基于YOLO格式的皮肤病目标检测数据集

该数据集用于皮肤病目标检测任务。

项目信息

编号：Dataset-27
大小：5.6G

数据信息

图片数量: 总计：28350张。训练集 19845 张, 验证集 5670 张, 测试集 2835 张
标注文件格式: YOLO的txt格式可以直接用于模型训练。

类别信息

类别：8类 [’痣’, ‘基底细胞癌’, ‘鳞状细胞癌’, ‘色素性良性角化病’, ‘血管性病变’, ‘光照性角化病’, ‘皮肤纤维瘤’, ‘黑色素瘤’]
标签(names): [‘nevus’, ‘basal_cell_carcinoma’, ‘squamous_cell_carcinoma’, ‘pigmented_benign_keratosis’, ‘vascular_lesion’, ‘actinic_keratosis’, ‘dermatofibroma’, ‘melanoma’]

性能指标

模型的性能指标 mAP (99.4%)、Precision (98.8%) 和 Recall (98.6%)，分别用蓝色、绿色和红色表示。所有指标都达到了较高水平，显示出模型的综合性能非常优秀。

模型性能评估与训练过程分析

1.训练过程相关
训练和验证指标曲线

展示了训练和验证阶段的损失变化趋势（如 box_loss、cls_loss）和性能指标（如 mAP、Precision、Recall）。
可以直观展示模型的训练过程是否收敛、是否过拟合或欠拟合。

2.性能评估相关
Precision-Recall 曲线

展示了模型对所有类别的分类性能（Precision 和 Recall 之间的权衡），并提供mAP值。
评估模型整体性能的重点图表。

3.分类细节分析
混淆矩阵

混淆矩阵提供了分类任务中各类别的详细分类结果（正确分类与误分类的情况）。
作为分类细节分析，用于深入探讨分类表现和混淆问题。

目标检测训练数据可视化

目标检测训练过程中，模型对数据的可视化结果，主要展示了多个类别目标的检测边框和类别标注情况。整体检测表现较好，但可以通过优化标注和模型训练进一步提升精度和鲁棒性。

文件目录

Tipps：完整项目文件清单如下：