YOLOv8 Segmentazione su Dataset Personalizzato (Segmentazione di Immagini Mediche)

YOLOv8 Segmentazione su Dataset Personalizzato per la Segmentazione di Immagini Mediche

YOLOv8 è un incredibile modello di segmentazione; è facile da allenare, testare e implementare. In questo tutorial, impareremo come utilizzare YOLOv8 su un dataset personalizzato. Ma prima di tutto, vorrei dirti perché dovresti usare YOLOv8 quando ci sono altri eccellenti modelli di segmentazione? Iniziamo con la mia storia.

Stavo lavorando su un progetto relativo alla segmentazione delle immagini mediche quando il mio collaboratore mi sorprese dicendomi che avevamo solo 600 immagini e maschere da 175 pazienti. Nell’imaging medico, è un problema comune perché i clinici/medici sono le persone più impegnate e hanno numerosi compiti. Tuttavia, mi assicurò che una volta addestrato il modello (e affinato), avremmo avuto immagini e maschere da ulteriori 300+ pazienti come un Set di test aggiuntivo per valutare il nostro modello.

Ho iniziato dividendo i 50 pazienti nei dataset di allenamento, test e validazione utilizzando un rapporto 80:10:10. Per il modello, ho iniziato con UNet e le sue varianti (ResUNet, Attention UNet, Res-Attention UNet). Questi modelli si sono comportati eccellentemente nei dataset di allenamento, test e validazione ma sono risultati molto scadenti nel set di test aggiuntivo. Poi ho pensato, ‘Proviamo YOLOv8; se funziona, sarà fantastico, altrimenti sarà un’esperienza di apprendimento divertente.’ Dopo poche ore, ha funzionato e, a mia sorpresa, ha superato di gran lunga le mie aspettative nel Set di test aggiuntivo. Non posso rivelare quanto perché il paper è ancora in revisione, ma mi piacerebbe condividere come ho adattato tutto questo a un dataset personalizzato in modo che tu possa risparmiare ore di lavoro. Iniziamo con il piano d’attacco.

Piano d’Attacco

Ecco gli argomenti che impareremo:1. Breve introduzione a YOLOv8.2. Installazione della libreria.3. Preparazione del dataset.4. Preparazione dell’addestramento.5. Addestramento del modello.6. Risultati.

• Impara a costruire – Newsletter della Comunità Towards AI #1
• Optimizzazione dell’analisi dei dati l’integrazione di GitHub Copilot in Databricks
• 7 Controlli Essenziali sulla Qualità dei Dati con Pandas

Breve Introduzione a YOLOv8

YOLOv8 è la versione più recente della serie YOLO per la rilevazione in tempo reale degli oggetti, sviluppata da Ultralytics. Migliora l’accuratezza e la velocità introducendo modifiche come l’attenzione spaziale e la fusione delle caratteristiche [1]. L’architettura combina un blocco CSPDarknet53 modificato con un…