点击上方蓝字关注我们
💡💡💡本文摘要：基于YOLO11的脊柱侧弯X射线检测系统，阐述了整个数据制作和训练可视化过程
该脊柱侧弯YOLO数据集的核心意义在于为AI辅助诊断脊柱畸形提供了关键工具。它通过精准的边界框标注，使目标检测模型能自动识别X光片中的脊柱结构与病变区域，从而辅助医生进行脊柱侧弯的定量评估（如测量Cobb角）。这显著提升了诊断效率与客观性，有助于推动骨科影像诊断的自动化与智能化发展，对早期筛查和病情监测具有重要价值。
博主简介
AI小怪兽 | 计算机视觉布道者 | 视觉检测领域创新者
深耕计算机视觉与深度学习领域，专注于目标检测前沿技术的探索与突破。长期致力于YOLO系列算法的结构性创新、性能极限优化与工业级落地实践，旨在打通从学术研究到产业应用的最后一公里。
🚀 核心专长与技术创新
YOLO算法结构性创新：于CSDN平台原创发布《YOLOv13魔术师》、《YOLOv12魔术师》等全系列深度专栏。系统性提出并开源了多项原创自研模块，在模型轻量化设计、多维度注意力机制融合、特征金字塔重构等关键方向完成了一系列突破性实践，为行业提供了具备高参考价值的技术路径与完整解决方案。
技术生态建设与知识传播：独立运营 “计算机视觉大作战” 公众号（粉丝1.6万），成功构建高质量的技术交流社群。致力于将复杂算法转化为通俗易懂的解读与可复现的工程代码，显著降低了计算机视觉的技术入门门槛。
🏆 行业影响力与商业实践
荣获腾讯云年度影响力作者与创作之星奖项，内容质量与专业性获行业权威平台认证。
全网累计拥有 7万+ 垂直领域技术受众，专栏文章总阅读量突破百万，在目标检测领域形成了广泛的学术与工业影响力。
具备丰富的企业级项目交付经验，曾为工业视觉检测、智慧城市安防等多个关键领域提供定制化的算法模型与解决方案，驱动业务智能化升级。
💡 未来方向与使命
秉持 “让每一行代码都有温度” 的技术理念，未来将持续聚焦于实时检测、语义分割及工业缺陷检测的商业化闭环等核心方向。愿与业界同仁协同创新，共同推动技术边界，以坚实的技术能力赋能实体经济与行业变革。
原创自研系列， 25年计算机视觉顶会创新点
《YOLOv13魔术师》
《YOLOv12魔术师》
《YOLO11魔术师》
《YOLOv8原创自研》
《YOLOv5原创自研》
《YOLOv7原创自研》
《YOLOv9魔术师》
《YOLOv10魔术师》
应用系列篇：
《YOLO小目标检测》
《深度学习工业缺陷检测》
《YOLOv8-Pose关键点检测》
23、24年最火系列，加入24年改进点内涵100+优化改进篇，涨点小能手，助力科研，好评率极高
《YOLOv8魔术师》
《YOLOv7魔术师》
《YOLOv5/YOLOv7魔术师》
《RT-DETR魔术师》
Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。
结构图如下：
1.1 C3k2
C3k2，结构图如下
C3k2，继承自类C2f，其中通过c3k设置False或者Ture来决定选择使用C3k还是Bottleneck
实现代码ultralytics/nn/modules/block.py
1.2 C2PSA介绍
借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？）
实现代码ultralytics/nn/modules/block.py
1.3 11 Detect介绍
分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：
实现代码ultralytics/nn/modules/head.py
数据集描述
🩻 脊柱侧弯 —— 带标注的脊柱X射线数据集
本数据集是一个经过精心整理和预处理的脊柱X射线图像集合，专为使用YOLOv5、YOLOv8或其他目标检测框架进行基于深度学习的脊柱侧弯及椎体检测而设计。
数据集包含高质量的标注X射线图像，每张图像均带有多个边界框标注——每个边界框代表不同的脊柱区域和病变情况。
2.1 脊柱侧弯X射线数据集介绍
数据集大小：训练集1535张，验证集100张，测试集101张
类别 3类：
nc: 3names: ['Vertebra', 'scoliosis spine', 'normal spine']
细节图：
标签可视化分析
2.2 配置scoliosis.yaml
ps:建议填写绝对路径
path: D:/YOLOv11/data/scoliosistrain: ./train/imagesval: ./valid/imagestest: ./test/imagesnc: 3names: ['Vertebra', 'scoliosis spine', 'normal spine']
2.3 如何训练
import warningswarnings.filterwarnings('ignore')from ultralytics import YOLOif __name__ == '__main__':model = YOLO('ultralytics/cfg/models/11/yolo11.yaml')model.train(data='data/scoliosis.yaml',cache=False,imgsz=640,epochs=200,batch=8,close_mosaic=10,device='0',optimizer='SGD', # using SGDproject='runs/train',name='exp',)
2.4 训练结果可视化结果
YOLO11 summary (fused): 341 layers, 3,265,879 parameters, 0 gradients, 7.1 GFLOPsClass Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 4/4all 100 1626 0.951 0.948 0.969 0.616Vertebra 100 1526 0.895 0.951 0.954 0.581scoliosis spine 88 88 0.957 0.989 0.981 0.64normal spine 12 12 1 0.903 0.971 0.626
预测结果：
3.1 PySide6介绍
受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。在很多情况下，我们想要以图形化方式将我们的人工智能算法打包提供给用户使用，这时候选择以python为主的GUI框架就非常合适了。
PySide是Qt公司的产品，PyQt是第三方公司的产品，二者用法基本相同，不过在使用协议上却有很大差别。PySide可以在LGPL协议下使用，PyQt则在GPL协议下使用。
PySide目前常见的有两个版本：PySide2和PySide6。PySide2由C++版的Qt5开发而来.，而PySide6对应的则是C++版的Qt6。从PySide6开始，PySide的命名也会与Qt的大版本号保持一致，不会再出现类似PySide2对应Qt5这种容易混淆的情况。
3.2 安装PySide6
pip install --upgrade pippip install pyside6 -i https://mirror.baidu.com/pypi/simple
基于PySide6开发GUI程序包含下面三个基本步骤：
-
设计GUI，图形化拖拽或手撸；
-
响应UI的操作（如点击按钮、输入数据、服务器更新），使用信号与Slot连接界面和业务；
-
打包发布；
3.3 脊柱侧弯X射线检测系统设计
