基于YOLOv11m_GAM_Attention的肺结节检测系统

项目结构

本项目基于Ultralytics官方代码进行改进，目录结构如下：

lung-nodule-detection/ │ ├── app.py # Flask应用程序主入口 ├── detect.py # YOLO检测模块 ├── best.pt # 预训练权重文件（基于YOLOv11训练得到） ├── requirements.txt # 项目依赖文件 │ ├── static/ # 静态资源目录 │ ├── uploads/ # 用户上传图像存储 │ ├── results/ # 检测结果存储 │ ├── images/ # 系统图片资源 │ │ └── yolov11.jpg # 系统背景图 │ └── fonts/ # 字体文件 │ └── simhei.ttf # 中文字体文件 │ └── templates/ # 前端模板 ├── index.html # 主界面模板 └── exit.html # 退出页面模板

功能特点

本系统具备以下核心功能：

• 图像上传：支持PNG/JPG/JPEG格式的肺部CT图像
• 智能检测：采用YOLOv11m_GAM_Attention模型进行肺结节检测
• 可视化展示：
  • 标注目标框、类别和置信度的检测图像
  • 实时检测耗时统计
  • 目标数量统计
• 数据输出：
  • 目标位置坐标（xmin, ymin, xmax, ymax）
  • 目标类别及置信度详情
  • 可导出CSV格式的检测报告

安装与运行

环境部署步骤：

2. 安装依赖：

   pipinstall-rrequirements.txt

3. 文件准备：

   • 将GAMA_YOLO11m模型权重置于项目根目录
   • 中文字体放入static/fonts/目录

4. 创建必要目录：

   mkdir-pstatic/uploads static/results static/fonts

5. 启动服务：

   python app.py

6. 访问系统：

   http://localhost:5000

使用说明

1. 通过主页"选择文件"按钮上传CT图像
2. 系统自动处理并显示检测结果
3. 功能操作区：
   • 使用目标选择器切换查看不同检测目标
   • 查看底部详细检测数据表格
   • 点击"保存"导出CSV报告
   • 点击"退出"安全关闭系统

YOLOv11m_GAM_Attention模型

性能对比表：

模型架构创新：

1. 注意力机制设计：

   • 通道注意力子模块：采用3D排列+双层MLP结构
   • 空间注意力子模块：基于卷积的空间信息融合

2. 技术优化：

   • 避免最大池化操作以减少信息损失
   • 采用分组卷积+通道混洗控制参数增长
   • 在P3/P4/P5特征层均集成GAM模块

3. 应用效果：

   • 专为肺结节检测任务优化
   • 显著提升对小目标的检测灵敏度
   • 较基准模型mAP50提升3.4%