摘要
本报告基于YOLOv8目标检测算法构建了一套肺炎X光影像智能检测系统。系统针对单类别（Pneumonia）进行检测，数据集共包含5,389张标注图像（训练集3,772张、验证集539张、测试集1,078张）。训练结果显示，模型在置信度阈值0.179时取得最佳F1值0.46，全类平均精度（mAP@0.5）为0.414。精确率-召回率曲线表明模型在高置信度区间（>0.74）精确率可达1.0，但召回率随置信度上升急剧下降，在置信度0.4时已趋近于0。训练与验证损失曲线持续下降未见明显过拟合，但mAP值偏低。
引言
肺炎是全球范围内导致死亡的主要感染性疾病之一，尤其对儿童、老年人及免疫功能低下人群构成严重威胁。胸部X光检查因其成本低、辐射小、操作便捷，成为肺炎初筛和诊断的最常用影像学手段。然而，肺炎病灶在X光片上常表现为片状模糊阴影，与正常肺纹理或其它病变（如肺水肿、肿瘤）存在重叠，即使对有经验的放射科医生而言，准确判读也具有一定挑战性，且易受主观因素和疲劳影响。
近年来，以深度学习为代表的人工智能技术在医学影像分析领域取得了显著进展。其中，YOLO（You Only Look Once）系列算法以其端到端、高实时性的特点，被广泛用于目标检测任务。YOLOv8作为该系列的最新版本，在检测精度和速度上均有进一步提升。
目录
摘要
引言
功能模块
1、用户管理模块
2、界面与交互模块
3、检测源管理模块
4、检测参数配置模块
5、YOLO检测核心模块
6、结果显示模块
7、结果保存模块
8、工具栏功能
9、辅助功能
10、数据校验模块
背景
数据集介绍
训练过程
训练结果
核心性能总结
编辑
常用标注工具
功能模块
✅用户登录注册：支持密码检测，密码加密。
注册
登录
✅图片检测：可对图片进行检测，返回检测框及类别信息。
✅参数实时调节（置信度和IoU阈值）
✅视频检测：支持视频文件输入，检测视频中每一帧的情况。
✅摄像头实时检测：连接USB 摄像头，实现实时监测。
✅日志记录：日志标签页记录操作和错误信息，带时间戳
✅结果保存模块：支持图片/视频/摄像头检测结果保存
1、用户管理模块
| 功能 | 描述 |
|---|---|
| 用户注册 | 用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储 |
| 用户登录 | 用户名密码验证，自动跳转主界面 |
| 用户数据存储 | JSON文件存储用户信息（密码加密、注册时间、邮箱） |
| 登录状态 | 主界面显示当前登录用户名 |
2、界面与交互模块
| 功能 | 描述 |
|---|---|
| 玻璃效果界面 | 半透明毛玻璃背景，圆角边框，现代化视觉风格 |
| 无边框窗口 | 自定义标题栏，支持窗口拖动、最小化、最大化、关闭 |
| 响应式布局 | 主窗口三栏布局（左侧控制区、中央显示区、右侧信息区） |
| 状态栏 | 显示设备信息、模型状态、当前用户、实时时间 |
3、检测源管理模块
| 功能 | 描述 |
|---|---|
| 图片检测 | 支持JPG/JPEG/PNG/BMP格式图片载入 |
| 视频检测 | 支持MP4/AVI/MOV/MKV格式视频载入 |
| 摄像头检测 | 实时调用摄像头（默认ID 0）进行检测 |
| 检测源切换 | 下拉菜单切换三种检测模式，自动更新界面状态 |
4、检测参数配置模块
| 功能 | 描述 |
|---|---|
| 置信度阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| IoU阈值 | 滑动条调节（0-100%，步长1%），实时显示当前值 |
| 类别选择 | 动态生成检测类别复选框，支持全选/取消全选 |
| 参数同步 | 参数实时同步到检测器核心 |
5、YOLO检测核心模块
| 功能 | 描述 |
|---|---|
| 模型加载 | 加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换 |
| 多模式检测 | 图片检测、视频检测、摄像头实时检测 |
| 检测线程 | 基于QThread的多线程处理，避免界面卡顿 |
| 检测结果 | 返回目标类别、置信度、边界框坐标 |
| FPS计算 | 实时计算处理帧率 |
| 进度反馈 | 视频处理进度条实时更新 |
6、结果显示模块
| 功能 | 描述 |
|---|---|
| 实时画面 | 中央区域显示检测结果图像（带标注框） |
| 统计信息 | 检测状态、目标数量、FPS、处理帧数实时更新 |
| 检测列表 | 右侧列表显示当前帧所有检测到的目标（类别+置信度） |
| 日志记录 | 日志标签页记录操作和错误信息，带时间戳 |
| 占位显示 | 未选择检测源时显示系统LOGO和提示文字 |
7、结果保存模块
| 功能 | 描述 |
|---|---|
| 保存开关 | 复选框控制是否保存检测结果 |
| 路径选择 | 自定义保存路径，支持图片/视频格式自动识别 |
| 自动命名 | 保存文件自动添加时间戳（detection_result_20240101_120000.jpg） |
| 视频保存 | 支持检测结果视频录制（MP4格式） |
| 手动保存 | 工具栏保存按钮可随时保存当前画面 |
| 保存反馈 | 保存成功弹窗提示，日志记录保存路径 |
8、工具栏功能
| 功能 | 描述 |
|---|---|
| 图片按钮 | 快速切换到图片检测模式并打开文件选择器 |
| 视频按钮 | 快速切换到视频检测模式并打开文件选择器 |
| 摄像头按钮 | 快速切换到摄像头检测模式 |
| 保存按钮 | 手动保存当前显示画面 |
9、辅助功能
| 功能 | 描述 |
|---|---|
| 错误处理 | 统一错误弹窗提示，日志记录错误详情 |
| 资源清理 | 检测停止时自动释放摄像头、视频文件、视频写入器资源 |
| 时间显示 | 状态栏实时显示系统时间 |
| 模型状态 | 状态栏显示模型加载状态和当前设备（CPU/GPU） |
10、数据校验模块
| 功能 | 描述 |
|---|---|
| 注册验证 | 用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证 |
| 协议确认 | 注册前需勾选同意用户协议 |
| 文件校验 | 模型文件存在性检查，文件大小验证（≥6MB） |
| 输入非空 | 登录/注册时必填项非空检查 |
背景
传统的肺炎诊断流程通常依赖放射科医生对胸部X光或CT影像的主观判读，不仅耗时长，且诊断准确性受医生经验水平、工作负荷及影像质量等多种因素影响。不同医院、不同医生之间甚至存在较大判读差异，导致漏诊或误诊风险。尤其在医疗资源匮乏或急诊场景下，快速、客观的辅助诊断工具有着迫切的实际需求。
深度学习中的卷积神经网络（CNN）能够自动学习影像中的层次化特征，在肺结节检测、肺结核分类、新冠肺炎识别等任务上已取得接近甚至超越人类专家的表现。YOLO系列模型采用回归思想直接预测边界框和类别概率，避免了传统两阶段检测器（如Faster R-CNN）的复杂流程，在保证较高精度的同时实现实时检测。
YOLOv8引入了更优的骨干网络（CSPDarknet）、无锚框检测头（Anchor-Free）以及改进的损失函数（DFL和CIoU Loss），在小目标检测和边界框回归上表现出色。然而，医学影像中的病变区域往往边界模糊、对比度低、与正常组织交织，对检测模型构成了特殊挑战。因此，有必要针对肺炎X光影像这一具体任务，评估YOLOv8的实际检测效果，明确其性能瓶颈。
数据集介绍
本研究所用数据集为胸部X光肺炎检测数据集，共包含5,389张经过专业标注的X光图像，分为训练集、验证集和测试集三个子集。所有图像均以JPEG/PNG格式存储，采用PASCAL VOC或YOLO格式的边界框标注，类别为单一类别“Pneumonia”（肺炎）。
具体数据划分如下：
训练集：3,772张，占总量的70.0%，用于模型参数学习。
验证集：539张，占总量的10.0%，用于训练过程中的超参数调整和过拟合监控。
测试集：1,078张，占总量的20.0%，用于最终模型性能的独立评估。
训练过程
训练结果
核心性能总结
| 指标 | 数值 |
|---|---|
| F1值（全类） | 0.46 @ 置信度0.179 |
| mAP@0.5 | 0.414 (Pneumonia + all classes) |
| 最终Precision | ~1.00 (高置信度下) |
| 最终Recall | 约0.10~0.15 (实际有效区间) |
常用标注工具
假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：
Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。
这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。
界面核心代码：
