- 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
2.1K33编辑于 2025-10-23 - 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。
48110编辑于 2024-03-02 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
31010编辑于 2025-07-16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。
10600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。
75931编辑于 2023-05-15 - 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
83510编辑于 2023-12-12 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。
20410编辑于 2025-07-16- 来自专栏WordPress技术文章
wordpress根据分类ID调用分类名称和分类描述
在 WordPress 中，若你已经知道「分类 ID」，可以用下面 2 句极简代码分别拿到「分类名称」和「分类描述」：// 分类 ID 假设为 123$cat_id = 123;// 1. 分类名称echo esc_html( get_cat_name( $cat_id ) );// 2. 分类描述echo esc_html( category_description( $cat_id ) );如果想一次性拿到更多字段(名称、描述、链接、文章数等)，推荐用 get_category() 或
15810编辑于 2025-12-29 - 来自专栏浮躁的喧嚣
协议与分类--24：分类（Category）
分类 Category也称为分类、类目、类别等，Category可以在不修改原来类的基础上，为这个类补充一些方法 Category的格式 @interface Person (SS) -(void )eat; @end Category的运用 在开发中，类的实现文件特别大，难于管理与维护，因此经常使用分类机制把类的实现代码划分成易于管理的小块，以便单独检视 #import <Foundation/ takeVacationFromWork; - (void)gotoTheCinema; - (void)gotoSportGame; @end 实现文件里，所有的方法都写在一个类，内容太多，所以我们可根据其不同功能分成多个分类 )person; - (void)removePerson:(Person *)person; - (BOOL)isFriendWithPerson:(Person *)person; @end 如果分类中有和原类中同名的方法 ，程序只会调用分类里的方法，如果多个分类中都有和原类中同名的方法，程序只会由编译器决定，编译器最后一个执行的方法来响应 @interface Person : NSObject @property (nonatomic
48510编辑于 2023-11-22 - 来自专栏马拉松程序员的专栏
数据分类：新闻信息自动分类
综合评估下来，我们选择上面8个分类作为数据集。 这三个文件将为后面的模型训练提供基础，在制作分类器的时候，只需要将它们加载到内存中即可。 5.制作通用分类器 到现在为止，文本分类的前期已经准备完成了，下面就是训练模型并且制作分类器。 为了方便比较各个分类算法之前的性能差异，所以现在我们制作一个通用的分类器，接收分类算法、训练集数据、测试集数据，如果当前分类算法从未训练过模型，那么先进行模型训练，并将训练完成的模型持久化保存，方便下次使用 6.评估和验证模型 “万事俱备，只欠东风”，分类器已经完成，现在需要将模型训练出来，就可以进行自动化的分类了。 为了对比多个不同分类算法的性能差异，这里我们选择了4个分类算法进行训练，分别是朴素贝叶斯、逻辑回归、随机森林和支持向量机算法。
92120编辑于 2023-09-21 - 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。 造血系统的28个免疫表型的相应的测序数据 结果解读 1、小鼠造血细胞单细胞转录组测序 作者首先将28个免疫表型定义的造血细胞群体（immunophenotype-based haematopoietic 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。 2、移植后的HSC向多潜能祖细胞分化 基于上述转录组所有造血细胞类型的特征，研究者试图追踪受辐射个体移植后HSC的性质。 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。
95720发布于 2021-12-02 - 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 - 来自专栏全栈程序员必看
xgboost分类算法_python分类统计
今天我们一起来学习一下如何用Python来实现XGBoost分类，这个是一个监督学习的过程，首先我们需要导入两个Python库： import xgboost as xgb from sklearn.metrics import accuracy_score 这里的accuracy_score是用来计算分类的正确率的。 我们这个分类是通过蘑菇的若干属性来判断蘑菇是否有毒的分类，这个数据集中有126个属性，我们来看看数据集，我把数据集放到网盘上分享给大家：训练和测试数据集，密码：w8td。 打开数据集可以发现这其实是一组组的向量，我们来看一组数据集的截图： 首先第一列表示标签列，是每一组数据的正确分类，1表示蘑菇是有毒的，0表示蘑菇无毒的。 以上就是我们用Python实现的xgboost分类模型的过程，希望对各位朋友有所帮助，本人能力有限，文中如有纰漏之处，还望各位朋友多多指教，如有转载，也请标明出处，谢谢。
1.5K30编辑于 2022-09-27 - 来自专栏空间转录组
经典的文章要反复读--单细胞测序和CODEX绘制人骨髓的组成和空间结构
相对稀有的非造血细胞被认为在造血过程中起着关键作用。包括内皮细胞（ECs）、间充质基质细胞（MSCs）和成骨细胞在内的多种非造血细胞类型被认为是骨髓微环境的重要组成部分。 尽管对人类造血细胞的研究已相当广泛，但关于定义构成人类骨髓微环境的非造血细胞的类似研究仍相对匮乏。 我们使用对照主成分分析（RPCA）参考映射，将 AML 和 NSM 样本中的细胞分类到我们的健康图谱中最接近的对应物（图 7A；STAR 方法）。 接下来，我们旨在使用基于突变 NPM1 和 CD141 染色的分类器识别白血病暴发细胞（图 S10A 和 S10B；STAR 方法）。 我们的分类爆发细胞百分比与 NPM1c 变异等位基因频率相关（R = 0.62；图 S10C）。
51110编辑于 2025-05-29 - 来自专栏计算机魔术师
【机器学习】Logistic 分类回归算法 （二元分类 & 多元分类）
该文章收录专栏 ✨— 机器学习 —✨ 【机器学习】logistics分类 一、线性回归能用于分类吗？ y=0 代价函数图像 四、 代价函数与梯度下降 4.1 线性回归与logistic回归的梯度下降规则 五、高级优化算法 六、多元分类：一对多 一、线性回归能用于分类吗？ 例如将天气分类，下雨，晴天等、我们可以将这些用数字0，1，2表达，以上这些都是多类别分类 与二分类图像不同(右图） 首先，我们将该数据集划分为三类 我们要做的就是将这数据集转换为三个独立的二元分类问题 我们可以得到一个决策边界 同理，将其他两类样本如上创建伪数据集，以及对应的拟合分类器，进行一个标准的逻辑回归分类器，得到对应边界 总而言之，我们拟合出了三个分类器 h_\theta^ （最可信）的那个分类器，就是我们要的类别。
2.4K10编辑于 2022-09-30 - 来自专栏全栈程序员必看
VCL 控件分类_验证控件的分类
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
6.1K10编辑于 2022-11-09 - 来自专栏生如夏花绚烂
Wordpress显示文章分类及分类链接
-- 文章分类 --> <?
83330编辑于 2022-09-14 - 来自专栏互联网大杂烩
分类问题数据挖掘之分类模型
---- ---- 聚类分析 聚类分析是一种无监督的分类方法，即不预先指定类别。 根据分类对象不同，聚类分析可以分为样本聚类（Q型）和变量聚类（R型）。 样本聚类针对观测样本进行分类，而变量聚类则是试图找出彼此独立且有代表性的自变量，而又不丢失大部分信息。变量聚类是一种降维的方法。 并且距离分类准则和距离计算方法都有多种，可以依据具体情形选择。 ---- 模糊聚类分析 采用模糊数学语言对事物按一定的要求进行描述和分类的数学方法称为模糊聚类分析。 ---- ---- 神经网络分类方法 神经网络分类算法的重点是构造阈值逻辑单元。一个阈值逻辑单元是一个对象，可以输入一组加权系数的量，对它们进行求和。如果这个和达到或者超过了某个阈值，则输出一个量。
1.4K20发布于 2018-08-22
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