如何用 Cellpose-SAM 快速完成细胞分割完整上手指南【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellposeCellpose-SAM 是一个通才型细胞分割工具你不用为每种图像单独训练模型装上之后拖一张荧光或明场图像进去它就能给出每个细胞和细胞核的轮廓。本文按你实际要完成的任务来组织内容——先花几分钟装好环境、跑出第一个结果再针对荧光图、3D 体积、密集细胞群等场景逐个给出做法最后教你怎么训一个只认自己数据的专属模型。准备工作三条命令装好环境系统支持 Linux、Windows 和 macOS至少 8GB 内存处理大图或 3D 体积时建议 16–32GB。按下面顺序操作即可创建独立环境conda create --name cellpose python3.12激活环境conda activate cellpose安装软件带图形界面用python -m pip install cellpose[gui]只需命令行处理则装cellpose即可装完后第一次运行会自动下载预训练模型权重所以第一次启动前请保持网络通畅。如果你有 NVIDIA 显卡且装了 CUDA 版 PyTorch它会自动启用 GPU 加速无需额外配置启动 GUI 时命令行会显示 CUDA 版本可据此确认 GPU 生效。更多安装细节可参考 docs/installation.rst。第一次跑通拖入图片10 秒拿到结果打开终端运行python -m cellpose启动图形界面把任意一张图片.tif、.png、.jpg均可拖进窗口在模型下拉框中选择模型默认cpsam_v2适合绝大多数场景确认要分割的通道点击calibrate让工具自动估算细胞大小或手动输入细胞直径像素后回车点击run segmentation进度条走完你会看到图像上覆盖了一层彩色细胞掩码——这就是你的第一个分割结果。按左右方向键可以翻到同文件夹的下一张图继续分割对不满意的区域可以右键框选 ROI 手动修正。场景一批量分割一个文件夹的荧光图 目标几十上百张图不想一张张点一键全跑完。做法用命令行代替 GUI指定文件夹并保存结果python -m cellpose --dir /path/to/images --diameter 30 --save_tif--diameter是你的细胞直径估计值像素不确定时可以先在 GUI 里 calibrate 看一眼。加--verbose可以看到每张图的进度日志。你会看到什么效果原文件夹旁生成一批带_seg.npy和掩码后缀的文件GUI 也可以打开这些文件回看结果。处理速度上普通笔记本跑单张演示图通常只需几秒图像越大越慢建议把细胞尺寸控制在 100 像素以内以获得最佳效果。场景二处理 3D 体积数据 目标拿到 Z 轴方向上连续多层的 3D 数据得到每个细胞的完整三维轮廓。做法确认你的 TIFF 是Z x 通道 x Y x X或Z x Y x X形状用python -m cellpose --Zstack启动 3D 模式 GUI拖入 TIFF 后自动按 3D 分割若 Z 向采样间距与 XY 不同设置anisotropy比如 Z 向密度是一半就设为2.0看到细胞沿 Z 轴断裂或出现环状伪影时调高flow3D_smooth例如[2, 0, 0]对 Z 向做高斯平滑命令行下对整文件夹做 3D 分割加上--do_3D即可。3D 分割默认采用 2.5D 策略在 YX、ZY、ZX 三个方向分别计算流向再取平均最后做 3D 动力学生成掩码所以正交视图GUI 左下角可开启很适合用来检查侧面是否分割正常。参数说明详见 docs/do3d.rst。你会看到什么效果GUI 中逐层滚动时同一个细胞在不同 Z 层被一致地染成同一颜色用stitch_threshold缝合模式时跨层的相近掩码IoU 0.9会被自动合并。场景三密集细胞群的调参清单 目标细胞挤在一起、边界模糊默认参数漏检或把两个细胞并成一个。做法按优先级逐个调整每次只改一项看效果再动下一项参数调法作用diameter贴近真实细胞直径尺寸估计错了后面的参数怎么调都不对cellprob_threshold调低默认 0找回更多、更大的细胞但误检可能增加flow_threshold默认 0.4调低或设 0放宽流向质量过滤找回被丢弃的区域min_size调高默认 15 像素去掉小碎块误检niter对又大又长的细胞调到 2000让掩码生长的迭代跑够轮数你会看到什么效果调参得当后原本粘连的细胞被切开成独立掩码背景中的零星误检被min_size清理掉。这些参数都在命令行和model.eval中同名可用改完重跑同一张图对比即可。场景四多通道与不同通道顺序目标图像有多个通道如细胞质 细胞核想全部用上。做法当前版本默认使用全部通道不再需要手动挑通道如果通道轴或 Z 轴不在常见位置用--channel_axis和--z_axis指定轴编号即可。工具对通道顺序、对比度反转、噪声和模糊都做了不变性处理所以不必为了格式正确而折腾预处理。你会看到什么效果分割结果直接覆盖所有对象无需先拆通道分别跑再手动拼合。场景五跑不动的大数据集用分布式分割 目标上万张图在单机上跑不完想用多机多核并行。做法项目提供了分布式分割脚本 cellpose/contrib/distributed_segmentation.py把任务切到多个 CPU/节点上并行并配置临时文件目录避免磁盘占满。适合夜间挂机式的批量任务。你会看到什么效果整体耗时近似按并行数线性下降输出仍是标准的_seg.npy与掩码文件和单机结果完全一致。进阶训练一个只认你数据的模型 预训练模型已经很强但当你的成像条件很特殊特殊染料、特殊样品制备时微调几个 epoch 往往再上一个台阶。Cellpose-SAM 支持人机在环训练你在 GUI 里修正分割结果这些修正直接变成训练标签。准备标注把已分割并人工修正过的结果存为_seg.npy或准备_masks.tif标注文件0 为背景1、2…为不同细胞编号与图像成对放在同一目录启动训练推荐配置python -m cellpose --train --dir /abs/path/train/ --test_dir /abs/path/test/ --learning_rate 0.00001 --weight_decay 0.1 --n_epochs 100 --train_batch_size 1验证训练结束后模型保存在数据目录的models/子文件夹中在 GUI 的 Models 菜单里添加它或用--pretrained_model /full/path/to/model指定在测试集上确认精度提升完整训练选项学习率、批大小、保存频率等见 docs/train.rst。一个实用技巧如果 3D 分割总不理想可以用自己 3D 数据的 2D 切片单独训一个模型往往比只调参数更有效。排错速查现象 → 应对你看到的现象最可能的原因与应对启动时模型下载卡住网络不通。手动下载权重放入用户目录下的.cellpose/models/再启动GUI 点击无反应不是卡死是在计算。分割中界面不响应输入看终端进度即可大图建议上 GPU分割结果整体偏少调低cellprob_threshold并检查diameter是否填大掩码 PNG 打开后上暗下亮正常现象像素值就是细胞编号。在 ImageJ 中换 LUT 或阈值 0 显示3D 掩码沿 Z 轴碎裂增大flow3D_smooth或改用stitch_threshold缝合方案旧参数--chan、--restore_type等提示废弃v4 起默认使用全部通道这些参数已不再需要直接去掉即可分割精度评估该以什么为准以人眼标注为准同一批图人工标两次算出精度上限模型达到或超过它即可放心用下一步建议与版本特性装好之后建议按这个顺序走先用 GUI 把单张图跑通 → 用命令行批处理一个文件夹 → 遇到顽固数据再进入训练流程。分割结果可以直接导入 ImageJ 做后续形态学分析整个工作流如下版本信息当前版本为 v4.22026 年 6 月更新新增基于 DINOv3 的cpdino、cpdino-vitb模型cpsam_v2模型降低了低对比度区域的误检v3.1 起支持大数据分布式处理、3D 分割优化flow3D_smooth、正交视图模型与 2D/3D 的 GPU 加速掩码生成并对 Mac SiliconMPS有更好的支持。【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何用 Cellpose-SAM 快速完成细胞分割？完整上手指南
如何用 Cellpose-SAM 快速完成细胞分割完整上手指南【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellposeCellpose-SAM 是一个通才型细胞分割工具你不用为每种图像单独训练模型装上之后拖一张荧光或明场图像进去它就能给出每个细胞和细胞核的轮廓。本文按你实际要完成的任务来组织内容——先花几分钟装好环境、跑出第一个结果再针对荧光图、3D 体积、密集细胞群等场景逐个给出做法最后教你怎么训一个只认自己数据的专属模型。准备工作三条命令装好环境系统支持 Linux、Windows 和 macOS至少 8GB 内存处理大图或 3D 体积时建议 16–32GB。按下面顺序操作即可创建独立环境conda create --name cellpose python3.12激活环境conda activate cellpose安装软件带图形界面用python -m pip install cellpose[gui]只需命令行处理则装cellpose即可装完后第一次运行会自动下载预训练模型权重所以第一次启动前请保持网络通畅。如果你有 NVIDIA 显卡且装了 CUDA 版 PyTorch它会自动启用 GPU 加速无需额外配置启动 GUI 时命令行会显示 CUDA 版本可据此确认 GPU 生效。更多安装细节可参考 docs/installation.rst。第一次跑通拖入图片10 秒拿到结果打开终端运行python -m cellpose启动图形界面把任意一张图片.tif、.png、.jpg均可拖进窗口在模型下拉框中选择模型默认cpsam_v2适合绝大多数场景确认要分割的通道点击calibrate让工具自动估算细胞大小或手动输入细胞直径像素后回车点击run segmentation进度条走完你会看到图像上覆盖了一层彩色细胞掩码——这就是你的第一个分割结果。按左右方向键可以翻到同文件夹的下一张图继续分割对不满意的区域可以右键框选 ROI 手动修正。场景一批量分割一个文件夹的荧光图 目标几十上百张图不想一张张点一键全跑完。做法用命令行代替 GUI指定文件夹并保存结果python -m cellpose --dir /path/to/images --diameter 30 --save_tif--diameter是你的细胞直径估计值像素不确定时可以先在 GUI 里 calibrate 看一眼。加--verbose可以看到每张图的进度日志。你会看到什么效果原文件夹旁生成一批带_seg.npy和掩码后缀的文件GUI 也可以打开这些文件回看结果。处理速度上普通笔记本跑单张演示图通常只需几秒图像越大越慢建议把细胞尺寸控制在 100 像素以内以获得最佳效果。场景二处理 3D 体积数据 目标拿到 Z 轴方向上连续多层的 3D 数据得到每个细胞的完整三维轮廓。做法确认你的 TIFF 是Z x 通道 x Y x X或Z x Y x X形状用python -m cellpose --Zstack启动 3D 模式 GUI拖入 TIFF 后自动按 3D 分割若 Z 向采样间距与 XY 不同设置anisotropy比如 Z 向密度是一半就设为2.0看到细胞沿 Z 轴断裂或出现环状伪影时调高flow3D_smooth例如[2, 0, 0]对 Z 向做高斯平滑命令行下对整文件夹做 3D 分割加上--do_3D即可。3D 分割默认采用 2.5D 策略在 YX、ZY、ZX 三个方向分别计算流向再取平均最后做 3D 动力学生成掩码所以正交视图GUI 左下角可开启很适合用来检查侧面是否分割正常。参数说明详见 docs/do3d.rst。你会看到什么效果GUI 中逐层滚动时同一个细胞在不同 Z 层被一致地染成同一颜色用stitch_threshold缝合模式时跨层的相近掩码IoU 0.9会被自动合并。场景三密集细胞群的调参清单 目标细胞挤在一起、边界模糊默认参数漏检或把两个细胞并成一个。做法按优先级逐个调整每次只改一项看效果再动下一项参数调法作用diameter贴近真实细胞直径尺寸估计错了后面的参数怎么调都不对cellprob_threshold调低默认 0找回更多、更大的细胞但误检可能增加flow_threshold默认 0.4调低或设 0放宽流向质量过滤找回被丢弃的区域min_size调高默认 15 像素去掉小碎块误检niter对又大又长的细胞调到 2000让掩码生长的迭代跑够轮数你会看到什么效果调参得当后原本粘连的细胞被切开成独立掩码背景中的零星误检被min_size清理掉。这些参数都在命令行和model.eval中同名可用改完重跑同一张图对比即可。场景四多通道与不同通道顺序目标图像有多个通道如细胞质 细胞核想全部用上。做法当前版本默认使用全部通道不再需要手动挑通道如果通道轴或 Z 轴不在常见位置用--channel_axis和--z_axis指定轴编号即可。工具对通道顺序、对比度反转、噪声和模糊都做了不变性处理所以不必为了格式正确而折腾预处理。你会看到什么效果分割结果直接覆盖所有对象无需先拆通道分别跑再手动拼合。场景五跑不动的大数据集用分布式分割 目标上万张图在单机上跑不完想用多机多核并行。做法项目提供了分布式分割脚本 cellpose/contrib/distributed_segmentation.py把任务切到多个 CPU/节点上并行并配置临时文件目录避免磁盘占满。适合夜间挂机式的批量任务。你会看到什么效果整体耗时近似按并行数线性下降输出仍是标准的_seg.npy与掩码文件和单机结果完全一致。进阶训练一个只认你数据的模型 预训练模型已经很强但当你的成像条件很特殊特殊染料、特殊样品制备时微调几个 epoch 往往再上一个台阶。Cellpose-SAM 支持人机在环训练你在 GUI 里修正分割结果这些修正直接变成训练标签。准备标注把已分割并人工修正过的结果存为_seg.npy或准备_masks.tif标注文件0 为背景1、2…为不同细胞编号与图像成对放在同一目录启动训练推荐配置python -m cellpose --train --dir /abs/path/train/ --test_dir /abs/path/test/ --learning_rate 0.00001 --weight_decay 0.1 --n_epochs 100 --train_batch_size 1验证训练结束后模型保存在数据目录的models/子文件夹中在 GUI 的 Models 菜单里添加它或用--pretrained_model /full/path/to/model指定在测试集上确认精度提升完整训练选项学习率、批大小、保存频率等见 docs/train.rst。一个实用技巧如果 3D 分割总不理想可以用自己 3D 数据的 2D 切片单独训一个模型往往比只调参数更有效。排错速查现象 → 应对你看到的现象最可能的原因与应对启动时模型下载卡住网络不通。手动下载权重放入用户目录下的.cellpose/models/再启动GUI 点击无反应不是卡死是在计算。分割中界面不响应输入看终端进度即可大图建议上 GPU分割结果整体偏少调低cellprob_threshold并检查diameter是否填大掩码 PNG 打开后上暗下亮正常现象像素值就是细胞编号。在 ImageJ 中换 LUT 或阈值 0 显示3D 掩码沿 Z 轴碎裂增大flow3D_smooth或改用stitch_threshold缝合方案旧参数--chan、--restore_type等提示废弃v4 起默认使用全部通道这些参数已不再需要直接去掉即可分割精度评估该以什么为准以人眼标注为准同一批图人工标两次算出精度上限模型达到或超过它即可放心用下一步建议与版本特性装好之后建议按这个顺序走先用 GUI 把单张图跑通 → 用命令行批处理一个文件夹 → 遇到顽固数据再进入训练流程。分割结果可以直接导入 ImageJ 做后续形态学分析整个工作流如下版本信息当前版本为 v4.22026 年 6 月更新新增基于 DINOv3 的cpdino、cpdino-vitb模型cpsam_v2模型降低了低对比度区域的误检v3.1 起支持大数据分布式处理、3D 分割优化flow3D_smooth、正交视图模型与 2D/3D 的 GPU 加速掩码生成并对 Mac SiliconMPS有更好的支持。【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
