拟样本避免数据合规风险。12. 总结与下一步YOLOV5 细胞检测是进入 AI 医疗领域一个非常务实的切入点。它不像大语言模型那样需要昂贵的大规模算力也不像医学影像重建那样需要深厚的领域知识只要把环境装好、数据准备好、训练跑通、推理封装好你就能完整体验一个医疗 AI 项目从零到一的过程。建议你先做三件事第一用公开细胞数据集把环境链路跑通。第二训练一个 YOLOV5s 模型并在验证集上画出 PR 曲线。第三把模型封装成 FastAPI 接口用一张新图片做端到端测试。最容易踩的坑有两个一是数据标注格式不统一导致训练报错二是小细胞目标漏检时盲目换模型而不是先调整分辨率和检查数据。把这两点记住能省下大量时间。下一步可以根据自己的岗位方向继续深入算法工程师可以学习 ONNX 和 TensorRT 部署AI 医学研究员可以学习实验设计和统计分析产品经理可以研究 AI 医疗产品的形态、注册流程和用户工作流。无论选哪条路YOLOV5 细胞检测这套实操流程都会是你简历里一个扎实的项目案例。把这篇文章收藏好后续训练环境搭建、模型训练、部署封装时都可以直接对照操作。如果你按这个流程跑通了 YOLOV5 细胞检测再来做更复杂的医疗 AI 任务基础就打牢了。
YOLOV5细胞检测实战：从训练到部署的AI医疗入门指南
2024 年开始AI 医疗的岗位需求明显变多了。大量医院、第三方检验中心、药企和医疗 AI 创业公司都在招人职位从 AI 医学研究员、医疗 AI 算法工程师到医疗 AI 产品经理都有但真正能动手做事的候选人并不多。很多人卡在同一个地方懂点深度学习理论只会跑公开数据集一旦进入医疗影像场景比如细胞检测就不知道怎么把 YOLOV5 落到真实项目里。这次我就结合“基于 YOLOV5 细胞检测实战”这个方向聊聊医学科研和临床辅助里最常碰到的一类任务怎么用 YOLOV5 训练一个细胞检测模型从环境搭建、数据标注、模型训练到推理部署完整跑通。同时把 AI 医学研究员、医疗 AI 算法工程师、医疗 AI 产品经理这三个岗位对应的技能点拆开讲清楚方便你判断自己更适合哪个方向。先给结论YOLOV5 在细胞检测任务里依然是一个非常稳妥的入门和工程落地方案。它有成熟的训练链路、丰富的预训练权重、显存要求不算苛刻并且从数据标注到模型导出的工具链非常完整。如果你想进入 AI 医疗领域拿 YOLOV5 细胞检测练手是最接近真实工作流的路线之一。1. 核心能力速览能力项说明项目任务基于 YOLOV5 的细胞检测包括训练、验证、推理和部署典型应用血细胞检测、病理切片细胞识别、医学图像目标定位模型架构YOLOV5s / YOLOV5m / YOLOV5l / YOLOV5x按精度和速度选择训练环境PyTorch CUDA支持 Windows / Linux 环境显存参考需按模型规模确定YOLOV5s 相对较低YOLOV5x 更高以本机实测为准启动方式命令行训练、命令行推理、导出 ONNX 后接入推理服务API 能力可通过 Flask / FastAPI 封装为接口服务或通过 Triton 等框架部署批量任务支持批量推理可通过脚本遍历目录完成适合读者想进入 AI 医疗的算法工程师、科研人员、产品经理和技术决策者从能力表可以看到YOLOV5 本身不是一套开箱即用的医疗 AI 产品而是一个通用目标检测框架。要做细胞检测还需要在数据、标注、训练策略和部署环节做大量工程化处理。这部分恰恰是 AI 医疗算法工程师日常工作的核心。2. 适用场景与使用边界2.1 适合解决的细胞检测场景细胞检测的本质是在图像中找到目标细胞实例并给出位置和类别。YOLOV5 适合处理的场景包括血液涂片中的白细胞、红细胞、血小板检测。病理切片中特定细胞群的定位和计数。培养皿或微流控图像中的细胞识别。显微成像中的细胞密度估计。科研数据集中特定细胞类型的批量标注和筛选。这类任务有一个共同特点目标有相对固定的形态学特征数量多且需要输出坐标框而不是单纯的图像分类结果。2.2 不适合的场景YOLOV5 不适合直接处理实例分割、细胞膜精细分割或亚细胞结构定位。如果任务需要像素级轮廓应该考虑 YOLOV5-Seg、Mask R-CNN 或 Cellpose 等方案。另外对于超大病理图像YOLOV5 单模型通常无法直接放入显存需要做切片处理或使用多尺度推理策略。2.3 医疗数据合规边界必须特别提醒医疗影像数据涉及患者隐私任何训练和部署都必须遵守法律法规和伦理要求。使用公开数据集时要确认数据的使用协议使用医院数据时必须做匿名化处理并获得相应授权。涉及细胞检测结果用于临床辅助诊断时还需要考虑医疗器械监管要求不能把未经验证的模型直接作为临床诊断依据。这部分不是套路话而是实际进入 AI 医疗行业必须面对的边界问题。3. AI 医疗三大核心岗位你该瞄准哪一个在开始技术实战之前先结合岗位视角梳理一下 YOLOV5 细胞检测对应不同岗位的侧重点。这能帮助你学习的时候更有目标感。3.1 AI 医学研究员AI 医学研究员的核心工作是把医学问题和 AI 方法结合起来设计研究方案。以细胞检测为例研究员更需要回答这几个问题检测目标是什么细胞边界如何定义。用什么染色方案或者成像协议采集图像。数据标注标准是什么如何保证一致性。检测结果如何做统计学分析。论文或者临床试验中如何呈现模型效果。对应的技能要求是医学知识、实验设计能力和数据解读能力。技术本身不需要太深但要能和组织病理科医生、检验科医生顺畅沟通并把临床问题翻译成算法任务。3.2 医疗 AI 算法工程师算法工程师是实际写代码、训模型、做部署的人。基于 YOLOV5 细胞检测算法工程师要交付的是一套可复现的训练代码。一个经过调优的模型权重。一组完整的评估指标。一个可用的推理脚本。可能还需要封装成 API 服务。这个岗位对 YOLOV5 的熟悉程度要求最高包括数据增强、超参调整、模型剪枝、量化、导出、部署全流程。本文后面的大部分内容都是算法工程师视角。3.3 医疗 AI 产品经理产品经理不需要亲手训练模型但必须理解技术边界和用户场景。以细胞检测产品为例产品经理需要明确用户是病理科医生、检验科技师还是科研人员。模型的输出是辅助计数、辅助定位还是自动报告。准确率、召回率指标到多少才能进入用户工作流。模型推理速度能不能满足实际使用节奏。错误结果出现时产品层面的兜底策略是什么。如何设计和收集用户反馈来驱动模型迭代。产品经理如果自己动手跑一遍 YOLOV5 训练流程对理解技术团队的工作量和技术瓶颈会非常有帮助。哪怕只是成功训练一个 lite 模型也能避免提出不切实际的需求。4. YOLOV5 细胞检测环境准备与前置条件4.1 硬件要求YOLOV5 相对友好但训练阶段还是有 GPU 会让效率高很多。建议的硬件准备如下GPUNVIDIA 显卡支持 CUDA。YOLOV5s 在消费级显卡上可以训练但实际显存占用取决于图像分辨率、batch size 和模型规模。CPU训练时 CPU 也参与数据加载和预处理多核 CPU 有帮助。内存至少 16GB 系统内存会舒服一些。磁盘数据集和模型文件需要空间准备 50GB 以上比较稳妥。如果没有独立显卡YOLOV5 也支持 CPU 训练但速度会慢很多适合小数据集验证流程。不建议在完全没有 GPU 的机器上训练大规模细胞检测模型。4.2 软件要求软件推荐版本/要求操作系统Ubuntu 20.04 / 22.04Windows 10/11 也可Python3.8 - 3.10PyTorch使用 YOLOV5 官方 requirements.txt 匹配版本CUDA按 PyTorch 版本安装响应的 CUDA 工具包cuDNN与 CUDA 版本匹配Git用于克隆 YOLOV5 仓库LabelImg / Label Studio数据标注工具生成 YOLO 格式标注4.3 检查环境是否就绪先确认显卡驱动和 CUDA 是否可用。nvidia-smi该命令能看到显卡型号和当前驱动版本。接着确认 PyTorch 是否能用 GPU。python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果输出True说明 PyTorch 的 CUDA 支持正常。如果输出False需要先安装与显卡驱动匹配的 PyTorch 版本。5. YOLOV5 安装部署与启动方式5.1 克隆 YOLOV5 仓库在项目目录下执行git clone https://github.com/ultralytics/yolov5 cd yolov5如果访问 GitHub 不畅也可以使用国内镜像源或者下载 release 压缩包解压。5.2 安装依赖pip install -r requirements.txt这里有一个常见问题YOLOV5 依赖的 PyTorch 版本可能和你本机已有的版本冲突。更稳妥的做法是使用虚拟环境。python -m venv yolov5_env source yolov5_env/bin/activate # Windows 系统使用 yolov5_env\Scripts\activate pip install -r requirements.txt5.3 准备数据集细胞检测数据集通常有两个来源公开数据集和医院/实验室自建数据集。无论哪种来源最终都要整理成 YOLO 标注格式。推荐目录结构如下datasets/ └── cell_detect/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/图片放在images目录对应的 YOLO 格式 txt 标注文件放在labels目录。每个 txt 文件与图片文件名一一对应内容格式为class_id x_center y_center width height其中x_center y_center width height都是归一化到 0-1 之间的值。比如一张 1000x1000 的图片里一个细胞边界框左上角是 (200, 300)宽高是 (100, 120)对应标注就是0 0.25 0.36 0.10 0.12计算方式x_center (200 100/2) / 1000 0.25 y_center (300 120/2) / 1000 0.36 width 100 / 1000 0.10 height 120 / 1000 0.125.4 修改数据配置文件在yolov5/data目录下新建一个cell_detect.yamlpath: ../datasets/cell_detect train: images/train val: images/val nc: 4 names: [白细胞, 红细胞, 血小板, 其他细胞]注意这里的类别名称要和实际标注的类别一致顺序也必须一致。这个文件是训练时定位数据和类别信息的关键。6. 基于 YOLOV5 的细胞检测训练实战6.1 使用预训练权重启动训练首次训练建议使用 COCO 预训练权重这样可以加快收敛。执行训练命令python train.py --img 640 --batch 16 --epochs 100 --data cell_detect.yaml --weights yolov5s.pt --name cell_detect_run参数说明参数含义--img输入图像尺寸细胞检测常用 640 或 512--batch批大小根据显存调整--epochs训练轮数--data数据集配置文件路径--weights预训练权重可选择 yolov5s.pt / yolov5m.pt--name训练任务名称决定输出目录名字如果显存不够可以降低 batch 或 img。如果训练速度太慢可先用小模型权重。6.2 训练输出的关键文件训练完成后在runs/train/cell_detect_run目录下会生成weights/best.pt验证集效果最好的权重。weights/last.pt最后一轮的权重。results.csv每一轮训练和验证的指标记录。confusion_matrix.png混淆矩阵图。val_batch0_pred.jpg验证集预测结果示例。判断训练是否成功重点看验证集 mAP 和损失曲线。细胞检测这类小目标任务mAP 通常需要达到一定阈值才算可用但具体数值取决于数据难度和标注质量不是固定的。6.3 常见训练问题处理细胞检测训练中最常遇到的问题之一是小目标漏检。如果显微镜图像中的细胞占比小建议提高输入分辨率比如从 640 提高到 1024或者使用 YOLOV5 的 P2 检测层特性。另外如果正负样本不均衡可以调整--hyp超参数文件中的 anchor 设置。另一个问题是过拟合。如果训练集精度高但验证集精度很低需要增加数据增强、引入更多样本或降低模型容量。YOLOV5 提供了丰富的数据增强策略默认配置下增强程度较高一般优先检查数据量和标注质量。7. 模型评估与效果验证7.1 在验证集上评估训练完成后可以使用val.py对验证集进行正式评估。python val.py --data cell_detect.yaml --weights best.pt --img 640输出内容包括各类别的 precision、recall、mAP0.5 和 mAP0.5:0.95。对于细胞检测建议重点关注 recall因为漏检细胞比误检更影响使用体验。7.2 单张图片推理测试python detect.py --weights best.pt --source test_image.jpg --img 640 --conf-thres 0.25运行后结果会保存到runs/detect/exp目录。打开结果图片检查细胞是否被正确框出。框的位置是否贴合目标。类别是否判断正确。是否有大量误检或漏检。这一步是评估模型真实效果最直观的方法。不要只看指标一定要打开图片看实际检测框。8. 推理脚本封装与批量细胞检测训练好模型后通常要把它集成到实际工作流中。这里介绍两种方式批量推理脚本和 API 服务。8.1 批量推理脚本使用官方detect.py时可以传入整个文件夹。python detect.py --weights best.pt --source test_images/ --img 640 --conf-thres 0.25 --save-txt--save-txt会输出每个检测框的坐标和类别信息方便后续统计细胞数量。检测结果保存为 txt 文件格式为class_id x_center y_center width height confidence批量推理注意点图片文件放在同一目录下避免处理非图片文件。大量图片时建议分批执行避免占用过多内存。处理失败时查看日志准确定位哪一张图片导致异常。8.2 用 FastAPI 封装检测接口把 YOLOV5 模型封装成 API 服务是产品化和团队协作的关键一步。这里给一个可运行的 FastAPI 示例import io import torch import uvicorn import numpy as np from PIL import Image from fastapi import FastAPI, UploadFile, File app FastAPI() # 加载模型以 YOLOV5 官方仓库的方式为例 model torch.hub.load(./yolov5, custom, path./best.pt, sourcelocal) app.post(/detect) async def detect(file: UploadFile File(...)): image_bytes await file.read() img Image.open(io.BytesIO(image_bytes)) results model(img, size640) detections results.pandas().xyxy[0].to_dict(orientrecords) # 移除 numpy 类型保证 JSON 可序列化 for det in detections: for key in list(det.keys()): if isinstance(det[key], np.generic): det[key] det[key].item() return {count: len(detections), detections: detections} if __name__ __main__: uvicorn.run(app, host127.0.0.1, port8000)启动服务python api_server.py测试接口import requests url http://127.0.0.1:8000/detect files {file: open(test_cell.jpg, rb)} response requests.post(url, filesfiles) print(response.json())这里要提醒用torch.hub.load加载本地仓库需要代码目录和仓库路径正确。实际项目中更稳妥的做法是用 YOLOV5 导出的 ONNX 模型配合 ONNX Runtime 做推理避免服务端依赖完整 PyTorch。8.3 导出 ONNX 和优化python export.py --weights best.pt --include onnx --img 640导出后得到best.onnx可以部署到 CPU 服务上依赖更少、启动更快。ONNX Runtime 推理示例import onnxruntime as ort import numpy as np from PIL import Image session ort.InferenceSession(best.onnx, providers[CPUExecutionProvider]) input_name session.get_inputs()[0].name def preprocess(img): img img.resize((640, 640)) img np.array(img) / 255.0 img img.transpose(2, 0, 1) img np.expand_dims(img, axis0).astype(np.float32) return img img Image.open(test_cell.jpg).convert(RGB) input_data preprocess(img) outputs session.run(None, {input_name: input_data}) print(模型输出 shape:, outputs[0].shape)ONNX 输出的后处理需要实现 NMSYOLOV5 官方导出的 ONNX 通常包含 NMS 节点具体行为以实际导出版本为准。9. 资源占用与性能观察9.1 训练阶段资源占用YOLOV5 训练时资源占用最大的部分是 GPU 显存和显存带宽。可以通过nvidia-smi实时观察nvidia-smi -l 2-l 2表示每 2 秒刷新一次。训练过程中观察GPU 显存占用是否接近上限。GPU 利用率是否达到 90% 以上。是否出现CUDA out of memory错误。如果显存不足优先降低 batch size其次是降低--img分辨率。需要注意这两个参数不仅影响显存也影响模型收敛速度和最终精度。9.2 推理阶段资源占用推理时资源占用通常比训练低很多。即使只有 CPU也可以跑 ONNX 模型但速度会慢。使用 GPU 推理时显存占用主要取决于 batch size 和输入分辨率。优化推理性能的常见策略使用半精度 FP16 推理。导出 ONNX 后使用 TensorRT 部署。输入图像按比例缩放避免多余 padding。批量推理时动态 batch size 设置为 1 或 4根据显存调整。9.3 数据加载瓶颈训练中经常出现“GPU 利用率忽高忽低”的情况这往往是数据加载瓶颈造成的。解决方案是增大--workers参数或在 Windows 环境下把--workers设为 0 避免多进程问题。10. 常见问题与排查方法问题现象可能原因排查方式解决方案训练启动时报错找不到数据data yaml 路径不对检查 cell_detect.yaml 中 path 字段改为绝对路径或对齐相对路径CUDA out of memorybatch size 或 img 过大nvidia-smi 查看显存占用降低 batch 和 imgmAP 一直很低标注错误或类别不平衡可视化标注和预测结果修正标注增加样本推理结果没有检测框confidence 阈值太高降低 --conf-thres调整为 0.1 观察小细胞漏检严重输入分辨率不足或模型容量不足检查结果图中小目标区域提高分辨率或选用更大模型GPU 利用率低数据加载慢或 CPU 瓶颈观察 CPU 和 GPU 利用率增加 workers 或预处理进程服务启动后请求超时模型加载慢或推理队列堆积检查日志和响应时间增加超时时间使用异步队列ONNX 推理结果错误预处理和后处理不一致对比 PyTorch 和 ONNX 的输出检查输入归一化和 NMS 逻辑细胞检测训练中数据质量对模型效果的影响通常比模型结构更大。如果指标不理想不要第一时间换模型先检查标注框是否贴合细胞边界、类别是否划分合理、训练集和验证集是否存在大量同类重复样本。11. 最佳实践与使用建议11.1 面向 AI 医疗算法工程师的具体建议第一次跑通流程时使用 YOLOV5s 和小数据集不要一上来就用大模型。数据目录固定命名规范统一。训练数据、验证数据、测试数据严格分离。对同一批数据记录标注规范、图像来源、模型参数、训练时间、mAP 指标方便复现。训练前用detect.py测试一个已知结果的样本确认代码链路是通的。模型评估不能只看 mAP要结合典型失败案例判断是否满足业务需求。11.2 面向 AI 医学研究员的建议将模型检测结果与专业医生标注进行一致性分析比如计算 Cohens Kappa。记录模型错误类型是边界偏移、类别混淆还是小目标漏检。这直接影响论文的讨论部分。在研究报告中使用 PR 曲线和混淆矩阵而不是只给出准确率。11.3 面向医疗 AI 产品经理的建议亲自跑一次数据标注流程体会标注成本。向算法团队要模型在边界样本上的表现而不是只看平均指标。产品设计上明确人工复核流程。细胞检测模型可以辅助计数但不能完全替代人工判断。关注推理耗时会直接影响医生使用意愿。即使是同一个算法不同部署方案的响应时间差异很大。11.4 合规与安全边界再次强调细胞检测涉及医疗数据和个人隐私。使用真实患者数据前必须获得相应授权并做好匿名化处理。训练的模型如果用于临床辅助诊断需要走医疗设备或软件注册流程。个人开发者做技术探索时优先使用公开数据集或自己制备的模拟样本避免数据合规风险。12. 总结与下一步YOLOV5 细胞检测是进入 AI 医疗领域一个非常务实的切入点。它不像大语言模型那样需要昂贵的大规模算力也不像医学影像重建那样需要深厚的领域知识只要把环境装好、数据准备好、训练跑通、推理封装好你就能完整体验一个医疗 AI 项目从零到一的过程。建议你先做三件事第一用公开细胞数据集把环境链路跑通。第二训练一个 YOLOV5s 模型并在验证集上画出 PR 曲线。第三把模型封装成 FastAPI 接口用一张新图片做端到端测试。最容易踩的坑有两个一是数据标注格式不统一导致训练报错二是小细胞目标漏检时盲目换模型而不是先调整分辨率和检查数据。把这两点记住能省下大量时间。下一步可以根据自己的岗位方向继续深入算法工程师可以学习 ONNX 和 TensorRT 部署AI 医学研究员可以学习实验设计和统计分析产品经理可以研究 AI 医疗产品的形态、注册流程和用户工作流。无论选哪条路YOLOV5 细胞检测这套实操流程都会是你简历里一个扎实的项目案例。把这篇文章收藏好后续训练环境搭建、模型训练、部署封装时都可以直接对照操作。如果你按这个流程跑通了 YOLOV5 细胞检测再来做更复杂的医疗 AI 任务基础就打牢了。