​
带标注的乳腺癌识别数据集，识别率92.9%，1784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：1784 张图数
训练集

1719 张图

验证集

33 张图

测试集

32 张图

预处理

自动定向：应用

调整大小：拉伸到640x640

增强

每个训练示例的输出： 3
旋转角度： 介于 -15° 和 +15° 之间

数据集标签：

breast_tumor

标签解释. 乳腺癌

数据集图片和标注信息示例：

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92870825

yolo v12:https://download.csdn.net/download/pbymw8iwm/92870832

yolo v11:https://download.csdn.net/download/pbymw8iwm/92870831

yolo v9:https://download.csdn.net/download/pbymw8iwm/92870826

yolo v8:https://download.csdn.net/download/pbymw8iwm/92870827

yolo v7:https://download.csdn.net/download/pbymw8iwm/92870828

coco json: https://download.csdn.net/download/pbymw8iwm/92870829

pascal voc xml: https://download.csdn.net/download/pbymw8iwm/92870830

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”: 567.5,
“y”: 322,
“width”: 105,
“height”: 70,
“confidence”: 0.794,
“class”: “breast_tumor”,
“class_id”: 0,
“detection_id”: “705af9f2-efb8-4e77-9e2f-364e3586d47b”
}
]
}