带标注的脊椎侧弯识别数据集识别率82.5%共3199张图可识别三种级别的脊椎侧弯及健康脊椎支持YOLO、COCO JSON、VOC XML等主流标注格式文末附完整模型训练与验证代码。模型训练指标参数模型训练图数据集拆分数据集已按标准比例划分为训练集、验证集和测试集便于直接用于模型训练与评估总图数3199 张训练集2252 张约 70.4%验证集610 张约 19.1%测试集337 张约 10.5%预处理自动定向应用调整大小拉伸到 640x640增强无说明训练集用于模型参数学习验证集用于训练过程中的调参和早停判断测试集用于最终性能评估。合理的拆分比例能有效避免过拟合保证模型在未见数据上的泛化能力。数据集标签数据集包含 4 个类别覆盖三种级别的脊椎侧弯和健康脊椎[saglikli,2-derece,3-derece,1-derece]标签含义1-derece一级 / 1 度2-derece二级 / 2 度3-derece三级 / 3 度saglikli健康的有益健康的说明标签采用土耳其语命名其中derece表示“度/级别”saglikli表示“健康”。模型训练时可直接使用原始标签也可根据业务需要映射为中文或英文类别名。数据集图片和标注信息示例数据集下载数据集提供多种主流标注格式适配不同训练框架YOLO 系列yolo26、yolo v12、yolo v11、yolo v9、yolo v8、yolo v7通用格式COCO JSON、Pascal VOC XML点击下载数据集提示下载后请先核对压缩包内的目录结构确认标注文件与图片一一对应再按下一节的步骤进行模型训练。YOLO模型训练下载数据集并解压到当前文件夹后将 YOLOProject 仓库 中的训练脚本复制到数据集目录下。以 YOLOv8 为例执行以下命令即可开始训练python train_yolov8.py说明仓库中提供了适配不同 YOLO 版本的训练脚本请根据实际使用的模型版本选择对应的脚本文件。训练完成后可使用下一节的验证代码对模型效果进行测试。模糊图片在模型训练中的优势分析该数据集中包含了如果包含了一些模糊图片这并非数据缺陷而是一种精心设计的数据增强策略能为模型训练带来以下显著优势提升模型鲁棒性现实场景中可能发生在运动模糊对焦不准或光线不足的情况下。在训练集中引入模糊样本可以迫使模型学习更本质的特征而不是过度依赖清晰的边缘或纹理细节从而提升模型在复杂、非理想成像条件下的识别能力。模拟真实世界噪声监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声减少在实际部署时因图像质量下降而导致的性能骤降。防止模型过拟合如果训练集全是高清、摆拍的完美图片模型容易记住这些特定场景下的“干净”特征而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段可以增加数据分布的多样性防止模型过拟合到有限的清晰样本上。总结因此数据集中包含的模糊图片与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样都是为了构建一个更接近真实世界复杂分布的数据环境从而训练出更健壮、更泛化、更实用的模型。模型验证测试情况验证测试代码#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# 1. 加载YOLO模型 # 自动下载预训练模型(yolov8n最轻量快速)也可换 yolov8s/m/l/xmodelYOLO(best.pt)# 2. 推理配置 image_path326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg# 你的图片路径save_resultTrue# 是否保存标注后的图# 3. 执行推理 resultsmodel.predict(sourceimage_path,conf0.01,# 置信度阈值低于该值忽略saveFalse,# 关闭默认保存自定义保存verboseFalse# 关闭冗余日志)# 4. 解析结果目标区域 标注信息 print(*50)print(YOLO 推理结果目标区域 标注信息)print(*50)# 获取图片用于绘制框imgcv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxesresult.boxes# 所有检测框forboxinboxes:# 提取目标区域坐标 # xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2box.xyxy[0].cpu().numpy()# 宽高wx2-x1 hy2-y1# 提取标注信息 cls_idint(box.cls[0])# 类别IDcls_namemodel.names[cls_id]# 类别名称conffloat(box.conf[0])# 置信度# 打印信息 print(f目标{idx1}:)print(f 标注类别{cls_name})print(f 置信度{conf:.2f})print(f 目标区域坐标)print(f 左上角 ({x1:.1f},{y1:.1f}))print(f 右下角 ({x2:.1f},{y2:.1f}))print(f 宽×高{w:.1f}×{h:.1f})print(-*30)# 在图片上绘制检测框 cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f{cls_name}{conf:.2f},(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# 5. 保存/显示结果 ifsave_result:cv2.imwrite(yolo_result.jpg,img)print(✅ 标注图片已保存为yolo_result.jpg)# 显示图片可选cv2.imshow(YOLO Result,img)#cv2.waitKey(0)#cv2.destroyAllWindows()