摘要本研究针对医学寄生虫检测需求基于YOLO26目标检测算法开发了一套多类别寄生虫识别检测系统。系统可识别包括钩虫、蛔虫、蛲虫、肝片吸虫、膜壳绦虫、血吸虫、带绦虫和鞭虫在内的8种常见人体寄生虫。研究采用2110张显微图像构建数据集其中训练集1484张、验证集411张、测试集215张。实验结果显示模型在验证集上的mAP50达到0.885mAP50-95达到0.728单张图像推理速度仅2.8ms表现出良好的检测精度与实时性能。各类别中蛔虫的检测效果最佳mAP500.965而带绦虫的检测效果相对较弱mAP500.783为后续模型优化指明了方向。目录摘要详细功能展示视频功能模块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、数据校验模块引言背景数据集介绍训练结果​编辑整体性能评估​编辑各类别检测性能分析混淆矩阵分析​编辑训练曲线分析​编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅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。✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅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/GPU10、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引言寄生虫感染是全球范围内特别是发展中国家的重要公共卫生问题可导致营养不良、贫血、器官损伤甚至死亡。传统的寄生虫检测主要依赖人工显微镜检查这种方法不仅耗时耗力且高度依赖检验人员的专业经验存在主观性强、重复性差、效率低下等问题。随着深度学习技术在医学图像分析领域的快速发展基于卷积神经网络的目标检测算法为寄生虫自动识别提供了新的解决方案。YOLO系列算法以其检测速度快、精度高的特点在实时目标检测任务中表现优异。本研究旨在探索YOLO26算法在寄生虫显微图像识别中的应用构建一个准确、高效的自动检测系统辅助临床检验人员快速识别多种寄生虫提高检测效率和标准化水平。背景寄生虫病作为一种被忽视的热带疾病在全球范围内仍然威胁着超过10亿人口的健康。根据世界卫生组织的最新统计土壤传播的蠕虫感染就影响到全球约15亿人其中学龄前和学龄儿童是主要受害群体。在发展中国家由于卫生条件差、医疗资源匮乏寄生虫感染的发病率和死亡率一直居高不下。即使在发达国家随着国际旅行的增加和移民人口的涌入输入性寄生虫病例也呈现出逐年上升的趋势给当地的医疗系统带来了新的挑战。传统的寄生虫检测主要依赖于显微镜检查这种方法已经有近百年的历史。检验人员需要将粪便、血液或组织样本处理后在显微镜下逐一寻找和识别寄生虫卵或幼虫。这个过程不仅耗时而且对检验人员的专业知识要求极高。不同的寄生虫卵形态相似大小相近即使是有经验的专业人员也难免会出现误判和漏判。特别是在医疗资源匮乏的地区缺乏专业的检验人员这一问题更加突出。据统计即使是在专业实验室环境中人工镜检的误诊率也可能达到10%至20%。近年来随着计算机视觉和深度学习技术的突破医学图像分析领域迎来了革命性的发展。卷积神经网络特别是目标检测算法在医学影像分析中展现出超越人类专家的潜力。从X光片到CT图像从病理切片到眼底照片深度学习技术正在改变着医学诊断的方式。在寄生虫学领域研究者们也开始尝试将深度学习技术应用于寄生虫的自动识别。早期的研究主要集中于单一类别寄生虫的识别难以满足临床实践中多类别同时检测的需求。随着YOLO、SSD、Faster R-CNN等目标检测算法的发展多类别同时检测成为可能这为开发全面的寄生虫检测系统提供了技术基础。YOLO系列算法作为单阶段目标检测的代表将目标检测任务转化为回归问题实现了端到端的检测流程。本研究选择YOLO26作为基础算法针对8种常见寄生虫构建检测系统旨在解决传统检测方法的痛点为临床寄生虫检测提供一种智能化解决方案。数据集介绍本研究构建的寄生虫显微图像数据集包含8个类别分别是钩虫Ancylostoma Spp、蛔虫Ascaris Lumbricoides、蛲虫Enterobius Vermicularis、肝片吸虫Fasciola Hepatica、膜壳绦虫Hymenolepis、血吸虫Schistosoma、带绦虫Taenia Sp和鞭虫Trichuris Trichiura。数据集总规模为2110张标注图像按照约7:2:1的比例划分为训练集1484张、验证集411张和测试集215张。各类别的样本分布如下钩虫Ancylostoma Spp411张图像963个实例蛔虫Ascaris Lumbricoides67张图像140个实例蛲虫Enterobius Vermicularis39张图像154个实例肝片吸虫Fasciola Hepatica46张图像76个实例膜壳绦虫Hymenolepis62张图像89个实例血吸虫Schistosoma51张图像90个实例带绦虫Taenia Sp51张图像168个实例鞭虫Trichuris Trichiura66张图像131个实例训练结果整体性能评估模型总参数量9,468,276约 9.5M属于中等复杂度适合嵌入式或边缘部署。mAP500.885整体表现良好。mAP50-950.728说明模型在更严格的 IoU 阈值下仍有不错的泛化能力。推理速度2.8ms/张适合实时检测场景。各类别检测性能分析类别图片数实例数精确率召回率mAP50mAP50-95评价Ancylostoma Spp4119630.8680.8160.8850.728表现稳定Ascaris Lumbricoides671400.8920.9410.9650.802表现最佳Enterobius Vermicularis391540.8850.7730.8640.662召回率偏低Fasciola Hepatica46760.7890.7240.8270.697精确率和召回率均偏低Hymenolepis62890.9420.7270.8850.764精确率高召回率低Schistosoma51900.8280.90.9130.769召回率高Taenia Sp511680.7530.7140.7830.568表现最差Trichuris Trichura661310.8740.9390.9270.759召回率高混淆矩阵分析Ancylostoma Spp识别效果最好只有少数被误判为 Ascaris 或背景。Ascaris Lumbricoides几乎无误判识别非常准确。训练曲线分析train/box_loss、cls_loss、dfl_loss持续下降训练正常。val/box_loss、cls_loss、dfl_loss稳定未见明显过拟合。mAP50 和 mAP50-95在训练后期趋于平稳模型收敛良好。Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集​成残差对数似然估计​(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。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。界面核心代码详细功能展示视频