- 综合排序
- 最热优先
- 最新优先
- 来自专栏ATYUN订阅号
机器学习项目：使用Keras和tfjs构建血细胞分类模型
血细胞数据集 数据集就像数据科学家的金矿一样，如果数据集可用于特定问题，它可以减少工程团队所需的大量工作，因为不需要开发其他东西来收集和存储数据。 数据集：https://www.kaggle.com/paultimothymooney/blood-cells 数据集结构：数据集包含12,500个血细胞增强图像。 血细胞数据集的类别 每个类包含3000个图像。该图显示了每个类的示例图像： ? 来自四个类的示例图像 我将每个图像的大小减小到（80x80x3），以便训练。
1.9K30发布于 2018-09-26 - 来自专栏云上修行
DINOv3目标检测入门实战：基于血细胞分类的完整实现
本文将详细介绍如何使用DINOv3进行目标检测任务，以血细胞分类为例，展示从数据准备到模型训练再到推理部署的完整流程。1. 概述目标：训练一个模型，可以输入一张血细胞图片，认出血细胞中的血小板、红细胞、白细胞并获得它们的位置。 4.1 完整训练脚本训练脚本 bccd_rf_train.py 的主要流程：参数解析和环境设置数据路径验证DINOv3模型加载特征提取（训练集和验证集）数据平衡处理随机森林训练模型评估模型和配置保存"""血细胞分类训练脚本 = 'cpu'def print_header(args: argparse.Namespace): """打印程序标题和配置信息""" print("="*80) print("血细胞分类训练 训练输出训练过程会输出详细的统计信息：================================================================================血细胞分类训练
2.3K33编辑于 2025-10-23 - 来自专栏WD学习记录
机器学习 学习笔记（11） 贝叶斯分类器
的样本误分类为 ? 所产生的损失，则基于后验概率 ? 可获得将样本x分类为 ? 所产生的期望损失，记在样本x上的条件风险 ? 希望找到一个判定准则h以最小化总体风险 ? ，于是，最小化分类错误率的贝叶斯最优分类器为 ? ，即对每个样本x，选择能使后验概率P(c|x)最大的类别标记。 要求解 ? ，主要有两种策略：给定x，可通过直接建模 ? 朴素贝叶斯分类器 朴素贝叶斯分类器采用了属性条件独立假设：对已知类别，假设所有属性相互独立，换言之，假设每个属性独立地对分类结果产生影响。 基于属性条件独立假设： ? d为属性数目， ? ，这就是朴素贝叶斯分类器的表达式。 显然，朴素贝叶斯分类器的训练过程就是基于训练集D来估计类先验概率P(c)，并为每个属性估计P(xi|c)。 半朴素贝叶斯分类器 对属性条件独立性假设进行一定程度的放松，产生了半朴素贝叶斯分类器。
1.7K30发布于 2018-09-04 - 来自专栏单细胞天地
人血细胞的单细胞转录组图谱
意义：提供了单细胞分辨率的人血细胞转录图谱，从而为探索生理和病理造血提供了全面的参考。 他们接着整合了所有造血细胞的单细胞转录组图谱，然后通过UMAP进行降维和可视化。 然而，在单细胞水平下lncRNAs在造血细胞中的表达谱尚未见报道。因此，他们基于lncRNA表达水平，构建一个包含7192个血细胞的转录图谱。 Atlas 总结 该研究借助单细胞转录组深度测序技术，覆盖了从造血干细胞到祖细胞再到各谱系成熟血细胞在内的32种类型的血细胞，绘制了人全血细胞的精细分子图谱。 总的来说，该研究图谱全面地整合了血细胞的转录组信息和免疫表型信息，为后续血液生理学和病理学研究提供了重要的血细胞注释依据和参考价值。
1.3K20编辑于 2022-03-14 - 来自专栏最新医学影像技术
CBC2019——全血细胞自动识别计数 (CBC)
今天将分享全血细胞自动识别计数 (CBC)完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 一、CBC2019介绍 全血细胞 (CBC) 计数是医疗专业人员经常要求评估健康状况的重要测试。血液主要是三种细胞：红细胞（RBC）、白细胞（WBC）和血小板。 红细胞是最常见的血细胞类型，占血细胞的 40-45% 。血小板在血液中也大量存在。白细胞，仅占血细胞总数的 1%。红细胞将氧气输送到身体组织，组织接收的氧气量受到红细胞数量的影响。 由于这些血细胞数量巨大，使用血细胞计数板的传统手动血细胞计数系统非常耗时且容易出错，并且大多数情况下的准确性在很大程度上取决于临床实验室分析人员的技能。 三、CBC2019数据集 全血细胞计数 (CBC) 数据集包含360个血涂片图像及其注释文件，分为训练集、测试集和验证集。
49110编辑于 2024-03-02 - 来自专栏DeepHub IMBA
11个常见的分类特征的编码技术
器学习算法只接受数值输入，所以如果我们遇到分类特征的时候都会对分类特征进行编码，本文总结了常见的11个分类变量编码方法。 这种方法非常简单，但对于表示无序数据的分类变量是可能会产生问题。比如：具有高值的标签可以比具有低值的标签具有更高的优先级。 因为考虑到分类的特征记录被排除在训练数据集外，因此被称为“Leave One Out”。 对特定类别变量的特定值的编码如下。 ci = (Σj ! featucalculate:到目前为止已经看到的、具有与此相同值的分类特征的总数。 11、 Sum Encoder Sum Encoder将类别列的特定级别的因变量(目标)的平均值与目标的总体平均值进行比较。
1.7K30编辑于 2023-01-18 天气识别分类数据集6862张11类别
数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：6862 分类类别数：11 类别名称:["dew","fogsmog","frost","glaze" 232 rime 图片数：1160 sandstorm 图片数：692 snow 图片数：621 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放
15000编辑于 2025-07-15使用纯opencvsharp部署yolov11-onnx图像分类模型
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 使用纯OpenCvSharp部署YOLOv11-ONNX图像分类模型是一项复杂的任务 推理与后处理：将预处理后的图像输入到模型中，获取分类结果。对结果进行后处理，包括解析输出、应用非极大值抑制（如果需要）等，以获得最终的分类结果。 显示结果：将分类结果显示在界面上，可以通过OpenCvSharp的图像显示功能实现。 值得注意的是，YOLOv11是一个复杂的模型，其输出可能包含多个层的信息，因此需要仔细解析模型输出，并根据YOLOv11的具体实现进行后处理。 总之，使用纯OpenCvSharp部署YOLOv11-ONNX图像分类模型需要深入理解YOLOv11的模型架构、OpenCvSharp的DNN模块以及ONNX格式。
55901编辑于 2025-07-22使用onnxruntime部署yolov11-cls图像分类onnx模型
如果只需要opencv去部署yolov11分类模型可以参考博文：https://blog.csdn.net/FL1623863129/article/details/142734819? spm=1001.2014.3001.5501 本文和 opencv去部署yolov11分类模型区别是：opencv部署推理核心使用opencv自带api，而本文推理核心用的onnxruntime，opencv 使用C++和ONNX Runtime部署YOLOv11-CLS图像分类ONNX模型，涉及到以下几个关键步骤： 环境配置：首先，需要安装ONNX Runtime库，可以通过从ONNX Runtime的GitHub 这将返回模型的输出，通常是一个包含分类结果的张量。 结果处理：解析模型的输出，提取有用的信息（如分类标签和置信度），并根据需要进行进一步的处理或可视化。 通过以上步骤，可以在C++中使用ONNX Runtime成功部署YOLOv11-CLS图像分类模型，实现高效的图像分类任务。
80610编辑于 2025-07-22- 来自专栏机器学习/数据可视化
kaggle实战-基于机器学习肾脏病预测
一般在kaggle，分类问题LGBM高频使用，且效果一般都比较好 树模型中，以决策树为基础，效果都有所提升。 ，红细胞在血液中所占容积比 wc：white_blood_cell_count，白血细胞计数 rc：red_blood_cell_count，红血细胞计数 htn：hypertension，是否有【高血压 classification：分类结果，是否患病 字段预处理 下面我们对部分字段进行处理 字段classification 最终分类结果的处理 In [11]: df["classification"] : int64 年龄age In [14]: px.violin(df,y="age",color="classification") pcv：packed_cell_volume（PCV） PCV-血细胞压积 = "object"] 分类型变量取值 下面查看分类型变量的不同取值情况： In [30]: for col in cat_cols: print("变量:", col) print(df
1.1K30编辑于 2023-08-25 - 来自专栏AI技术体系搭建过程
面试刷题11:java系统中io的分类有哪些？
随着分布式技术的普及和海量数据的增长，io的能力越来越重要，java提供的io模块提供了足够的扩展性来适应。 我是李福春，我在准备面试，今天的问题是： java中的io有哪几种？ java中的io分3类： 1，BIO ,即同步阻塞IO,对应java.io包提供的工具；基于流模型，虽然直观，代码实现也简单，但是扩展性差，消耗资源大，容易成为系统的瓶颈； 2，NIO，同步非阻塞io,对应java.nio包提供的工具，基于io多路复用； 核心类：Channel ,Selector , Buffer , Charset selector是io多路复用的基础，实现了一个线程高效管理多个客户端连接，通过事件监听处理感兴趣的事件。 3，AIO,即异步非阻塞io, 基于事件和回调
19110编辑于 2025-07-01 使用纯opencv部署yolov11-cls图像分类onnx模型
【算法介绍】 在C++中使用纯OpenCV部署YOLOv11-cls图像分类ONNX模型是一项具有挑战性的任务，因为YOLOv11通常是用PyTorch等深度学习框架实现的，而OpenCV本身并不直接支持加载和运行 将YOLOv11-cls模型从PyTorch转换为ONNX格式，这通常涉及使用PyTorch的torch.onnx.export函数。 将预处理后的图像输入到模型中，并获取分类结果。 对分类结果进行后处理，包括解析输出等。 需要注意的是，由于YOLOv11是一个复杂的模型，其输出可能包含多个层的信息，因此需要仔细解析模型输出，并根据YOLOv11的具体实现进行后处理。 总之，使用纯OpenCV在C++中部署YOLOv11-cls图像分类模型需要深入理解YOLOv11的模型架构、OpenCV的DNN模块以及ONNX格式。
57410编辑于 2025-07-22血细胞检测数据集VOC+YOLO格式2757张4类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2757 标注数量(xml文件个数)：2757 标注数量(txt文件个数)：2757 标注类别数：4 标注类别名称:["Platelets","RBC","WBC","sickle cell"] 每个类别标注的框数： Platelets 框数 = 2235 RBC 框数 = 39206 WBC 框数 = 2285 sickle cell 框数 = 2417 总框数：46143 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
31610编辑于 2025-07-16- 来自专栏机器学习技术分享
11. HanLP实现朴素贝叶斯SVM--文本分类
笔记转载于GitHub项目：https://github.com/NLP-LOVE/Introduction-NLP 11. 文本分类 上一章我们学习了 文本聚类，体验了无须标注语料库的便利性。 load_text_classification_corpus.py https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch11 /tree/master/code/ch11/text_classification.py 运行结果如下: 《C罗获2018环球足球奖最佳球员 德尚荣膺最佳教练》 属于分类 【体育】 《英国造航母耗时 有关支持向量机(SVM)的原理详见我的博客，这里不加详细介绍: http://mantchs.com/2019/07/11/ML/SVM/ 线性支持向量机文本分类器实现 实现代码详见: svm_text_classification.py 第 6 章：条件随机场与序列标注 第 7 章：词性标注 第 8 章：命名实体识别 第 9 章：信息抽取 第 10 章：文本聚类 第 11 章：文本分类 第 12 章：依存句法分析 第 13 章：深度学习与自然语言处理
1.9K10发布于 2020-02-21 生成式AI如何以更高精度辅助血细胞疾病诊断
生成式AI在血液诊断领域的突破一种新的人工智能系统通过检查血细胞的形状和结构，可以显著改善白血病等疾病的诊断方式。 超越模式识别许多现有的医疗AI工具经过训练，可以将图像分类到预定义的类别中。 相比之下，CytoDiffusion团队的研究表明，他们的方法能够识别正常血细胞外观的全部范围，并可靠地标记出可能预示疾病的罕见或异常细胞。 该数据集被描述为同类中规模最大的，包含了常见的血细胞类型、罕见样本以及经常使自动化系统混淆的特征。该AI并非简单地学习如何将细胞分离到固定的类别中，而是模拟了血细胞可能出现的全部外观范围。 当AI生成的图像迷惑人类专家时研究团队还发现，CytoDiffusion可以生成与真实血细胞图像难以区分的合成图像。
11400编辑于 2026-01-24- 来自专栏AiCharm
YOLO系列改进 | YOLOF的小小改进升级之轻量化TE-YOLOF
显微图像中的血细胞检测是医学图像处理研究的一个重要分支。由于人工检查血细胞的疾病检测处理时间较长且容易误检，因此使用基于卷积神经网络的目标检测方法来检测血细胞可以被看做一种比较可行的解决方案。 在BCCD数据集上的大量实验证明了所提出的模型的有效性，该模型比其他现有的血细胞检测模型更有效。 1、简介 显微图像中的血细胞分析通过识别不同的细胞对象在疾病识别领域中起着至关重要的作用。 在血细胞领域，血液中有三种重要成分：白细胞（WBC）、红细胞（RBC）和血小板。这些血细胞的比例和数量严重影响医生对疾病的判断。 如图2所示，解码器由两个并行的任务专用头组成：分类头和回归头。 回归头上有4个纵向可分离卷积模块，而分类头上只有2个。 深度可分离卷积模块的架构如图4所示。模块中的每个卷积层之后是BN层和Mish层。 分类分数的最终预测是通过将分类输出与objectness预测相乘而得到的。 4.其他 在该目标检测算法中使用NMS以确保检测器仅检测每个目标一次。将移除与最高分数超过阈值的框重叠的检测到的框。
77831编辑于 2023-05-15 - 来自专栏站长的编程笔记
【说站】Windows 11来袭，微软改变默认应用的分类方式！
Windows 11来袭，微软改变默认应用的分类方式！ 或许有人说，“直接去设置里选择一下默认浏览器就行了”，但是值得注意的是，微软已经改变了 Windows 11 中默认应用程序的分配方式。 然而，Windows 11 中是按照文件或链接类型设置默认值。 我希望这只是开发者预览版，Windows 11 的正式版符合他们的要求。这距离’选择’一词相差甚远。” Windows 11 将随着时间的推移继续不断发展，如果我们从用户体验中了解到有改进的方法，我们会这样做。” 以上就是微软改变默认应用分类方式的介绍，希望对大家有所帮助。更多精彩内容分享：头条
61910编辑于 2022-11-24 - 来自专栏最新医学影像技术
TBX11K2020——结核病分类和检测挑战赛
今天将分享结核病分类和检测挑战赛完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 一、TBX11K2020介绍 结核病作为一种严重的传染病，是全世界人类健康的主要威胁之一，每年导致数百万人死亡。尽管早期诊断和治疗可以大大提高生存机会，但它仍然是一个重大挑战，特别是在发展中国家。 二、TBX11K2020任务 结核病分类（健康，病态但非结核病和结核病），结核病区域检测（活动性结核病和潜伏性结核病）。 三、TBX11K2020数据集 TBX11K 数据集包含 11200 张 X 射线图像，以及结核病 （TB） 区域的相应边界框注释。所有图像的尺寸为 512x512。 评估：分类使用准确率，ROC曲线面积，敏感性，特异性，平均精度和平均召回率；检测使用检测框的平均精度（AP）。 测试提交要求： 分类结果应放在“.txt”文件中，如 $FILE_NAME.txt。
54611编辑于 2023-12-13 - 来自专栏YOLO大作战
《YOLO医学影像检测》专栏介绍 & 独家改进实战
YOLO医学影像检测：http://t.csdnimg.cn/N4zBP✨✨✨实战医学影像检测项目，通过创新点验证涨点可行性；✨✨✨入门医学影像检测到创新，不断打怪进阶； 1.血细胞检测介绍数据来源于医疗相关数据集 ，目的是解决血细胞检测问题。 然而通过显微镜手动查看样品是一个繁琐的过程，这也是深度学习模式能够发挥重要作用的地方，YOLOv8可以从显微图像中分类和检测血细胞，并且达到很高的精确度。 2.改进创新点介绍2.1 动态蛇形卷积（Dynamic Snake Convolution），增强细长微弱特征 | ICCV2023Dynamic Snake Convolution | 亲测在血细胞检测项目中涨点 0.867 0.875 0.4412.3 可变形大核注意力(D-LKA Attention)，超越自注意力| 2023.8月最新发表D-LKA Attention | 亲测在血细胞检测项目中涨点
84510编辑于 2023-12-12 - 来自专栏历史专栏
【愚公系列】2022年11月 uniapp专题-优购电商首页-商品分类
文章目录 前言 一、商品分类 ---- 前言 商品分类是指根据一定的管理目的，为满足商品生产、流通、消费活动的全部或部分需要，将管理范围内的商品集合总体，以所选择的适当的商品基本特征作为分类标志，逐次归纳为若干个范围更小 为了方便消费者购买，有利于商业部门组织商品流通，提高企业经营管理水平，须对众多的商品进行科学分类。 商品分类是指为了一定目的，选择适当的分类标志，将商品集合总体科学地、系统地逐级划分为门类、大类、中类、小类、品类以至品种、花色、规格的过程称为商品分类。 一、商品分类 <template> <view> <! -- 当前二级分类下的三级分类列表 --> <view class="cate-lv3-list"> <!
61130编辑于 2022-12-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号