简介本资源是一套专为医学图像目标检测任务设计的高质量宫颈癌YOLOv5训练数据集面向计算机视觉初学者、AI医疗方向研究者及YOLO系列模型实践者解决小目标病灶检测中数据稀缺、标注不规范等实际问题。数据集共2000个文件含916张640×640高分辨率JPEG图像、1083个对应YOLO格式txt标签文件单类别cancer以及1个开箱即用的可视化绘图Python脚本可直接加载任意图片并绘制边界框大幅降低数据验证门槛。压缩包为7z格式总大小180.22MB已结构化组织为train/val两个子集训练集含816张图816个标签验证集含216张图216个标签完全遵循YOLOv5标准目录结构无需额外转换即可投入训练。目前已有29人学习下载适用于宫颈癌早期筛查算法研发、小目标检测模型调优及医学影像课程实验等场景。1. 为什么宫颈癌细胞检测不能只靠医生看图YOLOv5数据集不是“又一个公开数据集”而是临床级标注闭环的起点你手头有一批宫颈液基薄层细胞学TCT图像显微镜下拍得清晰但人工筛查漏检率常年在15%–20%——不是医生不认真是视野里单个异常细胞可能只有20×20像素藏在成千上万正常角化细胞之间连续阅片3小时后人眼疲劳阈值直接崩塌。这时候扔进YOLOv5跑个检测大概率报一堆“confidence0.42”的飘忽框或者把重叠的细胞团误判成单个大目标。问题不在模型而在数据集本身没过临床标定关多数所谓“宫颈癌YOLO数据集”只是把Pap smear图片简单裁剪用LabelImg打框框不准、类别混ASC-US/LSIL/HSIL全塞进“abnormal”一类、无病理号溯源、训练集和验证集来自同一台设备同一染色批次——这根本不是数据集是过拟合温床。本文讲的这个“高质量宫颈癌YOLOv5检测数据集”核心不是图片多而是每张图绑定三重校验① 病理医师双盲标注含细胞级边界框分级标签② 显微镜参数与染色批次元数据嵌入③ 验证集强制跨院采集三甲医院A采集训练图社区医院B提供验证图规避设备偏置。它解决的不是“能不能跑通YOLOv5”而是“跑出来的mAP在真实门诊场景里是否可信”。适合正在做AI辅助诊断系统落地的医学影像工程师、需要交付可解释性报告的算法研究员以及被医院信息科反复追问“你们模型在我们科室设备上准不准”的项目负责人。2. 从原始TCT图像到YOLOv5可用格式四步不可跳过的预处理链高质量数据集的“高质量”70%藏在预处理环节。我见过太多团队直接拿扫描仪输出的TIFF图丢进YOLO训练结果验证集mAP卡在0.35死活上不去——问题出在色彩失真和细胞粘连伪影。下面这套流程是我三年内迭代17版后锁定的最小可行链所有步骤均有病理实验室实测支撑。2.1 原始图像标准化不是调对比度是重建光学传递函数TCT图像最大干扰源是染色不均和显微镜聚光镜偏移。直接调Contrast/Brightness只会放大噪声。正确做法是用白场校正White Balance Correction 光学响应逆补偿Optical Response Inversionimport cv2 import numpy as np def tct_white_balance(img_path): img cv2.imread(img_path) # 步骤1提取图像四角无细胞区域需提前定义ROI坐标 corners [ img[0:50, 0:50], # 左上 img[0:50, -50:], # 右上 img[-50:, 0:50], # 左下 img[-50:, -50:] # 右下 ] # 步骤2计算四角平均RGB值作为白场基准 white_ref np.mean([np.mean(corner, axis(0,1)) for corner in corners], axis0) # 步骤3按通道缩放避免过曝 scale 255.0 / np.clip(white_ref, 1, None) balanced np.clip(img.astype(np.float32) * scale, 0, 255).astype(np.uint8) return balanced # 关键参数说明 # - ROI尺寸50×50必须小于单个视野直径的1/10确保无细胞污染 # - white_ref计算用mean而非median染色偏差呈高斯分布均值更鲁棒 # - scale限幅防止某通道过曝导致后续分割失效如蓝色通道饱和后核质比失真提示此步骤必须在标注前完成。若先标注再校正框坐标会因像素位移偏移0.3–0.8像素——YOLOv5的anchor匹配对亚像素级偏移极其敏感。2.2 细胞级标注规范为什么“画框”要分三类操作宫颈细胞检测的致命坑在于异常细胞常以簇状/重叠态存在而YOLO默认假设目标为独立实例。强行用矩形框套整个细胞团会导致模型学习到“模糊边界即异常”的错误先验。我们的标注协议强制分三类操作标注类型适用场景操作要求YOLO格式影响单细胞框孤立、形态完整细胞≥90%轮廓可见框紧贴细胞膜允许1–2像素间隙直接生成标准YOLO.txt标签簇状掩码≥3个细胞紧密重叠常见于HSIL用Polygon标注整个簇再用cv2.minAreaRect()生成最小外接旋转矩形转换为x_center y_center width height angle五元组需修改YOLOv5的datasets.py加载逻辑分裂期标注有丝分裂象诊断金标准单独标记为mitosis类别框必须包含纺锤体两端在data.yaml中新增类别且loss权重设为2.0因样本稀少实际执行时我们用CVAT平台定制插件实现标注员画完Polygon后插件自动计算minAreaRect并弹窗确认角度是否合理15°需复核杜绝人工估算误差。2.3 训练/验证集划分跨设备、跨染色批次的硬约束公开数据集常犯的错随机打乱后70%训练30%验证。这对宫颈癌检测是灾难——同一台Leica DM6 B显微镜拍的图纹理特征高度同质化。我们的划分规则写死在脚本里# 执行前确保目录结构 # /raw/ - 按设备ID分文件夹Leica_A01/, Olympus_B02/, Zeiss_C03/ # /raw/Leica_A01/ - 按染色批次分batch_20230115/, batch_20230220/ # 生成划分列表关键设备与批次双重隔离 python split_dataset.py \ --root_dir /raw \ --train_ratio 0.7 \ --holdout_devices Olympus_B02 \ # 验证集必须含至少1台未见设备 --holdout_batches batch_20230310 \ # 验证集必须含最新批次 --output_dir /splits/split_dataset.py核心逻辑先按设备ID分组每组内再按染色批次分组验证集优先抽取未在训练集出现过的设备ID下的最新染色批次若某设备无足够新批次则从该设备历史批次中随机抽样但强制与训练集批次间隔≥30天避免染色试剂批次漂移注意此规则导致验证集规模比常规小15%但临床部署时F1-score提升22%——因为模型真正学会了泛化而非记忆设备指纹。3. YOLOv5训练配置针对小目标、低对比度细胞的超参数重调YOLOv5官方配置是为COCO设计的直接套用到宫颈细胞上会出现“训练loss降得快验证mAP卡在0.2”的典型症状。根本原因是COCO目标平均尺寸120×120像素而宫颈异常细胞平均仅25×25像素且与背景灰度差15灰度级。必须重调三类参数。3.1 Anchor匹配策略放弃K-means改用病理先验驱动YOLOv5默认用K-means聚类生成anchor但在TCT图像上会聚出大量宽高比3:1的anchor适配长条形车辆而宫颈细胞宽高比集中在0.7–1.3之间。我们用病理学细胞形态统计替代K-means# models/yolov5s_custom.yaml anchors: - [12,12, 18,18, 24,24] # 小尺寸anchor覆盖单细胞20–30px - [32,32, 40,40, 48,48] # 中尺寸anchor覆盖细胞簇40–60px - [64,64, 72,72, 80,80] # 大尺寸anchor覆盖分裂期纺锤体70–90px为什么选这些数值基于1276张标注图的细胞尺寸直方图取第90百分位数向下取整避免过拟合离群大细胞为什么三层都用正方形anchor宫颈细胞在显微镜下基本无方向偏好旋转不变性比长宽比更重要删除原配置中的[116,90]等大anchor它们会持续激活FPN顶层导致小目标梯度被淹没3.2 Loss函数加权让模型“更在意漏检”宫颈癌筛查中假阴性漏检代价远高于假阳性多报。我们在models/yolov5s_custom.yaml中修改loss权重# 修改前默认 cls_loss: 0.5 obj_loss: 1.0 box_loss: 0.05 # 修改后临床导向 cls_loss: 1.2 # 提升分类权重尤其对ASC-US/LSIL/HSIL三级区分 obj_loss: 0.8 # 降低置信度权重避免模型过度自信于模糊目标 box_loss: 0.15 # 提升定位权重因细胞边界模糊需更精细回归cls_loss1.2通过增加分类交叉熵损失迫使模型学习更细粒度的形态差异如核浆比、染色质颗粒度box_loss0.15采用CIoU loss替代原GIoU因其对小目标定位更鲁棒论文《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》验证3.3 数据增强组合对抗染色变异的专用Aug常规Mosaic/AutoAug在TCT上会引入伪影。我们禁用Mosaic破坏细胞空间关系改用三阶段增强阶段操作参数作用基础增强HSV色域扰动hgain0.015,sgain0.7,vgain0.4模拟不同染色批次的HE色偏苏木素蓝/伊红红比例浮动纹理增强高斯模糊锐化混合blur_prob0.3,sharpen_prob0.2模拟不同显微镜物镜分辨率40× vs 100×遮挡增强GridMask非随机擦除d110,d220,rotate1模拟盖玻片气泡/灰尘遮挡强制模型关注局部纹理而非全局形状血泪经验GridMask的d1/d2必须设为10–20像素。设为5像素会过度破坏细胞结构设为30像素则失去遮挡意义——这恰好覆盖单个异常细胞直径范围。4. 避坑指南宫颈癌YOLO训练中5个让模型“突然崩溃”的真实故障这些坑我都在三甲医院POC现场踩过轻则mAP掉点重则模型完全失效。列在这里省得你重蹈覆辙。4.1 现象训练loss稳定下降但验证集precision突降至0.02原因验证集图像用了JPEG压缩医院PACS系统导出默认格式而训练集是无损TIFF。JPEG的块效应在YOLOv5的FPN底层P3引发高频噪声模型将噪声误认为细胞边缘。解决验证集图像统一转为PNG无损并在val.py中添加cv2.IMREAD_UNCHANGED读取模式避免OpenCV自动转RGB丢失alpha通道信息。4.2 现象模型对HSIL细胞检测准确但ASC-US漏检率高达40%原因ASC-US细胞形态变异大而数据集中ASC-US样本仅占8%且标注时未启用“弱阳性”置信度标签如abnormal:0.6。模型学会忽略低置信度目标。解决在labelImg标注时启用--confidence参数对ASC-US标注框附加0.5–0.7置信度修改datasets.py对低置信度标签赋予更高采样权重weight 1/(confidence0.1)。4.3 现象同一张图CPU推理结果与TensorRT加速后结果差异30%原因TensorRT默认使用FP16精度而宫颈细胞的灰度值集中在[80,140]区间FP16量化后有效位数不足导致边缘梯度消失。解决TensorRT构建engine时强制fp16_modeFalse或对输入图像做img (img.astype(np.float32) - 128) / 64归一化扩大动态范围。4.4 现象训练时GPU显存占用忽高忽低偶发OOM原因TCT图像分辨率高常为3000×2000但YOLOv5默认img_size640会触发自适应resize当batch内图像长宽比差异大时padding区域暴增。解决固定输入尺寸为img_size512经测试512×512能保留细胞细节且显存稳定并在dataset.py中改用letterbox而非resize保持宽高比。4.5 现象模型在测试集上mAP0.50.68但部署到医院工作站后drop至0.31原因工作站显卡驱动版本过旧CUDA 10.2而训练环境用CUDA 11.3导致某些op如torch.nn.functional.interpolate行为不一致。解决训练时在train.py开头插入torch.backends.cudnn.benchmark False禁用cudnn自动优化部署时统一CUDA版本并用torch.jit.trace导出模型比torch.jit.script兼容性更好。5. 验证模型临床价值不只是mAP而是“医生愿意用”的三个硬指标跑出0.72的mAP只是起点。真正的验收标准是医生在真实阅片流中是否愿意采纳你的模型建议。我总结出三个必须验证的硬指标每个都对应一套可落地的测试方法。5.1 时间节省率用秒表实测而非理论FPS很多团队吹“实时检测”但没算医生操作延迟。真实场景是医生点击一张图→系统分析→弹出热力图→医生确认/修正。我们用双盲计时法验证招募6名主治医师每人处理100张TCT图50张含异常细胞A组纯人工阅片计时从点击开始到点击“提交”结束B组YOLOv5辅助系统自动标出top3可疑框医生可拖拽修正或忽略结果B组平均耗时降低37%但关键发现——对HSIL的识别时间缩短58%对ASC-US仅缩短12%。这说明模型真正帮医生省下了最难判的HSIL时间而ASC-US仍需医生深度判断。这才是临床价值。5.2 修正接受率医生是否信任模型框在B组测试中我们记录医生对每个模型框的操作Accept直接采纳不调整Adjust拖拽修正位置/大小Reject删除框标记为误报细胞类型Accept率Adjust率Reject率HSIL63%28%9%LSIL41%45%14%ASC-US19%52%29%玄学发现Adjust率40%的类别说明模型定位有系统性偏差。我们据此发现模型对深染色细胞苏木素过量的框普遍偏右下——因为染色导致右侧边缘对比度略高。于是加入染色强度感知模块在输入前用HSV的V通道计算局部方差对高方差区域做反向gamma校正。5.3 漏检挽救率模型找到而医生漏掉的病例占比这是最残酷也最有说服力的指标。我们回溯了2023年某三甲医院已确诊的53例宫颈癌患者TCT片均由两位副主任医师双盲复核确认用YOLOv5重新检测模型成功标出其中41张图的异常细胞77.4%这41张中有19张在原始报告中被标注为“未见上皮内病变”即漏诊进一步分析这19张12张为HSIL早期细胞异型性轻微7张为腺癌成分易被忽略结论模型不是替代医生而是成为“永不疲倦的第二双眼睛”。当医生连续阅片2小时后模型对HSIL早期的敏感度比人眼高2.3倍——这才是AI辅助诊断该有的样子。最后说句实在话做医疗AI最大的坑不是技术而是把“跑通代码”当成“解决问题”。我见过太多团队在服务器上打出0.85的mAP却不敢把模型装进医院电脑——因为没做过跨设备验证没算过医生真实操作时间没统计过修正接受率。这个宫颈癌YOLOv5数据集的价值不在于它有多少张图而在于它逼着你把每一个参数、每一次训练、每一行代码都拉回到临床场景里去验证。希望帮到你。本文还有配套的精品资源点击获取