一、项目介绍
皮肤癌是全球范围内最常见的恶性肿瘤之一，早期准确诊断对提高患者生存率至关重要。本研究基于包含7类皮肤病变的公开数据集，包括Bowen's Disease（鲍温病）、Basal Cell Carcinoma（基底细胞癌）、Benign Keratosis Lesions（良性角化病变）、Dermatofibroma（皮肤纤维瘤）、Melanoma（黑色素瘤）、Melanocytic Nevus（黑素细胞痣）和Vascular Lesions（血管性病变）。数据集共包含973张图像，其中训练集681张、验证集97张、测试集195张。本研究旨在通过深度学习技术构建高精度的分类模型，以辅助医生实现皮肤病变的自动化诊断，并为后续研究提供基准结果。实验结果表明，所提方法在测试集上取得了良好的分类性能，为皮肤癌的早期筛查提供了可行方案。
引言
皮肤病变的早期诊断是皮肤癌治疗成功的关键因素之一。然而，由于病变形态的多样性和复杂性，即使是经验丰富的皮肤科医生也可能面临诊断挑战。近年来，随着计算机视觉和深度学习技术的快速发展，基于图像的自动分类方法在医学领域展现出巨大潜力，尤其是在皮肤病变识别方面。
本研究聚焦于7类常见的皮肤病变：Bowen's Disease、Basal Cell Carcinoma、Benign Keratosis Lesions、Dermatofibroma、Melanoma、Melanocytic Nevus和Vascular Lesions。这些病变中既有恶性（如黑色素瘤），也有良性（如黑素细胞痣），其临床特征和治疗方法差异显著。数据集的规模为训练集681张、验证集97张和测试集195张，覆盖了多样化的病变表现，为模型训练和评估提供了可靠基础。
本研究的目标是开发一种高效的深度学习模型，实现对皮肤病变的精准分类，从而辅助临床决策。通过对比实验和性能分析，我们验证了模型的有效性，并探讨了未来优化方向。本研究不仅为皮肤病变的自动诊断提供了技术参考，也为医学影像分析领域的相关研究提供了新的思路。
目录
一、项目介绍
引言
二、项目功能展示
2.1 用户登录系统
2.2 检测功能
2.3 检测结果显示
2.4 参数配置
2.5 其他功能
3. 技术特点
4. 系统流程
三、数据集介绍
数据集划分
数据集配置文件
四、项目环境配置
创建虚拟环境
安装所需要库
五、模型训练
训练代码
训练结果
六、核心代码
🔐登录注册验证
🎯 多重检测模式
🖼️ 沉浸式可视化
⚙️ 参数配置系统
✨ UI美学设计
🔄 智能工作流
七、项目源码（视频简介）
基于深度学习YOLOv11的皮肤病识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv11的皮肤病识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
二、项目功能展示
✅ 用户登录注册：支持密码检测和安全性验证。
✅ 三种检测模式：基于YOLOv11模型，支持图片、视频和实时摄像头三种检测，精准识别目标。
✅ 双画面对比：同屏显示原始画面与检测结果。
✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。
✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。
✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。
✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。
2.1 用户登录系统
提供用户登录和注册功能
用户名和密码验证
账户信息本地存储(accounts.json)
密码长度至少6位的安全要求
2.2 检测功能
图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测
视频检测：支持MP4/AVI/MOV格式视频的逐帧检测
摄像头检测：实时摄像头流检测(默认摄像头0)
检测结果保存到"results"目录
2.3 检测结果显示
显示原始图像和检测结果图像
检测结果表格展示，包含：
检测到的类别
置信度分数
物体位置坐标(x,y)、
2.4 参数配置
模型选择
置信度阈值调节(0-1.0)
IoU(交并比)阈值调节(0-1.0)
实时同步滑块和数值输入框
2.5 其他功能
检测结果保存功能
视频检测时自动保存结果视频
状态栏显示系统状态和最后更新时间
无边框窗口设计，可拖动和调整大小
3. 技术特点
采用多线程处理检测任务，避免界面卡顿
精美的UI设计，具有科技感的视觉效果：
发光边框和按钮
悬停和按下状态效果
自定义滑块、表格和下拉框样式
检测结果保存机制
响应式布局，适应不同窗口大小
4. 系统流程
用户登录/注册
选择检测模式(图片/视频/摄像头)
调整检测参数(可选)
开始检测并查看结果
可选择保存检测结果
停止检测或切换其他模式
三、数据集介绍
本研究使用的数据集包含7 类皮肤病变图像，涵盖良性和恶性病变，具体类别如下：
Bowen's Disease（鲍温病）——一种早期皮肤鳞状细胞癌。
Basal Cell Carcinoma（基底细胞癌, BCC）——最常见的皮肤癌类型，生长缓慢但可能局部侵袭。
Benign Keratosis Lesions（良性角化病变）——包括脂溢性角化病等非癌性皮肤增生。
Dermatofibroma（皮肤纤维瘤）——一种常见的良性纤维性皮肤肿瘤。
Melanoma（黑色素瘤）——最具侵袭性的皮肤癌，早期诊断至关重要。
Melanocytic Nevus（黑素细胞痣）——常见的良性色素痣。
Vascular Lesions（血管性病变）——包括血管瘤等血管相关的皮肤病变。
数据集划分
训练集（Training Set）：681 张图像，用于模型训练。
验证集（Validation Set）：97 张图像，用于超参数调优和防止过拟合。
测试集（Test Set）：195 张图像，用于最终模型评估。
数据集配置文件
数据集采用标准化YOLO格式组织：
train: F:\皮肤病检测数据集\images\train val: F:\皮肤病检测数据集\images\val test: F:\皮肤病检测数据集\images\test nc: 7 names: ['Bowen‘s Disease', 'Basal Cell Carcinoma', 'Benign Keratosis Lesions ', 'Dermatofibroma', 'Melanoma', 'Melanocytic Nevus', 'Vascular Lesions']四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov11 python==3.9
激活虚拟环境
conda activate yolov11
安装cpu版本pytorch
pip install torch torchvision torchaudio
安装所需要库
pip install -r requirements.txt
pycharm中配置anaconda
五、模型训练
训练代码
from ultralytics import YOLO model_path = 'yolo11s.pt' data_path = 'data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=100, batch=8, device='0', workers=0, project='runs', name='exp', )根据实际情况更换模型 # yolov11n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 # yolov11s.yaml (small)：小模型，适合实时任务。 # yolov11m.yaml (medium)：中等大小模型，兼顾速度和精度。 # yolov11b.yaml (base)：基本版模型，适合大部分应用场景。 # yolov11l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 8：每批次8张图像。--epochs 100：训练100轮。--datasets/data.yaml：数据集配置文件。--weights yolov11s.pt：初始化模型权重，yolov11s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO from UiMain import UiMainWindow import time import os from PyQt5.QtWidgets import QDialog from LoginWindow import LoginWindow class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal = pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parent=None): super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running = True def run(self): try: if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头 cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break # 保存原始帧 original_frame = frame.copy() # 检测 results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame = cv2.imread(self.source) if frame is not None: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(f"Detection error: {e}") finally: self.finished_signal.emit() def stop(self): self.running = False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model = None self.detection_thread = None self.current_image = None self.current_result = None self.video_writer = None self.is_camera_running = False self.is_video_running = False self.last_detection_result = None # 新增：保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name = self.model_combo.currentText() self.model = YOLO(f"{model_name}.pt") # 自动下载或加载本地模型 self.update_status(f"模型 {model_name} 加载成功") except Exception as e: QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}") self.update_status("模型加载失败") def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片: {os.path.basename(file_path)}") def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.clear_results() self.is_video_running = True # 初始化视频写入器 cap = cv2.VideoCapture(file_path) frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir, f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频: {os.path.basename(file_path)}") def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return self.clear_results() self.is_camera_running = True # 创建检测线程 (默认使用摄像头0) conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...")🔐登录注册验证
对应文件：LoginWindow.py
# 账户验证核心逻辑 def handle_login(self): username = self.username_input.text().strip() password = self.password_input.text().strip() if not username or not password: QMessageBox.warning(self, "警告", "用户名和密码不能为空！") return if username in self.accounts and self.accounts[username] == password: self.accept() # 验证通过 else: QMessageBox.warning(self, "错误", "用户名或密码错误！") # 密码强度检查（注册时） def handle_register(self): if len(password) < 6: # 密码长度≥6位 QMessageBox.warning(self, "警告", "密码长度至少为6位！")🎯多重检测模式
对应文件：main.py
图片检测
def detect_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.start() # 启动检测线程视频检测
def detect_video(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.video_writer = cv2.VideoWriter() # 初始化视频写入器 self.detection_thread = DetectionThread(self.model, file_path, conf, iou)实时摄像头
def detect_camera(self): self.detection_thread = DetectionThread(self.model, 0, conf, iou) # 摄像头设备号0 self.detection_thread.start()🖼️沉浸式可视化
对应文件：UiMain.py
双画面显示
def display_image(self, label, image): q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap = QPixmap.fromImage(q_img) label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio)) # 自适应缩放结果表格
def add_detection_result(self, class_name, confidence, x, y): self.results_table.insertRow(row) items = [ QTableWidgetItem(class_name), # 类别列 QTableWidgetItem(f"{confidence:.2f}"), # 置信度 QTableWidgetItem(f"{x:.1f}"), # X坐标 QTableWidgetItem(f"{y:.1f}") # Y坐标 ]⚙️参数配置系统
对应文件：UiMain.py
双阈值联动控制
# 置信度阈值同步 def update_confidence(self, value): confidence = value / 100.0 self.confidence_spinbox.setValue(confidence) # 滑块→数值框 self.confidence_label.setText(f"置信度阈值: {confidence:.2f}") # IoU阈值同步 def update_iou(self, value): iou = value / 100.0 self.iou_spinbox.setValue(iou)✨UI美学设计
对应文件：UiMain.py
科幻风格按钮
def create_button(self, text, color): return f""" QPushButton {{ border: 1px solid {color}; color: {color}; border-radius: 6px; }} QPushButton:hover {{ background-color: {self.lighten_color(color, 10)}; box-shadow: 0 0 10px {color}; # 悬停发光效果 }} """动态状态栏
def update_status(self, message): self.status_bar.showMessage( f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}" # 实时时间戳 )🔄智能工作流
对应文件：main.py
线程管理
class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 信号量通信 def run(self): while self.running: # 多线程检测循环 results = self.model(frame, conf=self.conf, iou=self.iou) self.frame_received.emit(original_frame, result_frame, detections)七、项目源码（视频简介）
基于深度学习YOLOv11的皮肤病识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv11的皮肤病识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
