- 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golang算法架构leetcode技术php
golang刷leetcode滑动窗口（9） 颜色分类
给定一个包含红色、白色和蓝色，一共 n 个元素的数组，原地对它们进行排序，使得相同颜色的元素相邻，并按照红色、白色、蓝色顺序排列。
38520编辑于 2022-08-02 - 来自专栏HelloGitHub
第 9 篇：实现分类、标签、归档日期接口
例如点击某个分类，博客将跳转到该分类下全部文章列表页面。这些数据的展示都需要开发对应的接口，以便前端调用获取数据。 分类列表、标签列表实现比较简单，我们这里给出接口的设计规范，大家可以使用前几篇教程中学到的知识点轻松实现（具体实现可参考 GtiHub 上的源代码）。 分类列表接口：/categories/ 标签列表接口：/tags/ 归档日期列表的接口实现稍微复杂一点，因为我们需要从已有文章中归纳文章发表日期。 现在，侧边栏所需要的数据接口就开发完成了，接下来实现返回某一分类、标签或者归档日期下的文章列表接口。 在 使用视图集简化代码 我们开发了获取全部文章的接口。 事实上，分类、标签或者归档日期文章列表的 API，本质上还是返回一个文章列表资源，只不过比首页 API 返回的文章列表资源多了个“过滤”，只过滤出了指定的部分文章而已。
3.6K30发布于 2021-05-14 - 来自专栏单细胞天地
人血细胞的单细胞转录组图谱
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。 伪时间分析表明，Ery/Gra2簇有着独特的免疫相关基因表达，例如VCAN和S100A9基因(图4C-D)。此外，他们发现CD74+有核红细胞主要表达在Ery/Gra1和Ery/Gra2簇(图4D)。 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NowlNowl_AI
机器学习第9天：决策树分类
介绍 作用：分类 原理：构建一个二叉树，逐级条件判断筛选 基本思想 假如有小明，小红和小张三个人，我们知道他们的身高体重，要通过身高体重来判断是哪个人，决策树算法会构建一个二叉树，逐级判断，如下
27510编辑于 2024-01-18 - 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 杂草分类数据集17509张9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)：17509 分类类别数：9 类别名称:["chineseapple","lantana","negatives 图片数：1009 siam_weed 图片数：1074 snake_weed 图片数：1016 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
17510编辑于 2025-07-20- 来自专栏智能大数据分析
数据仓库作业六：第9章 分类规则挖掘
第9章 分类规则挖掘 第一题 1、设网球俱乐部有打球与气候条件的历史统计数据如下表1所示。 试用ID3算法对样本集进行学习并生成其决策树，再由决策树获得动物的分类规则。 （1）计算分类属性 C 的分类信息熵 已知 S=\{X_1,X_2,…,X_6\} 共有6个样本点，故 |S|=6 ，而分类属性 C=\{1, 0\}=\{C_1,C_2\} ，即 C_1 以下是构造子树的过程： 至此，我们已经得到了一棵完整的决策树，可以用于对新样本进行分类。 因此，根据朴素贝叶斯分类方法，预测顾客 X 会买电脑。
29600编辑于 2025-01-22 - 来自专栏算法channel
机器学习分类问题：9个常用的评估指标总结
你好，我是zhenguo 对机器学习的评估度量是机器学习核心部分，本文总结分类问题常用的metrics 分类问题评估指标 在这里，将讨论可用于评估分类问题预测的各种性能指标 1 Confusion Matrix 这是衡量分类问题性能的最简单方法，其中输出可以是两种或更多类型的类。 我们可以使用sklearn的classification_report功能，用于获取分类模型的分类报告的度量。 9 LOGLOSS (Logarithmic Loss) 它也称为逻辑回归损失或交叉熵损失。它基本上定义在概率估计上，并测量分类模型的性能，其中输入是介于0和1之间的概率值。 machine_learning_algorithms_performance_metrics.htm https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5
1.9K10编辑于 2022-09-06 - 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。 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。
77831编辑于 2023-05-15 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PPV课数据科学社区
【每日一课】第9课：Excel分类汇总与合并计算
PPV课大数据 课程名称 Excel 2007/2010表格基础入门和常用函数视频教程（共40课） 第9课：Excel分类汇总与合并计算 课程目的 能基本掌握excel常用的表格设置和常用的技巧，同时掌握日常工作中常用的函数 9年的从业经历，陆续做过仓储、运输、承运商管理、TMS运输计划、港台出口物流操作与管理，区域物流管理、物流规划。
78760发布于 2018-04-25 - 来自专栏js刷leetcode
用javascript分类刷leetcode9.位运算(图文视频讲解)5
示例 3：输入：nums = 9,6,4,2,3,5,7,0,1输出：8解释：n = 9，因为有 9 个数字，所以所有的数字都在范围 0,9 内。8 是丢失的数字，因为它没有出现在 nums 中。
78290编辑于 2023-01-09 - 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
，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"] In [18]: df["wc"].value_counts() # 修改后 Out[18]: 9800 11 6700 10 9200 9 9600 9 7200 9 .. 19100 1 \t? = "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Python和安全那些事
9.基于API序列和深度学习的恶意家族分类实例详解
享受过程，一起加油~ 前文详细介绍如何学习提取的API序列特征，并构建机器学习算法实现恶意家族分类，这也是安全领域典型的任务或工作。 这篇文章将讲解如何构建深度学习模型实现恶意软件家族分类，常见模型包括CNN、BiLSTM、BiGRU，结合注意力机制的CNN+BiLSTM。 [当人工智能遇上安全] 9.基于API序列和深度学习的恶意家族分类实例详解 作者的github资源： https://github.com/eastmountyxz/AI-Security-Paper 接下来将构建深度学习模型学习API序列实现分类。基本流程如下： 1.数据集 整个数据集包括5类恶意家族的样本，每个样本经过先前的CAPE工具成功提取的动态API序列。 恶意软件转灰度图是常见的家族分类方法，它与本文提出的方法的优缺点是什么？ 如何提取恶意软件CFG和ICFG呢？提取后又如何被机器学习模型学习？ 常见的向量表征方法有哪些，各自有哪些特点？
67720编辑于 2023-11-13 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- 来自专栏李维亮的博客
Phpcms V9采用if语句判断当前栏目高亮、判断分类信息是否过期
在用PC V9建站的时候，很多朋友会想到Phpcms V9判定当前栏目，让当前栏目高亮的功能，在这里分享判断当前栏目、当前栏目高亮的代码，同时在此要分享if语句判断分类信息是否过期，CMSYOU给力。 Phpcms V9判定当前栏目，让当前栏目高亮 如果是在栏目列表（非单独页面）下，Phpcms V9判定当前栏目让当前栏目高亮代码可以用下面的调用代码： {pc:content action="category Phpcms V9分类信息if语句判断是否过期 分类信息内容页if语句判断分类信息是否过期： {if date('Y-m-d')>="$r[endtime]"}已经过期 {else}截止{$r[endtime]}{/if} 实际上，Phpcms V9判断当前栏目高亮、判断分类信息是否过期都是采用了采用
3.6K20发布于 2021-07-09 - 来自专栏单细胞天地
单细胞转录组分析—追踪移植后造血干细胞的分化
在这里，利用单细胞RNA测序，我们首先获得了28种造血细胞类型的基于转录组的分类。然后，我们将它们与功能分析相结合，跟踪受者移植后第一周内免疫表型纯化的造血干细胞的动态变化。 在小鼠移植模型中，早在 HSC 移植后 7-9 天就首次观察到血小板生成。鉴于经典的逐步造血级联模型，HSC 必须快速响应清髓宿主环境。 这是目前成体小鼠各类造血细胞较为精细的单细胞转录组定义和最全面的分类体系。 图1a应该是放错了图片 相同策略，9种免疫表型多能性祖细胞(iMPPs)被分为5个不同转录特征群：tMPP1、tMPP2、tMPP3、tMPP4和tMPP5(图2a)。 讨论 本研究中得到的scRNA测序的数据为造血系统不同分化阶段和谱系的细胞分类提供了参考。该分类，显示成年骨髓中造血谱系分化早在tHSC和tMPP阶段就已开始发生。
97220发布于 2021-12-02 - 来自专栏全栈程序员必看
数据挖掘十大经典算法(9) 朴素贝叶斯分类器 Naive Bayes
贝叶斯分类器 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。 贝叶斯分类器是用于分类的贝叶斯网络。 对于贝叶斯网络分类器，若某一待分类的样本D，其分类特征值为x = ( x1 , x2 , … , x n) ，则样本D 属于类别ci 的概率P( C = ci | X1 = x1 , X2 = x 2 应用贝叶斯网络分类器进行分类主要分成两阶段。 第一阶段是贝叶斯网络分类器的学习，即从样本数 据中构造分类器，包含结构学习和CPT 学习；第二阶段是贝叶斯网络分类器的推理，即计算类结点的条件概率，对分类数据进行分类。
56820编辑于 2022-07-13
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