随着现代社会对口腔健康问题的关注日益增强，牙齿健康已经成为影响全身健康的重要因素之一，及时有效的口腔疾病诊断显得尤为关键。
项目信息
编号：PDV-26
大小：158M
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
随着现代社会对口腔健康问题的关注日益增强，牙齿健康已经成为影响全身健康的重要因素之一，及时有效的口腔疾病诊断显得尤为关键。然而，传统的口腔疾病诊断通常依赖于专业口腔医生的经验判断，这不仅需要较长时间，且存在一定的主观性和局限性。为了克服这些挑战，基于人工智能和深度学习的口腔疾病自动检测与诊断技术逐渐成为研究热点，并在临床应用中展现出广泛的潜力。
本研究针对口腔疾病检测中的实际需求，提出了一种基于YOLOv8深度学习模型的口腔疾病牙齿检测与诊断系统。YOLOv8作为当前目标检测领域的前沿技术，具备实时性高、精度高的优势，能够在短时间内对口腔图像中的多种病变区域进行精确识别。本系统不仅能够自动检测和分类多种常见的口腔疾病，如牙石、龋齿、牙龈炎、早期蛀牙等，还可以通过直观的图形用户界面（GUI）为用户提供便捷的操作体验。该界面基于PyQt5框架开发，支持用户加载口腔图像，执行疾病检测操作，并实时查看检测结果。用户只需简单的操作即可获得详细的口腔疾病诊断信息，从而大大提升了诊断效率和准确性。
在数据集的构建和模型训练过程中，我们收集并整理了大量包含不同类型口腔疾病的标注数据，通过数据增强等技术提升模型的泛化能力。实验结果表明，该系统在多类口腔疾病检测上均表现出较高的准确率，尤其是在牙石和龋齿类别上，模型在mAP50@0.5的评估标准下取得了卓越的检测性能。模型不仅在定位精度上表现优异，且在分类任务中展现出稳健的表现，能够有效应对不同类型的口腔图像和复杂背景。
此外，本系统的优势不仅在于检测精度，还在于其高效的实时处理能力。系统通过GPU加速优化，能够在短时间内完成图像预处理、推理和后处理步骤，保证了系统的实时性。这为临床医生提供了一个高效、可靠的辅助诊断工具，特别是在口腔疾病的早期发现中具有重要意义。通过结合传统诊断手段和智能检测技术，医生可以更加精准地做出诊断决策，减少漏诊和误诊的发生，提升医疗服务质量。
基于YOLOv8的口腔疾病牙齿检测与诊断系统有效地结合了人工智能和医学影像技术，为口腔健康领域提供了一种全新的辅助诊断方式。该系统的成功实现不仅推动了口腔疾病自动检测技术的应用进程，同时也为智能医疗诊断系统的开发提供了宝贵的经验和技术支持。未来，我们将继续优化模型的检测性能，扩展其在更多医疗场景中的应用潜力，助力实现更加智能化、精确化的医疗诊断服务。
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疾病牙齿相关图像，并使用Labelimg标注工具对每张图片进行标注，分9个检测类别，分别是0:’CALCULUS’,1: ‘Gingivitis’,2: ‘Lichen’,3: ‘caries’,4: ‘decaycavity’,5: ‘earlydecay’,6: ‘healthytooth’,7: ‘missing’,8: ‘plaque’。
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
本研究使用了包含各种牙齿病症相关图像的数据集，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牙齿病症，数据集中共计包含2971张图像，其中训练集占2080张，验证集占598张，测试集占293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/valid/images 验证集的路径
test: E:/ToothDetection_v8/datasets/test/images 测试集的路径
nc: 9 模型检测的类别数，共有9个类别。
names: [‘CALCULUS’, ‘Gingivitis’, ‘Lichen’, ‘caries’, ‘decaycavity’, ‘earlydecay’, ‘healthytooth’, ‘missing’, ‘plaque’]
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）模型在训练过程中逐渐减少对边界框的预测误差，说明随着训练的进行，模型在定位目标物体时变得越来越精确。
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）随着训练的深入，分类误差逐渐减小，表示模型在识别不同类别时的性能越来越好。
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）DFL损失用于优化边界框回归的细节，随着训练的进行，损失逐渐降低，说明模型在调整边界框的位置时越来越精确。
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）这个指标在训练初期波动较大，但随着训练轮次的增加，逐渐趋于稳定。
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）召回率随着训练轮次的增加而逐渐上升，说明模型在识别更多目标时表现越来越好。
val/box_loss：
（1）这是验证集上的边界框损失曲线。
（2）验证集上的边界框损失同样在逐渐减小，表明模型在验证集上也表现得越来越好。
val/cls_loss：
（1）这是验证集上的分类损失曲线。
（2）验证集上的分类损失逐渐减小，意味着模型在验证集上的分类性能也在提升。
val/dfl_loss：
（1）这是验证集上的分布聚焦损失曲线。
（2）验证集上的分布焦点损失逐渐减少，进一步验证了模型在边界框预测上的精度有所提高。
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）随着训练轮次的增加，mAP50逐渐升高，说明模型的检测精度越来越高。
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）随着训练的进行，mAP50-95不断上升，表明模型在高精度要求下的表现也在持续提升。
这组图展示了YOLOv8模型在训练过程中的各项损失和指标变化情况。总体来看，随着训练的进行，模型的损失函数逐渐降低，评估指标逐渐提升，表明模型的检测、分类性能在不断改善。
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：
各个类别的曲线：
不同颜色的曲线代表模型在各个类别上的精度和召回率之间的关系：
（1）蓝色曲线（CALCULUS 0.970）：这条曲线的面积最大，表示这个类别（CALCULUS，牙石）的检测效果最好，mAP@0.5为 0.970，接近完美的检测效果。
（2）绿色曲线（Lichen 0.946）：这条曲线同样有很大的面积，表示苔藓（Lichen）的检测效果也非常好，mAP@0.5为 0.946。
（3）粉色曲线（healthytooth 0.905）：表示健康牙齿（healthytooth）的检测效果也非常好，mAP@0.5为 0.905。
（4）棕色曲线（earlydecay 0.800） 和 紫色曲线（decaycavity 0.876）：表示这两个类别的检测效果也较好，mAP@0.5分别为 0.800 和 0.876。
（5）橙色曲线（Gingivitis 0.296）：表示牙龈炎（Gingivitis）的检测效果较差，mAP@0.5为 0.296，检测精度和召回率都较低。
（6）灰色曲线（missing 0.100） 和 黄色曲线（plaque 0.066）：表示这两个类别的检测效果最差，特别是牙菌斑（plaque）的mAP仅为 0.066，说明模型很难准确识别这些类别。
整体mAP
（1）粗蓝线（all classes 0.609 mAP@0.5）：表示所有类别的平均性能。mAP@0.5为 0.609，这是在IoU阈值为0.5时的总体平均精度，表明整体上模型的检测效果尚可，但仍有提升空间。
总体趋势：
（1）精度和召回率都接近1，表示模型在大多数情况下都能够正确检测和分类物体。
（2）曲线接近右上角：说明模型的整体性能非常好，既能检测出大部分目标，又能保证较高的精度。
这张图展示了YOLOv8模型在不同牙科类别上的检测效果。
大部分类别（如牙石、健康牙齿、苔藓等）的检测效果很好，但某些类别（如牙龈炎、牙菌斑）的表现较差。
整体mAP为 0.609，说明模型在各类目标上的平均检测性能还可以，但对于难以识别的类别，可能需要更多的数据或更好的优化策略来提升检测效果。
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/0229.png”：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）模型检测到图片中有1个“健康牙齿” (healthytooth)。
处理速度：
（1）preprocess: 预处理耗时约为 5 毫秒。
（2）inference: 推理耗时约为 6 毫秒。
（3）postprocess: 后处理耗时约为 68.8 毫秒。
模型在这张测试图片中检测到了1颗健康牙齿（healthytooth），并且推理速度非常快，整个处理过程（预处理、推理、后处理）大约耗时80毫秒。
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牙齿检测;
（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：
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0.040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1，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。
类型（Type）:
（1）当前选中的行为类型为 “健康牙齿”，表示系统正在高亮显示检测到的“healthytooth”。
置信度（Confidence）:
（1）这表示模型对检测到的目标属于“牙结石”类别的置信度为91.14%。
（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: 28, ymin: 29：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: 617, ymax: 609：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“健康牙齿”的位置。
这张图展示了健康牙齿的一次检测结果，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，提升牙齿诊断的效率。
3.图片检测说明
（1）健康牙齿
（2）龋齿
（3）缺牙
（4）苔藓病
（5）牙结石
（6）牙菌斑
（7）牙龈炎
（8）早期龋坏
（9）蛀牙洞
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牙齿病症，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，检测到牙齿病症并显示检测结果。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，能够准确识别牙齿病症，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，检测到牙齿病症并显示检测结果。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1.450小时。
all 类别的整体表现：
（1）mAP50 = 0.609，表示在50% IoU阈值下，模型的整体平均检测精度为60.9%。
（2）mAP50-95 = 0.471，表示在从50%到95%的IoU阈值下，模型的整体平均检测精度为47.1%。
CALCULUS 类别：
（1）图像数：53，实例数：195。
（2）边界框精度为 0.94，召回率为 0.968，表示这个类别的目标检测非常准确。
（3）mAP50 = 0.97，mAP50-95 = 0.756，说明该类别在所有IoU阈值下表现优异。
Gingivitis 类别：
（1）图像数：46，实例数：80。
（2）边界框精度较低，为 0.42，召回率为 0.3。
（3）mAP50 = 0.296，mAP50-95 = 0.117，说明该类别的检测效果相对较差。
Lichen 类别：
（1）图像数：86，实例数：138。
（2）边界框精度 0.933，召回率 0.92，表示该类别的检测精度和召回率都很高。
（3）mAP50 = 0.946，mAP50-95 = 0.7，说明检测表现非常好。
caries类别：
（1）图像数：48，实例数：108。
（2）边界框精度 0.597，召回率 0.546。
（3）mAP50 = 0.525，mAP50-95 = 0.305，说明检测效果中等。
decaycavity类别：
（1）图像数：88，实例数：93。
（2）边界框精度 0.875，召回率 0.785，mAP50 = 0.876，mAP50-95 = 0.782，说明检测性能很好。
其他类别如 missing 和 plaque 的mAP50-95都较低，分别为 0.0285 和 0.0233，说明这些类别的检测效果不理想。
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。
该图展示了YOLOv8模型在不同类别上的检测性能，大多数类别的检测效果良好，但也有部分类别（如 Gingivitis 和 plaque）的检测效果较差，可能需要进一步调整模型或数据集来提升性能。
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)