简介这份资源面向医学影像分析与目标检测方向的开发者、研究生及算法工程师提供真实CT场景下的人脑肿瘤检测数据集可用于肿瘤检测项目训练也可作为通用人脑检测数据的补充。数据集包含5000张高质量CT图片采用labelimg标注同时提供VOCxml、COCOjson、YOLOtxt三种主流格式标签可直接接入YOLO等算法训练流程。资源包为1个PDF文件大小约2.26MB内附数据集基本情况介绍与获取方式因数据量较大原始数据托管于百度网盘。随附YOLO11一键训练脚本支持GPU、CPU及MacM芯片多平台方案并给出博主训练结果日志供参考。目前已有401人学习适合希望快速上手医学影像目标检测、减少数据准备成本的读者也能为CT场景下的模型调优与格式转换提供实用参考。1. 人脑肿瘤检测数据集5000 张图、三种标签格式与 YOLO11 一键训练脚本到底怎么落地手里有一批 5000 张的人脑肿瘤影像想直接跑目标检测最卡人的往往不是模型结构而是标签格式对不上、环境装不起来、训练脚本跑一半报显存错误。这个标题讲的正是把这三件事一次打通数据集本身、VOC/COCO/YOLO 三种标签的对应关系以及能在 GPU、CPU、Mac 三平台跑起来的 YOLO11 一键训练脚本。它适合医学影像方向的研究生、做辅助诊断原型的算法工程师以及想拿真实数据练目标检测全流程的人。读完你应该能判断这套数据值不值得投入、标签怎么转、脚本怎么改、坑在哪。2. 先搞清楚数据与标签5000 张图为什么必须同时给三种格式2.1 人脑肿瘤检测任务的标注对象与边界人脑肿瘤在影像上通常表现为异常密度或信号区域目标检测要标的是肿瘤的边界框而不是像素级分割掩码。5000 张图这个量级放在通用目标检测里不算大但放在医学影像里已经能支撑一个中等规模的迁移学习实验。关键在于标注一致性同一个肿瘤在不同切片上可能被不同标注者框得松紧不一这会直接反映到训练时的损失震荡上。我一般会先抽 50 张图做标注复核看框是否紧贴肿瘤边缘、是否漏标小病灶、是否把正常组织误标。如果这批数据已经给出 VOC、COCO、YOLO 三种格式说明作者至少考虑了下游兼容性。VOC 的 XML 适合人工检查COCO 的 JSON 适合做多类别统计和评估YOLO 的 txt 适合直接喂给 YOLO11。三种格式不是冗余而是分别对应标注、评估、训练三个环节。提示拿到数据先别急着训练用 VOC 的 XML 随机抽 20 张可视化确认框的位置和类别没有系统性偏移。2.2 VOC、COCO、YOLO 三种标签的字段差异与转换关系VOC 格式每张图一个 XML核心字段是 filename、size、object 下的 name、bndbox 的 xmin/ymin/xmax/ymax。COCO 格式是一个大的 JSONimages、annotations、categories 三个数组通过 id 关联bbox 是 [x, y, width, height]注意是左上角坐标加宽高不是右下角。YOLO 格式每张图一个 txt每行是 class_id x_center y_center width height全部归一化到 0 到 1 之间。这三种格式的转换最容易翻车的地方是坐标归一化和类别 id 映射。VOC 的类别是字符串COCO 的 category_id 可能从 1 开始YOLO 要求从 0 开始且连续。如果直接拿 COCO 的 category_id 当 YOLO 的 class_id训练时不会报错但类别会整体错位评估时 mAP 直接崩掉。下面这个转换脚本是我常用的处理 VOC 到 YOLO 的映射import xml.etree.ElementTree as ET import os # 类别映射VOC 字符串 - YOLO 从 0 开始的整数 classes [tumor] # 如果有多类按实际顺序写顺序决定 class_id def voc_to_yolo(xml_path, img_w, img_h, out_txt): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text if name not in classes: continue cls_id classes.index(name) bnd obj.find(bndbox) xmin float(bnd.find(xmin).text) ymin float(bnd.find(ymin).text) xmax float(bnd.find(xmax).text) ymax float(bnd.find(ymax).text) # 归一化并转为中心点加宽高 x_c (xmin xmax) / 2.0 / img_w y_c (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {x_c:.6f} {y_c:.6f} {w:.6f} {h:.6f}) with open(out_txt, w) as f: f.write(\n.join(lines))这段代码的关键参数是 img_w 和 img_h必须和 XML 里 size 字段一致否则归一化会整体偏移。classes 列表的顺序就是最终 YOLO 的类别顺序改顺序等于改标签含义。如果 XML 里有多类但 classes 只写了一个其他类会被静默丢弃训练时表现为漏检而不是报错。2.3 数据集划分与 YOLO11 目录结构YOLO11 训练要求目录结构固定images 下分 train、vallabels 下分 train、val文件名一一对应。5000 张图按 8:1:1 划分训练 4000、验证 500、测试 500。测试集可以单独放训练脚本不读它但评估时要用。我一般会写一个划分脚本保证同一患者的切片不会同时出现在训练和验证里否则验证指标会虚高。# 目录结构示例 dataset/ images/ train/ # 4000 张 val/ # 500 张 labels/ train/ # 对应 txt val/划分时注意如果数据里有同一患者的多个切片按患者划分而不是按图片随机划分。按图片随机划分会让同一患者的相似切片同时进训练和验证mAP 看起来很高实际泛化很差。这是医学影像目标检测里最常见的评估陷阱之一。3. YOLO11 一键训练脚本GPU、CPU、Mac 三平台怎么跑通3.1 环境准备与依赖安装的差异GPU 平台最常见的是 Linux 加 NVIDIA 显卡装 CUDA 和 cuDNN 后直接 pip install ultralytics。CPU 平台不需要 CUDA但训练速度会慢一个数量级5000 张图跑 100 轮可能要十几个小时。Mac 平台分 Intel 和 Apple SiliconApple Silicon 可以用 MPS 后端速度介于 CPU 和入门 GPU 之间。三平台的依赖差异主要在 torch 的安装方式# GPU 平台CUDA 12.1 示例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics # CPU 平台 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install ultralytics # Mac Apple Silicon pip install torch torchvision pip install ultralytics参数说明cu121 对应 CUDA 12.1如果驱动版本低就换 cu118。Mac 不需要指定 index-urlpip 会自动装带 MPS 支持的版本。装完后用一行代码验证设备是否可用import torch print(torch.cuda.is_available()) # GPU 平台应为 True print(torch.backends.mps.is_available()) # Mac 应为 True如果 GPU 平台返回 False先查驱动版本和 CUDA 版本是否匹配再查 torch 是不是装成了 CPU 版。这是环境配置里最高频的翻车点。3.2 一键训练脚本的核心参数与三平台适配YOLO11 的训练入口是 ultralytics 的 YOLO 类核心参数包括 data、epochs、imgsz、batch、device。三平台适配的关键在 device 参数GPU 写 0CPU 写 cpuMac 写 mps。batch 要根据显存调整GPU 8G 显存建议 batch8CPU 和 Mac 建议 batch4 或 2。imgsz 医学影像常用 640如果肿瘤很小可以提到 1024但显存和速度会明显变化。from ultralytics import YOLO # 加载预训练权重三平台通用 model YOLO(yolo11n.pt) # 训练配置 results model.train( datadataset.yaml, # 数据集配置文件 epochs100, # 训练轮数 imgsz640, # 输入尺寸 batch8, # 批大小按显存调整 device0, # GPU 写 0CPU 写 cpuMac 写 mps workers4, # 数据加载线程Mac 建议 2 patience20, # 早停耐心值 projectruns/tumor, # 输出目录 nameexp1 # 实验名 )dataset.yaml 的内容决定训练读哪些数据path: ./dataset train: images/train val: images/val nc: 1 names: [tumor]nc 是类别数names 的顺序必须和转换脚本里的 classes 一致。如果 nc 写错训练时不会报错但类别预测会全部错位。patience20 表示验证指标 20 轮不提升就早停医学影像数据小早停能省不少时间。workers 在 Mac 上设太高容易卡死建议 2。3.3 训练过程监控与显存不足的降级策略训练启动后重点看三个指标box_loss、cls_loss、mAP50。box_loss 下降说明框在收敛cls_loss 下降说明分类在收敛mAP50 是验证集上的综合指标。如果 box_loss 震荡不降先查标签归一化是否正确如果 cls_loss 不降查类别 id 是否连续。显存不足时按这个顺序降级先把 batch 减半再把 imgsz 从 640 降到 416最后换更小的模型 yolo11n 到 yolo11s 再到 yolo11m。不要一上来就换模型先调 batch 和 imgsz 通常就能解决。CPU 和 Mac 平台如果内存不足把 workers 降到 0用主进程加载数据速度慢但不会崩。注意训练中断后想续训用 resumeTrue 并指向 last.pt不要重新从头跑否则前面的学习率调度会乱掉。4. 避坑与排查人脑肿瘤检测训练里最容易翻车的五件事4.1 现象mAP 一直为 0损失却不报错原因通常是标签路径不对或类别 id 不匹配。YOLO 读 labels 时如果找不到对应 txt会静默跳过该图表现为训练正常但验证全错。解决方法是先跑一遍数据检查脚本确认每张图都有对应 txt且 txt 里的 class_id 在 nc 范围内。4.2 现象训练到一半 loss 变成 nan原因多是学习率过高或数据里有异常框。医学影像里如果某个框的宽高归一化后为 0计算损失时会出现除零。解决方法是遍历所有 txt过滤掉宽高小于 0.001 的行并把初始学习率从 0.01 降到 0.001。4.3 现象GPU 显存够但训练报 CUDA out of memory原因可能是 imgsz 设太大或 workers 太多导致数据加载占用显存。解决方法是先把 workers 降到 2再把 imgsz 降到 512如果还不行就 batch 减半。Mac 平台遇到 MPS 报错先升级 torch 到最新版MPS 后端在旧版本上不稳定。4.4 现象验证集 mAP 很高但测试集一塌糊涂原因是数据划分时同一患者的切片泄漏到了训练和验证。解决方法是按患者 id 划分而不是按图片随机划分。这个坑在医学影像里非常普遍指标虚高会让人误以为模型可用。4.5 现象CPU 平台训练速度极慢一轮要几小时原因是 CPU 不适合做大规模卷积训练。解决方法是把 imgsz 降到 320batch 降到 2epochs 降到 50先跑通流程再考虑换 GPU。如果只是验证脚本能不能跑可以用 100 张图做子集训练确认无误后再上全量。5. 进阶技巧用预训练权重和冻结策略把 5000 张图的效果拉满5000 张图在医学影像里不算多直接从头训练容易过拟合。我一般会加载 COCO 预训练的 yolo11n.pt 或 yolo11s.pt然后冻结前几层只训练检测头。冻结的层数用 freeze 参数控制freeze10 表示冻结前 10 层。这样训练速度快小数据上泛化也更好。model YOLO(yolo11s.pt) results model.train( datadataset.yaml, epochs150, imgsz640, batch8, device0, freeze10, # 冻结前 10 层 lr00.001, # 初始学习率降低 patience30 )冻结策略的边界是如果肿瘤形态和 COCO 里的自然图像差异极大冻结太多层反而限制拟合这时可以把 freeze 降到 5 或者不冻结。验证方法是对比 freeze0、5、10 三组在验证集上的 mAP50选最高的那组。另一个技巧是用余弦学习率调度cos_lrTrue让学习率在训练后期平滑下降减少震荡。我自己的习惯是先跑 20 轮不冻结看 loss 下降趋势如果前 10 轮 mAP 就上来了说明预训练权重适配得好再切到冻结策略跑全量。如果前 20 轮 mAP 一直不动先回去查标签而不是调模型。这个顺序帮我省了很多无效实验。希望帮到你。本文还有配套的精品资源点击获取
人脑肿瘤检测数据集实战：5000张图、三种标签格式与YOLO11一键训练脚本
简介这份资源面向医学影像分析与目标检测方向的开发者、研究生及算法工程师提供真实CT场景下的人脑肿瘤检测数据集可用于肿瘤检测项目训练也可作为通用人脑检测数据的补充。数据集包含5000张高质量CT图片采用labelimg标注同时提供VOCxml、COCOjson、YOLOtxt三种主流格式标签可直接接入YOLO等算法训练流程。资源包为1个PDF文件大小约2.26MB内附数据集基本情况介绍与获取方式因数据量较大原始数据托管于百度网盘。随附YOLO11一键训练脚本支持GPU、CPU及MacM芯片多平台方案并给出博主训练结果日志供参考。目前已有401人学习适合希望快速上手医学影像目标检测、减少数据准备成本的读者也能为CT场景下的模型调优与格式转换提供实用参考。1. 人脑肿瘤检测数据集5000 张图、三种标签格式与 YOLO11 一键训练脚本到底怎么落地手里有一批 5000 张的人脑肿瘤影像想直接跑目标检测最卡人的往往不是模型结构而是标签格式对不上、环境装不起来、训练脚本跑一半报显存错误。这个标题讲的正是把这三件事一次打通数据集本身、VOC/COCO/YOLO 三种标签的对应关系以及能在 GPU、CPU、Mac 三平台跑起来的 YOLO11 一键训练脚本。它适合医学影像方向的研究生、做辅助诊断原型的算法工程师以及想拿真实数据练目标检测全流程的人。读完你应该能判断这套数据值不值得投入、标签怎么转、脚本怎么改、坑在哪。2. 先搞清楚数据与标签5000 张图为什么必须同时给三种格式2.1 人脑肿瘤检测任务的标注对象与边界人脑肿瘤在影像上通常表现为异常密度或信号区域目标检测要标的是肿瘤的边界框而不是像素级分割掩码。5000 张图这个量级放在通用目标检测里不算大但放在医学影像里已经能支撑一个中等规模的迁移学习实验。关键在于标注一致性同一个肿瘤在不同切片上可能被不同标注者框得松紧不一这会直接反映到训练时的损失震荡上。我一般会先抽 50 张图做标注复核看框是否紧贴肿瘤边缘、是否漏标小病灶、是否把正常组织误标。如果这批数据已经给出 VOC、COCO、YOLO 三种格式说明作者至少考虑了下游兼容性。VOC 的 XML 适合人工检查COCO 的 JSON 适合做多类别统计和评估YOLO 的 txt 适合直接喂给 YOLO11。三种格式不是冗余而是分别对应标注、评估、训练三个环节。提示拿到数据先别急着训练用 VOC 的 XML 随机抽 20 张可视化确认框的位置和类别没有系统性偏移。2.2 VOC、COCO、YOLO 三种标签的字段差异与转换关系VOC 格式每张图一个 XML核心字段是 filename、size、object 下的 name、bndbox 的 xmin/ymin/xmax/ymax。COCO 格式是一个大的 JSONimages、annotations、categories 三个数组通过 id 关联bbox 是 [x, y, width, height]注意是左上角坐标加宽高不是右下角。YOLO 格式每张图一个 txt每行是 class_id x_center y_center width height全部归一化到 0 到 1 之间。这三种格式的转换最容易翻车的地方是坐标归一化和类别 id 映射。VOC 的类别是字符串COCO 的 category_id 可能从 1 开始YOLO 要求从 0 开始且连续。如果直接拿 COCO 的 category_id 当 YOLO 的 class_id训练时不会报错但类别会整体错位评估时 mAP 直接崩掉。下面这个转换脚本是我常用的处理 VOC 到 YOLO 的映射import xml.etree.ElementTree as ET import os # 类别映射VOC 字符串 - YOLO 从 0 开始的整数 classes [tumor] # 如果有多类按实际顺序写顺序决定 class_id def voc_to_yolo(xml_path, img_w, img_h, out_txt): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): name obj.find(name).text if name not in classes: continue cls_id classes.index(name) bnd obj.find(bndbox) xmin float(bnd.find(xmin).text) ymin float(bnd.find(ymin).text) xmax float(bnd.find(xmax).text) ymax float(bnd.find(ymax).text) # 归一化并转为中心点加宽高 x_c (xmin xmax) / 2.0 / img_w y_c (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls_id} {x_c:.6f} {y_c:.6f} {w:.6f} {h:.6f}) with open(out_txt, w) as f: f.write(\n.join(lines))这段代码的关键参数是 img_w 和 img_h必须和 XML 里 size 字段一致否则归一化会整体偏移。classes 列表的顺序就是最终 YOLO 的类别顺序改顺序等于改标签含义。如果 XML 里有多类但 classes 只写了一个其他类会被静默丢弃训练时表现为漏检而不是报错。2.3 数据集划分与 YOLO11 目录结构YOLO11 训练要求目录结构固定images 下分 train、vallabels 下分 train、val文件名一一对应。5000 张图按 8:1:1 划分训练 4000、验证 500、测试 500。测试集可以单独放训练脚本不读它但评估时要用。我一般会写一个划分脚本保证同一患者的切片不会同时出现在训练和验证里否则验证指标会虚高。# 目录结构示例 dataset/ images/ train/ # 4000 张 val/ # 500 张 labels/ train/ # 对应 txt val/划分时注意如果数据里有同一患者的多个切片按患者划分而不是按图片随机划分。按图片随机划分会让同一患者的相似切片同时进训练和验证mAP 看起来很高实际泛化很差。这是医学影像目标检测里最常见的评估陷阱之一。3. YOLO11 一键训练脚本GPU、CPU、Mac 三平台怎么跑通3.1 环境准备与依赖安装的差异GPU 平台最常见的是 Linux 加 NVIDIA 显卡装 CUDA 和 cuDNN 后直接 pip install ultralytics。CPU 平台不需要 CUDA但训练速度会慢一个数量级5000 张图跑 100 轮可能要十几个小时。Mac 平台分 Intel 和 Apple SiliconApple Silicon 可以用 MPS 后端速度介于 CPU 和入门 GPU 之间。三平台的依赖差异主要在 torch 的安装方式# GPU 平台CUDA 12.1 示例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install ultralytics # CPU 平台 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu pip install ultralytics # Mac Apple Silicon pip install torch torchvision pip install ultralytics参数说明cu121 对应 CUDA 12.1如果驱动版本低就换 cu118。Mac 不需要指定 index-urlpip 会自动装带 MPS 支持的版本。装完后用一行代码验证设备是否可用import torch print(torch.cuda.is_available()) # GPU 平台应为 True print(torch.backends.mps.is_available()) # Mac 应为 True如果 GPU 平台返回 False先查驱动版本和 CUDA 版本是否匹配再查 torch 是不是装成了 CPU 版。这是环境配置里最高频的翻车点。3.2 一键训练脚本的核心参数与三平台适配YOLO11 的训练入口是 ultralytics 的 YOLO 类核心参数包括 data、epochs、imgsz、batch、device。三平台适配的关键在 device 参数GPU 写 0CPU 写 cpuMac 写 mps。batch 要根据显存调整GPU 8G 显存建议 batch8CPU 和 Mac 建议 batch4 或 2。imgsz 医学影像常用 640如果肿瘤很小可以提到 1024但显存和速度会明显变化。from ultralytics import YOLO # 加载预训练权重三平台通用 model YOLO(yolo11n.pt) # 训练配置 results model.train( datadataset.yaml, # 数据集配置文件 epochs100, # 训练轮数 imgsz640, # 输入尺寸 batch8, # 批大小按显存调整 device0, # GPU 写 0CPU 写 cpuMac 写 mps workers4, # 数据加载线程Mac 建议 2 patience20, # 早停耐心值 projectruns/tumor, # 输出目录 nameexp1 # 实验名 )dataset.yaml 的内容决定训练读哪些数据path: ./dataset train: images/train val: images/val nc: 1 names: [tumor]nc 是类别数names 的顺序必须和转换脚本里的 classes 一致。如果 nc 写错训练时不会报错但类别预测会全部错位。patience20 表示验证指标 20 轮不提升就早停医学影像数据小早停能省不少时间。workers 在 Mac 上设太高容易卡死建议 2。3.3 训练过程监控与显存不足的降级策略训练启动后重点看三个指标box_loss、cls_loss、mAP50。box_loss 下降说明框在收敛cls_loss 下降说明分类在收敛mAP50 是验证集上的综合指标。如果 box_loss 震荡不降先查标签归一化是否正确如果 cls_loss 不降查类别 id 是否连续。显存不足时按这个顺序降级先把 batch 减半再把 imgsz 从 640 降到 416最后换更小的模型 yolo11n 到 yolo11s 再到 yolo11m。不要一上来就换模型先调 batch 和 imgsz 通常就能解决。CPU 和 Mac 平台如果内存不足把 workers 降到 0用主进程加载数据速度慢但不会崩。注意训练中断后想续训用 resumeTrue 并指向 last.pt不要重新从头跑否则前面的学习率调度会乱掉。4. 避坑与排查人脑肿瘤检测训练里最容易翻车的五件事4.1 现象mAP 一直为 0损失却不报错原因通常是标签路径不对或类别 id 不匹配。YOLO 读 labels 时如果找不到对应 txt会静默跳过该图表现为训练正常但验证全错。解决方法是先跑一遍数据检查脚本确认每张图都有对应 txt且 txt 里的 class_id 在 nc 范围内。4.2 现象训练到一半 loss 变成 nan原因多是学习率过高或数据里有异常框。医学影像里如果某个框的宽高归一化后为 0计算损失时会出现除零。解决方法是遍历所有 txt过滤掉宽高小于 0.001 的行并把初始学习率从 0.01 降到 0.001。4.3 现象GPU 显存够但训练报 CUDA out of memory原因可能是 imgsz 设太大或 workers 太多导致数据加载占用显存。解决方法是先把 workers 降到 2再把 imgsz 降到 512如果还不行就 batch 减半。Mac 平台遇到 MPS 报错先升级 torch 到最新版MPS 后端在旧版本上不稳定。4.4 现象验证集 mAP 很高但测试集一塌糊涂原因是数据划分时同一患者的切片泄漏到了训练和验证。解决方法是按患者 id 划分而不是按图片随机划分。这个坑在医学影像里非常普遍指标虚高会让人误以为模型可用。4.5 现象CPU 平台训练速度极慢一轮要几小时原因是 CPU 不适合做大规模卷积训练。解决方法是把 imgsz 降到 320batch 降到 2epochs 降到 50先跑通流程再考虑换 GPU。如果只是验证脚本能不能跑可以用 100 张图做子集训练确认无误后再上全量。5. 进阶技巧用预训练权重和冻结策略把 5000 张图的效果拉满5000 张图在医学影像里不算多直接从头训练容易过拟合。我一般会加载 COCO 预训练的 yolo11n.pt 或 yolo11s.pt然后冻结前几层只训练检测头。冻结的层数用 freeze 参数控制freeze10 表示冻结前 10 层。这样训练速度快小数据上泛化也更好。model YOLO(yolo11s.pt) results model.train( datadataset.yaml, epochs150, imgsz640, batch8, device0, freeze10, # 冻结前 10 层 lr00.001, # 初始学习率降低 patience30 )冻结策略的边界是如果肿瘤形态和 COCO 里的自然图像差异极大冻结太多层反而限制拟合这时可以把 freeze 降到 5 或者不冻结。验证方法是对比 freeze0、5、10 三组在验证集上的 mAP50选最高的那组。另一个技巧是用余弦学习率调度cos_lrTrue让学习率在训练后期平滑下降减少震荡。我自己的习惯是先跑 20 轮不冻结看 loss 下降趋势如果前 10 轮 mAP 就上来了说明预训练权重适配得好再切到冻结策略跑全量。如果前 20 轮 mAP 一直不动先回去查标签而不是调模型。这个顺序帮我省了很多无效实验。希望帮到你。本文还有配套的精品资源点击获取