Введение

Автоматическое обнаружение переломов костей — одно из применений искусственного интеллекта и машинного обучения в медицинской сфере. Он использует глубокое обучение и компьютерное зрение для обучения моделей нейронных сетей, которые могут идентифицировать переломы на рентгеновских изображениях. В этой статье мы покажем, как разработать систему обнаружения переломов костей с использованием YOLOv8, последней версии алгоритма обнаружения объектов «Вы смотрите только один раз». YOLOv8 может находить и классифицировать объекты на изображениях с высокой точностью и скоростью, что делает его пригодным для обнаружения различных типов переломов в различных сценариях. YOLOv8 может обеспечить быструю и надежную диагностику переломов костей, что может улучшить результаты лечения.

Сбор и подготовка данных

Набор данных взят из roboflow, где вы можете скачать любые данные о переломах костей из раздела кость переломана | Поиск Вселенной Roboflow. Он аннотирован, помечен и дополнен различными техниками. Он также разделен на наборы поездов, значений и тестов.

После загрузки набора данных о переломах костей он должен выглядеть следующим образом:

Загрузите корневую папку в Google Colab и убедитесь в мощи YOLOv8.

Обучение модели YOLOv8 на пользовательском наборе данных

Прежде всего вам необходимо установить Ultralytics вот этой командой:

pip install ultralytics
pip3 install ultralytics

Команды CLI в Colab:
С помощью YOLOv8 вы можете использовать интерфейс командной строки для обучения, проверки или вывода моделей для различных задач и версий без какого-либо кода или настройки. CLI прост в использовании и похож на уже известные вам сценарии. В следующем примере показано, как использовать CLI для обнаружения объектов на изображении.
для Google colab.

!pip install ultralytics

Перед обучением набора данных у вас будет такая структура папок
dataset_folder/

Для непосредственного обучения используйте эту команду

#yolov8s.yaml for building model from scratch 
!yolo task=detect mode=train model=yolov8s.yaml data= config.yaml epochs=20 imgsz=640
#yolov8s.pt if you wnat to want to load a pre-trained model
!yolo task=detect mode=train model=yolov8s.pt data= config.yaml epochs=20 imgsz=640

после обучения будет создана такая структура папок

Затем для проверки используйте следующую команду:

для проверки используйте лучшие веса, полученные в результате обучения, скопируйте путь и вставьте его в модель.

#yolov8s.yaml for building model from scratch 
!yolo task=detect mode=train model=your_path/best.pt data=config.yaml

Прогноз

вы можете использовать одно изображение или путь к папке с изображениями для прогнозов

#image folder predictions
!yolo task=detect mode=predict model=your_path/best.pt source=your_path/test/images

#single image prediction
!yolo task=detect mode=predict model=your_path/runs/detect/train2/weights/best.pt source=image_path

Если вы столкнулись с какой-либо ошибкой относительно пути к файлу или другой ошибки, пожалуйста, не стесняйтесь обращаться ко мне. Я хотел бы помочь вам и решить ваши проблемы.

Ссылка на Google Colab: https://colab.research.google.com/drive/1xc2mbGRYXyuAQ9DLfPkYhtE83dijacE0?usp=sharing

Учетная запись Github:1122coder (Malik_Kashif) (github.com)