​
带标注的甲状腺结节识别数据集，识别率84.4%，可识别结节，良性结节，34865张图，支持yolo，coco json，voc xml,文末有模型训练代码

模型训练指标参数：

模型训练图：

数据集拆分

总图数：34865 张图数
训练集

29055 张图

验证集

2906 张图

测试集

2904 张图

预处理

自动定向：应用
自动对比度调整：采用自适应均衡化算法
尺寸缩放：拉伸至 576×576 分辨率
随机采样：数据集全量划入训练集、验证集、测试集
增强

每个训练样本生成 5 张增强图片
色相：调节范围 -10° ～ +10°
饱和度：调节范围 -10% ～ +10%
曝光度：调节范围 -10% ～ +10%
模糊：最大模糊 1 像素
噪声：像素噪点占比最高 3%
相机增益：方差 0.05

数据集标签：

[‘nodule’, ‘benign_nodule’]

标签解释
nodule ：检出有结节（未定性）
benign_nodule ：检出良性结节

数据集图片和标注信息示例：

数据集下载：

yolo26:

yolo v12:

yolo v11:

yolo v9:

yolo v8:

yolo v7:

coco json:

pascal voc xml:
由于数据集比较大，超过5G，所以暂不提供csdn的下载地址，有需要的可在文章上方通过微信名片获取下载地址

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将 我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py
​​

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2
 
# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径
 
# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径
 
# 使用模型对图片进行预测
results = model(image_path)
 
# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()
 
    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)
 
    # 等待按键退出
    cv2.waitKey(0)
 
    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()

推理结果：

{
“predictions”: [
{
“x”: 383.5,
“y”: 198.5,
“width”: 131,
“height”: 85,
“confidence”: 0.897,
“class”: “benign_nodule”,
“class_id”: 0,
“detection_id”: “d84d7bba-a809-472e-80ce-8c83505ccce8”
}
]
}