随着人工智能和深度学习技术的迅猛发展，智慧医疗的应用范围在不断扩展，尤其在口腔健康领域展现了巨大的潜力。口腔疾病的早期诊断和精确治疗对患者的预后至关重要，而传统的手动分析口腔牙齿CT影像不仅费时费力，而且容易受主观因素影响，导致诊断误差。为了应对这一挑战，基于深度学习的自动化检测技术逐渐成为研究热点。本研究提出了一种创新的基于YOLOv8深度学习模型的口腔牙齿CT影像检测系统，旨在通过智能化手段自动检测和分类口腔中常见的病症，包括阻生牙、龋齿、根管治疗、修复体、牙体修复及残根等。
项目信息
编号：PDV-65
大小：309M
运行条件
Python开发环境：
– PyCharm的安装包：PyCharm: Python IDE for Professional Developers
– PyCharm的历史安装包：PyCharm: Python IDE for Professional Developers
– Anaconda的安装包：Anaconda | Start Coding Immediately
– Python开发版本：Python==3.9
需要安装依赖包：
– pip install PyQt5== 5.15.11
– pip install Pillow==9.5.0
– pip install opencv-python==4.10.0.84
– pip install torch==2.4.0
– pip install torchvision==0.19.0
– pip install numpy== 1.26.4
– pip install matplotlib==3.9.2
项目介绍
随着人工智能和深度学习技术的迅猛发展，智慧医疗的应用范围在不断扩展，尤其在口腔健康领域展现了巨大的潜力。口腔疾病的早期诊断和精确治疗对患者的预后至关重要，而传统的手动分析口腔牙齿CT影像不仅费时费力，而且容易受主观因素影响，导致诊断误差。为了应对这一挑战，基于深度学习的自动化检测技术逐渐成为研究热点。本研究提出了一种创新的基于YOLOv8深度学习模型的口腔牙齿CT影像检测系统，旨在通过智能化手段自动检测和分类口腔中常见的病症，包括阻生牙、龋齿、根管治疗、修复体、牙体修复及残根等。
该系统采用了YOLOv8（You Only Look Once v8）模型，这是一种实时对象检测的先进模型，具有极高的检测精度和速度。YOLOv8模型以其在复杂场景中的优异表现而广受关注，尤其在需要高效且准确的图像分析任务中显示出卓越的能力。为了确保系统能够有效地处理和分析大量的口腔牙齿CT图像，本研究使用了经过标注的高质量数据集进行模型的训练与优化。通过精心设计的训练代码和数据处理流程，系统能够快速识别并分类目标病症。
在用户交互方面，系统采用了PyQt5作为图形用户界面（GUI），为用户提供直观且易操作的界面，极大地简化了操作流程。PyQt5作为Python的高级GUI库，支持跨平台开发，具有强大的界面设计功能，使得系统的操作更具灵活性和用户友好性。用户可以通过该界面直接加载CT影像，系统则会自动分析并展示检测结果，提供精确的病灶定位和分类建议。
为了评估系统的性能，本研究通过大量实验验证了其在口腔牙齿CT影像数据集上的表现。实验结果表明，系统在测试集上达到了较高的检测精度和稳健性，尤其是在复杂的口腔结构中，仍能准确识别各类病症。阻生牙和龋齿的检测准确率显著提升，根管治疗和修复体的定位也更加精确。此外，系统在处理残根等复杂的牙齿病变时，能够提供明确的手术建议，为临床治疗提供了重要的参考依据。
该系统在智慧医疗的实际应用中，能够为牙医提供强有力的辅助工具，帮助其快速、准确地完成诊断任务，减少人工干预带来的误差。同时，系统通过对大量口腔影像的自动化处理，能够有效缩短诊断时间，提高工作效率。这不仅能够减轻医生的工作负担，还能提升患者的就医体验，降低口腔疾病的误诊率，显著改善患者的治疗效果。
此外，该系统的广泛应用也为智慧医疗在口腔医学中的进一步发展奠定了基础。未来，随着更多数据的积累和算法的进一步优化，该系统有望扩展到更广泛的口腔疾病检测领域，甚至可以应用于其他医疗影像的自动化分析中。通过不断迭代和改进，基于YOLOv8的智慧医疗系统将能够为医疗行业带来更大的变革，推动口腔医学进入更加智能化的新时代。
项目文档
Tipps：可以根据您的需求进行写作，确保文档原创！
– 项目文档：写作流程
算法流程
代码讲解
Tipps：仅对train.py部分代码简要讲解。该项目可以按需有偿讲解，提供后续答疑。
项目数据
Tipps：通过搜集关于数据集为各种各样的口腔牙齿CT影像相关图像，并使用Labelimg标注工具对每张图片进行标注，分6检测类别，分别是’阻生牙’,’龋齿’,’根管治疗’,’修复体’,’牙体修复’,’残根’。
目标检测标注工具
（1）labelimg:开源的图像标注工具，标签可用于分类和目标检测，它是用python写的，并使用Qt作为其图形界面，简单好用（虽然是英文版的）。其注释以 PASCAL VOC格式保存为XML文件，这是ImageNet使用的格式。此外，它还支持 COCO数据集格式。
（2）安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple
结束后，在cmd中输入labelimg
初识labelimg
打开后，我们自己设置一下
在View中勾选Auto Save mode
接下来我们打开需要标注的图片文件夹
并设置标注文件保存的目录（上图中的Change Save Dir）
接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。
Labelimg的快捷键
（3）数据准备
这里建议新建一个名为data的文件夹（这个是约定俗成，不这么做也行），里面创建一个名为images的文件夹存放我们需要打标签的图片文件；再创建一个名为labels存放标注的标签文件；最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。
data的目录结构如下：
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别（这个文件可有可无，但是在我们定义类别比较多的时候，最好有这个创建一个这样的txt文件来存放类别）
首先在images这个文件夹放置待标注的图片。
生成文件如下:
“classes.txt”定义了你的 YOLO 标签所引用的类名列表。
（4）YOLO模式创建标签的样式
存放标签信息的文件的文件名为与图片名相同，内容由N行5列数据组成。
每一行代表标注的一个目标，通常包括五个数据，从左到右依次为：类别id、x_center、y_center、width、height。
其中：
–x类别id代表标注目标的类别；
–x_center和y_center代表标注框的相对中心坐标；
–xwidth和height代表标注框的相对宽和高。
注意：这里的中心点坐标、宽和高都是相对数据！！！
存放标签类别的文件的文件名为classes.txt (固定不变)，用于存放创建的标签类别。
完成后可进行后续的yolo训练方面的操作。
模型训练
Tipps：模型的训练、评估与推理
1.YOLOv8的基本原理
YOLOv8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可在CPU到GPU的多种硬件平台上运行。
YOLOv8是Yolo系列模型的最新王者，各种指标全面超越现有对象检测与实例分割模型，借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，在全面提升改进Yolov5模型结构的基础上实现，同时保持了Yolov5工程化简洁易用的优势。
Yolov8模型网络结构图如下图所示：
2.数据集准备与训练
本研究使用了包含口腔牙齿CT影像的数据集，并通过Labelimg标注工具对每张图像中的目标边框（Bounding Box）及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练，训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致，包括：数据集准备、模型训练、模型评估。本次标注的目标类别为口腔牙齿CT影像，数据集中共计包含4647张图像，其中训练集占3684张，验证集占963张。部分图像如下图所示：
部分标注如下图所示：
图片数据的存放格式如下，在项目目录中新建datasets目录，同时将检测的图片分为训练集与验证集放入datasets目录下。
接着需要新建一个data.yaml文件，用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时，会读取该文件的信息，用于进行模型的训练与验证。
data.yaml的具体内容如下：
train: E:/ToothDetection_v8/datasets/train/images 训练集的路径
val: E:/ToothDetection_v8/datasets/val/images 验证集的路径
#test: E:/ToothDetection_v8/datasets/test/images 测试集的路径
nc: 6
names: [“impaction”, “caries”, “Root Canal”, “Prosthesis”, “restoration”, “root stump”]
这个文件定义了用于模型训练和验证的数据集路径，以及模型将要检测的目标类别。
数据准备完成后，通过调用train.py文件进行模型训练，epochs参数用于调整训练的轮数，batch参数用于调整训练的批次大小(根据内存大小调整，最小为1)。
CPU/GPU训练代码如下：
加载名为 yolov8n.pt 的预训练YOLOv8模型，yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练，主要参数说明如下：
（1）data=data_yaml_path: 指定了用于训练的数据集配置文件。
（2）epochs=150: 设定训练的轮数为150轮。
（3）batch=4: 指定了每个批次的样本数量为4。
（4）optimizer=’SGD’):SGD 优化器。
（7）name=’train_v8′: 指定了此次训练的命名标签，用于区分不同的训练实验。
3.训练结果评估
在深度学习的过程中，我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练，主要涉及三类损失：定位损失（box_loss）、分类损失（cls_loss）以及动态特征损失（dfl_loss）。训练完成后，相关的训练过程和结果文件会保存在 runs/ 目录下，具体如下：
各损失函数作用说明：
定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；
分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；
动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。
训练结果如下：
这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势，具体如下：
train/box_loss：
（1）这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。
（2）损失随着训练的进行逐渐下降，说明模型在边界框预测上逐渐变得更好。
train/cls_loss：
（1）这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。
（2）这个损失曲线的下降表明模型在区分不同类别的能力上不断提高。
train/dfl_loss：
（1）这是分布聚焦损失（distribution focal loss），用于帮助模型对目标框的精确定位。
（2）与边界框回归有关的损失。损失随着训练的进行逐渐下降，表示模型在边界框定位上逐渐精确。
metrics/precision(B)：
（1）这是训练集上的精度（precision）曲线。精度表示模型在检测到的目标中有多少是真正的目标。
（2）曲线逐渐上升，表明模型的预测更加精确。
metrics/recall(B)：
（1）这是训练集上的召回率（recall）曲线。召回率表示模型检测出的真实目标的比例。
（2）召回率逐渐上升，说明模型在识别正例方面的表现也在提升。
val/box_loss：
（1）这是验证集上的边界框损失曲线。
（2）验证损失下降表明模型在未见过的数据上也能较好地预测边界框。
val/cls_loss：
（1）这是验证集上的分类损失曲线。
（2）分类损失的下降表明模型在验证数据集上表现良好，能够准确区分不同的类别。
val/dfl_loss：
（1）这是验证集上的分布聚焦损失曲线。
（2）随着训练的进行，损失逐渐减少，表明模型的边界框回归在验证集上同样得到提升。
metrics/mAP50(B)：
（1）这是验证集上的mAP50曲线，表示在交并比阈值为0.5时模型的平均精度（mean Average Precision）。
（2）曲线逐渐上升，表明模型在验证数据上的检测精度逐渐提升。
metrics/mAP50-95(B)：
（1）这是验证集上的mAP50-95曲线，表示在不同交并比阈值（从0.5到0.95）下模型的平均精度。
（2）曲线的逐步上升表明，模型在不同IoU阈值下的表现越来越好。
总结：
（1）损失函数（训练和验证的 box_loss、cls_loss、dfl_loss）逐渐下降，表明模型在训练和验证过程中表现越来越好。
（2）评价指标（精确率、召回率、mAP）逐渐上升，表明模型的检测精度和识别能力在不断提升。
这些图显示了模型的稳定收敛趋势，训练过程是成功的，且模型在验证集上的表现有良好的泛化能
这张图展示的是 Precision-Recall 曲线，用于评估模型在不同类别下的检测性能。以下是详细解释：
不同类别的性能：
（1）impaction（阻生牙，蓝色曲线）：精确率-召回率曲线非常靠近右上角，表明模型对阻生牙的检测效果非常好，曲线下方标注的 mAP（mean Average Precision）值为 0.910，即阻生牙的平均精度非常高。
（2）caries（龋齿，橙色曲线）：这条曲线表现较差，精确率随着召回率的提升下降很快，表明模型在检测龋齿时误差较大，mAP 仅为 0.294。
（3）Root Canal（根管治疗，绿色曲线）：根管治疗的表现中等，mAP 为 0.703，说明模型对根管治疗的检测有较好的效果，但仍有改进空间。
（4）Prosthesis（修复体，红色曲线）：该类别的表现非常好，mAP 为 0.913，精确率和召回率都保持较高水平。
（5）restoration（牙体修复，紫色曲线）：表现不错，mAP 为 0.778，说明模型对牙体修复的检测效果较为稳定。
（6）root stump（残根，棕色曲线）：表现中等，mAP 为 0.680，精确率和召回率之间的权衡表现良好。
总体性能：
（1）all classes（所有类别，粗蓝色曲线）：表示模型对所有类别的整体平均性能，曲线显示了较好的权衡，mAP@0.5 为 0.713，意味着模型在不同类别上的平均检测精度达到了 71.3%。
总结：
（1）模型在检测“阻生牙”和“修复体”类别时表现非常好，精确率和召回率都较高。
（2）“龋齿”的检测效果相对较差，模型需要进一步优化以提高在此类别上的表现。
（3）总体来说，模型的性能较好，大多数类别的精确率-召回率曲线都显示了较高的精度，特别是在“阻生牙”和“修复体”方面。
4.检测结果识别
模型训练完成后，我们可以得到一个最佳的训练结果模型best.pt文件，在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下：
加载所需库：
（1）from ultralytics import YOLO：导入YOLO模型类，用于进行目标检测。
（2）import cv2：导入OpenCV库，用于图像处理和显示。
加载模型路径和图片路径：
（1）path = ‘models/best.pt’：指定预训练模型的路径，这个模型将用于目标检测任务。
（2）img_path = “TestFiles/imagetest.jpg”：指定需要进行检测的图片文件的路径。
加载预训练模型：
（1）model = YOLO(path, task=’detect’)：使用指定路径加载YOLO模型，并指定检测任务为目标检测 (detect)。
（2）通过 conf 参数设置目标检测的置信度阈值，通过 iou 参数设置非极大值抑制（NMS）的交并比（IoU）阈值。
检测图片：
（1）results = model(img_path)：对指定的图片执行目标检测，results 包含检测结果。
显示检测结果：
（1）res = results[0].plot()：将检测到的结果绘制在图片上。
（2）cv2.imshow(“YOLOv8 Detection”, res)：使用OpenCV显示检测后的图片，窗口标题为“YOLOv8 Detection”。
（3）cv2.waitKey(0)：等待用户按键关闭显示窗口
此代码的功能是加载一个预训练的YOLOv8模型，对指定的图片进行目标检测，并将检测结果显示出来。
执行imgTest.py代码后，会将执行的结果直接标注在图片上，结果如下：
这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果，具体内容如下：
图像信息：
（1）处理的图像路径为：TestFiles/imagetest.jpg。
（2）图像尺寸为 640×640 像素。
检测结果：
（1）检测到 3 个阻生牙（Impaction）
（2）检测到 1 个根管治疗（Root Canal）
（3）检测到 2 个修复体（Prosthesis）
处理速度：
（1）预处理时间: 2.999 毫秒
（2）推理时间: 5.028 毫秒
（3）后处理时间: 49.869 毫秒
在该图像中，YOLOv8模型检测到了 3 个阻生牙、1 个根管治疗和 2 个修复体的目标，整个检测过程包括预处理、推理和后处理，总计花费约57.9毫秒，结果保存至 runs\detect\predict 目录。
运行效果
– 运行 MainProgram.py
1.主要功能：
（1）可用于实时检测目标图片中的口腔牙齿CT影像；
（2）支持图片、视频及摄像头进行检测，同时支持图片的批量检测；
（3）界面可实时显示目标位置、目标总数、置信度、用时等信息;
（4）支持图片或者视频的检测结果保存。
2.检测结果说明：
（1）置信度阈值：当前设置为0.25，表示检测系统只会考虑置信度高于25%的目标进行输出，置信度越高表示模型对检测结果的确信度越高。
（2）交并比阈值：当前设置为0.70，表示系统只会认为交并比（IoU）超过70%的检测框为有效结果。交并比是检测框与真实框重叠区域的比值，用于衡量两个框的相似程度，值越高表明重叠程度越高。
这两个参数通常用于目标检测系统中，调整后可以影响模型的检测精度和误检率。
这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释：
用时（Time taken）:
（1）这表示模型完成检测所用的时间为0.019秒。
（2）这显示了模型的实时性，检测速度非常快。
目标数目（Number of objects detected）:
（1）检测到的目标数目为4，表示这是当前检测到的第1个目标。
目标选择(下拉菜单)：全部:
（1）这里有一个下拉菜单，用户可以选择要查看的目标类型。
（2）在当前情况下，选择的是“全部”，意味着显示所有检测到的目标信息。
结果（Result）:
（1）当前选中的结果为 “修复体”，表示系统正在高亮显示检测到的“Prosthesis”。
置信度（Confidence）:
（1）这表示模型对检测到的目标属于“修复体”类别的置信度为91.44%。
（2）置信度反映了模型的信心，置信度越高，模型对这个检测结果越有信心。
目标位置（Object location）:
（1）xmin: 186, ymin: 298：目标的左上角的坐标(xmin, ymin)，表示目标区域在图像中的位置。
（2）xmax: 344, ymax: 252：目标的右下角的坐标(xmax, ymax)，表示目标区域的边界。
这些坐标表示在图像中的目标区域范围，框定了检测到的“修复体”的位置。
这张图展示了口腔牙齿CT影像的一次检测结果，包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果，提升口腔牙齿CT影像检测的效率。
3.图片检测说明
（1）残根
说明：残根是指牙冠完全或大部分损坏或脱落后，遗留在牙槽骨中的牙根。残根通常是由于严重龋齿、外伤或牙周病等引起的。
（2）根管治疗
说明：根管治疗是一种用于修复和保存受感染或严重蛀蚀牙齿的牙科手术。它包括清除牙齿内部的感染牙髓，消毒根管，填充根管并封闭牙齿。
（3）龋齿
说明：龋齿是由口腔细菌产生的酸腐蚀牙齿的过程，也称为“蛀牙”。它是牙齿硬组织的慢性、进行性破坏，通常始于牙齿表面的矿物质流失，最终形成牙洞。
（4）修复体
说明：修复体是指用于替代或修复缺损牙齿的人工装置。修复体有多种类型，具体使用取决于牙齿的损坏程度和治疗需求。
（5）牙体修复
说明：牙体修复是指修复损坏的牙齿功能和形态的过程。它包括多种形式的修复治疗，用于修复由于龋齿、外伤等原因造成的牙体损伤。
（6）阻生牙
说明：阻生牙是指牙齿在萌出过程中，由于颌骨空间不足或生长方向异常，未能完全长出牙龈而被阻挡的情况。最常见的阻生牙是智齿（第三磨牙），因为它们通常是最后萌出的牙齿，容易因为缺少足够的空间导致无法正常萌出。
点击打开图片按钮，选择需要检测的图片，或者点击打开文件夹按钮，选择需要批量检测图片所在的文件夹。
操作演示如下：
（1）点击目标下拉框后，可以选定指定目标的结果信息进行显示。
（2）点击保存按钮，会对检测结果进行保存，存储路径为：save_data目录下。
检测结果：系统识别出图片中的口腔牙齿CT影像，并显示检测结果，包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。
4.视频检测说明
点击视频按钮，打开选择需要检测的视频，就会自动显示检测结果，再次点击可以关闭视频。
点击保存按钮，会对视频检测结果进行保存，存储路径为：save_data目录下。
检测结果：系统对视频进行实时分析，检测到口腔牙齿CT影像并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。
这个界面展示了系统对视频帧中的多目标检测能力，能够准确识别口腔牙齿CT影像，并提供详细的检测结果和置信度评分。
5.摄像头检测说明
点击打开摄像头按钮，可以打开摄像头，可以实时进行检测，再次点击，可关闭摄像头。
检测结果：系统连接摄像头进行实时分析，检测到口腔牙齿CT影像并显示检测结果。实时显示摄像头画面，并将检测到的行为位置标注在图像上，表格下方记录了每一帧中检测结果的详细信息。
6.保存图片与视频检测说明
点击保存按钮后，会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。
检测的图片与视频结果会存储在save_data目录下。
保存的检测结果文件如下：
图片文件保存的csv文件内容如下，包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注：其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。
（1）图片保存
（2）视频保存
– 运行 train.py
1.训练参数设置
（1）data=data_yaml_path: 使用data.yaml中定义的数据集。
（2）epochs=150: 训练的轮数设置为150轮。
（3）batch=4: 每个批次的图像数量为4（批次大小）。
（4）name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
（5）optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。
虽然在大多数深度学习任务中，GPU通常会提供更快的训练速度。
但在某些情况下，可能由于硬件限制或其他原因，用户需要在CPU上进行训练。
温馨提示：在CPU上训练深度学习模型通常会比在GPU上慢得多，尤其是像YOLOv8这样的计算密集型模型。除非特定需要，通常建议在GPU上进行训练以节省时间。
2.训练日志结果
这张图展示了使用YOLOv8进行模型训练的详细过程和结果。
训练总时长：
（1）模型在训练了150轮后，总共耗时2.148小时。
类别检测性能（mAP）：
（1）impaction（阻生牙）：检测阻生牙的 mAP50 达到了 0.91，说明模型对阻生牙的检测效果很好。
（2）caries（龋齿）：龋齿的检测效果较差，mAP50 仅为 0.294。
（3）Root Canal（根管治疗）：根管治疗的检测效果为 0.703，属于中等效果。
（4）Prosthesis（修复体）：修复体的检测效果非常好，mAP50 为 0.913。
（5）restoration（牙体修复）：牙体修复的检测效果为 0.718。
（6）root stump（残根）：残根的检测效果中等，mAP50 为 0.387。
速度：
（1）0.2ms 预处理时间
（2）1.3ms 推理时间
（3）0.7ms 后处理时间
结果保存：
（1）Results saved to runs\detect\train_v8：验证结果保存在 runs\detect\train_v8 目录下。
完成信息：
（1）Process finished with exit code 0：表示整个验证过程顺利完成，没有报错。
训练和验证过程显示模型在绝大多数类别上表现良好，特别是对“阻生牙”和“修复体”的检测效果尤为出色。对于“龋齿”的检测效果较差，需要进一步优化。模型训练顺利，验证集上的性能也证明了模型具有良好的泛化能力。
远程部署
Tipps：购买后可有偿协助安装，确保运行成功。
– 远程工具：Todesk 、向日葵远程控制软件
– 操作系统：Windows OS
– 客服QQ：3666308803
项目文件
文件目录
Tipps：完整项目文件清单如下：
项目目录
– 1.Code (完整代码：确保运行成功)
– 2.Result (运行结果：真实运行截图)
– 3.Demo (演示视频：真实运行录制)
评论(0)