超声图像甲状腺结节检测数据集5000张yolovoccoco三种标注方式图像尺寸:500*718类别数量:2类训练集图像数量:4508; 验证集图像数量:294 测试集图像数量:198类别名称: 每一类图像数 每一类标注数0 良性结节: 1426,14261 恶性结节: 3574,3574image num: 5000数据集关键信息图像尺寸500 × 718 像素类别数量2 类数据划分训练集4508 张图像验证集294 张图像测试集198 张图像类别详情0 - 良性结节图像 1426 张标注框 1426 个1 - 恶性结节图像 3574 张标注框 3574 个总计图像数量5000 张。一、甲状腺结节超声图像检测数据集详情表项目详细参数数据集名称甲状腺结节超声图像检测数据集总图像数量5000张单张图像尺寸500×718标注格式YOLO、VOC、COCO 三种通用格式分类类别共2类类别0良性结节图像数1426张标注框数1426个类别1恶性结节图像数3574张标注框数3574个训练集4508张验证集294张测试集198张配套内容数据集YOLOv11训练测试全源码PyQt5可视化界面全套源码模型代码采用 YOLOv11n 网络训练训练轮次80 个 epoch提供全部训练 测试源代码训练精度 mAP 效果如图所示PyQt5 界面功能界面使用 PyQt5 开发提供全部源码.ui、.qrc、.py 及图标文件支持图片检测、视频检测、摄像头实时检测界面实时显示目标位置、目标总数、置信度等信息支持检测结果保存导出操作简单直观无需命令行二、YOLOv11 完整训练代码# YOLOv11 甲状腺结节检测训练代码fromultralyticsimportYOLOimportwarnings warnings.filterwarnings(ignore)deftrain_thyroid_nodule():# 加载轻量化YOLOv11n模型modelYOLO(yolo11n.pt)# 模型训练配置train_resultsmodel.train(datathyroid_nodule.yaml,# 数据集配置文件路径epochs80,# 训练轮次 80 epochimgsz500,# 匹配图像尺寸 500×718batch16,# 批次大小可根据显卡调整device0,# 使用GPU无GPU改为 devicecpuworkers4,patience10,saveTrue,valTrue,verboseTrue,projectruns/train,namethyroid_yolo11n)print(训练完成)returntrain_results# 模型测试/评估deftest_model():modelYOLO(runs/train/thyroid_yolo11n/weights/best.pt)metricsmodel.val(datathyroid_nodule.yaml,imgsz500)print(fmAP0.5:{metrics.box.map50:.4f})print(fmAP0.5:0.95:{metrics.box.map:.4f})# 单张图像推理演示defpredict_img(img_path):modelYOLO(runs/train/thyroid_yolo11n/weights/best.pt)resultsmodel.predict(sourceimg_path,imgsz500,saveTrue,conf0.5)returnresultsif__name____main__:train_thyroid_nodule()test_model()配套thyroid_nodule.yaml配置文件# 甲状腺结节数据集配置path:./datasets/thyroid# 数据集根目录train:images/trainval:images/valtest:images/test# 类别信息names:0:良性结节1:恶性结节nc:2三、PyQt5 检测界面核心说明配套文件.ui界面文件、.qrc资源文件、.py运行源码、图标素材开箱即用核心功能静态图片检测、本地视频检测、电脑摄像头实时检测实时展示目标坐标、检测总数、置信度分数检测结果图片/数据一键导出保存纯图形化操作无需命令行四、应用场景医疗辅助诊断医院超声科、体检中心辅助医生快速筛查甲状腺良恶性结节提升诊断效率医学科研高校、医疗机构开展甲状腺影像AI算法研究、论文实验、模型对比课程实训计算机视觉、医学影像分析专业教学、毕设、课程设计项目智能医疗设备开发便携式超声仪、智能影像分析终端算法集成算法竞赛医疗影像目标检测类竞赛数据集与基线模型