CN119445571A 基于改进YOLOv8的细胞图像检测方法 （上海北昂医药科技股份有限公司）

本发明公开了一种基于改进YOLOv8的细胞构和参数的改进，引入C3STR模块、替换SPPF结构、插入GAMAttention模块以及使用Wise_IoU了模型的特征提取能力和对小目标特征图的识2S3、通过验证集并结合可靠性验证机制对优化图像对细胞图像数据集中的元素进行标注并根据分割机制对细胞图像数据集进行分割得所述分割机制对细胞图像数据集进行分割得到训练集、验证集和测试集的比在YOLOv8的主干特征提取网络中引入C3STR模块，具体地，在C3结构中嵌入Swin在YOLOv8的主干特征提取网络中最后一层的SPPF结构替换为SPPFC6.根据权利要求4或5所述的基于改进YOLOv8的在每个不同尺寸特征图的特征融合操作之前，插入GAMAttention模块实现对小目标7.根据权利要求4或5所述的基于改进YOLO将YOLOv8的CIoU边框损失函数替换成Wise_IoU3gtgtgtgt依次为目标框的横根据各个指标的评估值以及对应的权重占比进行加权求和得到模型可靠性的目标评估值；将目标评估值与设定阈值的比较结果作为模型可靠性4损而丢失的整条染色体在细胞分裂的后期，仍留在子细胞质内形成一个或几个规则的次种良恶性疾病的发生与机体细胞内的遗传物质损伤有密切的关系，通过对微核进行测定，[0006]本发明的目的是针对现有细胞微核检测技术存在的问题，提出了一种基于改进5对细胞图像数据集中的元素进行标注并根据分割机制对细胞图像数据集进行分在YOLOv8的主干特征提取网络中引入C3STR模块，具体地，在C3结构中嵌入Swin在YOLOv8的主干特征提取网络中最后一层的SPPF结构替换为SPPFC在每个不同尺寸特征图的特征融合操作之前，插入GAMAttention模块实现对小将YOLOv8的CIoU边框损失函数替换成Wise_IoUgtgtgtgt依次为目标框i为目标框和锚框重叠部分的宽度，Hii6插入GAMAttention模块以及使用Wise_IoU边框损失函数，优化了模型的特征提取能力和确保所得到的目标图像检测模型在实际应用中具有可靠的检测[0019]通过阅读参照以下附图所作的对非限制性实[0023]图4为本发明实施例中YOLOv8特征融合部分引入的GAMAttention注意力机制模7对细胞图像数据集中的元素进行标注并根据分割机制对细胞图像数据集进行分[0036]本实施例中，步骤S1的目的是构建一个经过适当标注和8如图9所示，在C3结构中嵌入SwinTransformer模块，将主干网络提取的特征图通过Swin[0042]如图4所示，进一步地，在每个不同尺寸特征图的特征融合操作之前，插入GAMgtgtgtgt依次为目标框i为目标框和锚框重叠部分的宽度，Hii为目标框和预测框重叠990精确率≥85召回率≥80F1指标≥85mAP≥90％。将优化图像检测模型应用映模型在目标检测任务中的整体表现，其比重为0.6；精确率表示所有预测为正类的样本确率表示模型在所有检测中的总体正确率，但由于检测任务包含位置回归(boundingbox90精确率＝85召回率＝80F1指标＝85mAP＝90根据指标评估值以及对应80模型需要进一步优化。[0056]以上所述之具体实施方式为本发明基于改进YOLOv8的细胞图像检测方法的较佳