- 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 - 来自专栏全栈程序员必看
k8s资源分类机制_k8s资源分类机制
yaml语言介绍 资源管理方式介绍 方式1：命令式对象管理 方式2:命令式对象配置 方式3:声明式对象配置 配置方式总结 kubectl在node节点上执行
43220编辑于 2022-09-21 基于yolov8的血细胞检测计数系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的血细胞检测与计数系统是一种利用深度学习技术，特别是YOLOv8目标检测算法，实现高效、准确血细胞识别的系统。 该系统能够自动识别并计数图像或视频中的血细胞，包括红细胞、白细胞和血小板等，为医疗诊断提供重要支持。 YOLOv8以其高速和高精度的目标检测能力著称，适用于实时目标检测应用。 该系统通过收集并预处理包含各种血细胞类型的图像或视频数据，利用YOLOv8算法进行模型训练，从而学习血细胞的特征和分类信息。 在实时检测阶段，系统能够快速接收并处理图像或视频输入，准确识别并计数血细胞，生成详细的统计报告。 该系统不仅提高了血细胞检测的自动化程度和准确性，还减少了人为误差，大大减轻了医护人员的工作负担。 ，并安装好pyqt5 （2）切换到自己安装的yolov8环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可 【提供文件】 python源码 yolov8s.onnx
21710编辑于 2025-07-16- 来自专栏单细胞天地
人血细胞的单细胞转录组图谱
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。 对于T细胞群，CD4T和CD8T细胞可各分为三类，分别包括初始T细胞、记忆T细胞和效应性T细胞。 CD4初始T细胞和记忆T细胞紧密相靠，但CD8记忆T细胞和却与效应T细胞紧密相连(图4H-I)，接着是单核细胞和中性粒细胞亚群的分化轨迹(图4J-K)。 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NowlNowl_AI
机器学习第8天：SVM分类
第二列：(2−5)/9=−1.22474487(2−5)/9=−1.22474487，(5−5)/9=0(5−5)/9=0，(8−5)/9=1.22474487(8−5)/9=1.22474487 硬间隔与软间隔分类 硬间隔分类就是完全将不同的个体区分在不同的区域（不能有一点误差） 软间隔分类就是允许一些偏差（图中绿和红色的点都有一些出现在了对方的分区里） 硬间隔分类往往会出现一些问题，例如有时候模型不可能完全分成两类 ax.set_xlim(xx.min(), xx.max()) ax.set_ylim(yy.min(), yy.max()) # 绘制结果 fig, ax = plt.subplots(figsize=(8, ，也叫大间隔分类算法。 它可以用来线性分类，也可以非线性分类（可以与PolynomialFeatures结合，当然还有其他方法，我们之后再说）
47410编辑于 2024-01-18 - 来自专栏机器学习/数据可视化
pandas系列8-分类类型categories
分类 分类的目的是提高性能和内存的使用率 用整数表示的方法称为分类或者字典编码表示法，不同值的数组称为分类、字典或者数据集。 创建分类 take方法存储原始字符串Series 直接创建分类：pd.Categorical(data) 转变成类：df.astype('category') 分类对象属性 codes categories Categories (4, object): [Q1 < Q2 < Q3 < Q4] bins.codes[:10] array([1, 2, 1, 1, 3, 3, 2, 2, 3, 3], dtype=int8) as_ordered 使分类有序 as_unordered 使分类无序 remove_categories 移除分类，设置移除值为null remove_unused_categories 移除任意不出现在数据中的分类值 0 5 1 6 2 7 3 dtype: int8 cat_s.cat.categories Index(['a', 'b', 'c', 'd'], dtype='object') #
3.9K30发布于 2021-03-02 - 来自专栏Michael阿明学习之路
8. 非线性分类和决策树
决策树优缺点 优点： 不要求对数据进行标准化 可以进行多元分类而无需使用OvO，OvA等策略 缺点： 更容易过拟合，需要剪枝（设置树的最大深度、节点实例数量超过阈值才建立子节点） 本质上是贪心算法，不保证全局最优
46510发布于 2020-07-13 - 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。 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。 与标准卷积相比，深度可分离卷积使用的参数少了8到9倍。 3.3、视觉结果 所提出模型的检测结果如图8所示。使用的模型是TE-YOLOF-B0，具有最小的参数和操作量。从图8中可以看出，该模型可以很好地检测所有类别。
77831编辑于 2023-05-15 - 来自专栏数据分析与可视化
数据可视化(8)-Seaborn系列 | 分类散点图stripplot()
分类散点图 stripplot()可以自己实现对数据分类的展现，也可以作为盒形图或小提琴图的一种补充，用来显示所有结果以及基本分布情况。 sns.load_dataset("tips") """ 案例1： 水平散点图 """ sns.stripplot(x=tips["total_bill"]) plt.show() [zocaqgt3o8. 可以比较案例2、案例3和案例4 """ sns.stripplot(x="day", y="total_bill", data=tips, jitter=0.3) plt.show() [27qeofkyj8. matplotlib.pyplot as plt #设置风格 sns.set(style="whitegrid") # 构建数据 tips = sns.load_dataset("tips") """ 案例8： =".8") sns.stripplot(x="day", y="total_bill", data=tips, jitter=True) plt.show() [wlpbhwssme.png] 案例地址
5.8K00发布于 2019-09-24 - 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
，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。 实验结果： YOLOv8-C2f-DySnakeConv summary: 249 layers, 3426089 parameters, 0 gradients, 8.7 GFLOPs 通道混合过程有助于增强特征的表示YOLOv8_CPCAChannelAttention summary (fused): 171 layers, 3137817 parameters, 0 gradients YOLOv8_C2f_deformable_LKA summary (fused): 205 layers, 4388553 parameters, 0 gradients, 12.9 GFLOPs
84510编辑于 2023-12-12 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- 来自专栏成套网站
基于yolov8的深度学习垃圾分类检测系统
然而，传统垃圾分类方式依赖大量人力，不仅效率低下、成本高昂，而且分类准确率受人为因素影响较大，难以满足现代社会对垃圾高效、精准分类的需求。 在此背景下，基于 YOLOv8 的深度学习垃圾分类检测系统研究具有重大且深远的意义。从环境保护层面来看，精准的垃圾分类能够有效减少垃圾填埋和焚烧所带来的环境污染。 YOLOv8作为该系列的最新版本，通过引入无锚点设计、增强的骨干网络、改进的特征融合机制以及先进的损失函数等创新点，在检测速度和精度之间达到了更佳平衡，为实时垃圾分类检测提供了强大技术支撑。 4、研究技术YOLOv8介绍YOLOv8是Ultralytics公司于2023年发布的YOLO系列最新目标检测模型，在继承前代高速度与高精度优势的基础上，通过多项技术创新显著提升了性能与灵活性。 数据集标注过程数据集标注是构建基于 YOLOv8 的垃圾分类检测系统至关重要的一环，精准的标注能确保模型学习到有效的特征，提升检测性能。
68510编辑于 2025-12-27 - 来自专栏杨熹的专栏
中文NLP笔记：8. 基于LSTM的文本分类
一个基于概率的判别模型，输入是一句话（词的顺序序列），输出是这句话中所有词的联合概率（Joint Probability） N-gram 模型知道的信息越多，得到的结果也越准确 主要应用在如词性标注、垃圾短信分类 在2010年提出了 RNNLM 结构实际上是用 RNN 代替 NNLM 里的隐层 减少模型参数、提高训练速度、接受任意长度输入、利用完整的历史信息 基于 Keras 的 LSTM 文本分类 ('beierzida.csv', encoding='utf-8', sep=',') nver_df = pd.read_csv('beinverda.csv', encoding='utf -8', sep=',') #删除语料的nan行 laogong_df.dropna(inplace=True) laopo_df.dropna(inplace=True) for sentence in sentences] all_labels = [ sentence[1] for sentence in sentences] 使用 LSTM 对数据进行分类
3.7K40发布于 2019-02-20 使用onnxruntime部署yolov8-cls图像分类onnx模型
如果只需要opencv去部署yolov8分类模型可以参考博文：https://blog.csdn.net/FL1623863129/article/details/142734780 本文和 opencv 去部署yolov8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只是辅助作用即读取图片 【算法介绍】 C++使用ONNX Runtime 部署YOLOv8-cls图像分类ONNX模型是一种高效的方法，能够充分利用硬件资源，实现低延迟、高效率的推理。 YOLOv8-cls是YOLO系列的最新版本之一，特别针对图像分类任务进行了优化。它继承了YOLO系列模型快速检测速度和较高准确率的特点，并通过改进网络架构和优化损失函数等策略，进一步提升了性能。 总之，C++使用ONNX Runtime部署YOLOv8-cls图像分类ONNX模型是一种高效、灵活且可扩展的方法，适用于各种计算机视觉任务。
76710编辑于 2025-07-22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CDA数据分析师
机器学习实战：8大分类器识别树叶带源码
不多说，进入八大分类器。 引言：树叶有好多种，如下图： ? 目标：写一个系统，让系统区分各种树叶属于哪个品种。 我的思路如下图： ? ? ? 训练分类器：就是找到一个有某些特征的样本，我们只需要对新来的特征和前面出现类似的特征进行比对，那么找出最可能的类别，我们就说这个新的样本是属于这个类别的。 而有的人几乎很少说谎话，那么他说的话是不是可信度就大，这个测试数据就是这个道理，测试效果越好，那么这个模型分类器可能效果就越好。 这一段代码就是把k近邻，svc，随机森林这些分类器的名称写在classifiers这个列表里，等着我们之后调用它。Svc我们这里用的是rbf核，也就是高斯核。 ? 这里for 循环就是调用列表里的分类器，然后fit（），也就是训练一下，输入的参数是特征集和标签集，44行，分别用刚刚训练出来的参数，对x_text进行预测，得到预测值。
1.4K50发布于 2018-02-05 《数字图像处理》实验8-图像识别与分类
实验环境 操作系统：Windows 8/10/11 软件版本：MATLAB 2014 及以上版本（部分功能需安装 Computer Vision Toolbox、Statistics and Machine 图像减背景，突出米粒目标 % 步骤4：二值化（OTSU最优阈值） level = graythresh(I2); bw2 = imbinarize(I2, level); % 步骤5：连通区域标记（8连通域 ，标记每个米粒） [labeled, numObjects] = bwlabel(bw2, 8); [L, n] = bwlabel(bw2, 8); % n为米粒总数 % 步骤6：可视化处理流程与计数结果 白色圆圈标记质心 plot(cbar, rbar, 'Marker', 'o', 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'w', 'MarkerSize', 8) （如提取线段用线结构元素）； 连通域选择：颗粒计数时，8 连通域比 4 连通域更贴合实际（米粒边缘可能不规整）。
15610编辑于 2026-01-21winform部署yolov8图像分类的openvino格式的模型
namespace FIRC { public partial class Form1 : Form { Mat src = new Mat(); Yolov8ClsManager detector = new Yolov8ClsManager(); public Form1() { InitializeComponent( , EventArgs e) { detector.LoadWeights(Application.StartupPath+ "\\weights\\yolov8n-cls.xml
24910编辑于 2025-07-17
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