荧光显微镜细胞图像检测实战

数据集地址
该图像数据集是 u2os 细胞高通量化学筛选的一部分，其中包含 200 种生物活性化合物的示例。治疗效果最初是使用细胞绘画测定（荧光显微镜）成像的。该数据集仅包括每种化合物的单个视场的 dna 通道。这些图像呈现了各种核表型，代表了高通量化学扰动。该数据集的主要用途是研究分割算法，该算法可以以准确的方式分离单个细胞核实例，而不管它们的形状和细胞密度如何。该集合有大约 23,000 个手动注释的单个细胞核，以建立用于分割评估的数据集合。
模型训练
准备好数据集以后，直接按下面的命令行运行即可：
yolo train model=yolov8s.pt data=bbbc022_dataset.yaml epochs=25 imgsz=640 batch=1
导出与测试
模型导出与测试
yolo export model=bbbc022_best.pt format=onnxyolo predict model=bbbc022_best.pt source=d: ensor_cv2.jpg
部署推理
转成onnx格式文件以后，基于openvino-python部署推理，相关代码如下
ie = core()for device in ie.available_devices: print(device)# read irmodel = ie.read_model(model=bbbc022_best.onnx)compiled_model = ie.compile_model(model=model, device_name=cpu)output_layer = compiled_model.output(0)frame = cv.imread(d:/tensor_cv2.jpg)bgr = format_yolov8(frame)img_h, img_w, img_c = bgr.shapestart = time.time()image = cv.dnn.blobfromimage(bgr, 1 / 255.0, (640, 640), swaprb=true, crop=false)res = compiled_model([image])[output_layer] # 1x84x8400rows = np.squeeze(res, 0).tclass_ids = []confidences = []boxes = []x_factor = img_w / 640y_factor = img_h / 640for r in range(rows.shape[0]): row = rows[r] classes_scores = row[4:] _, _, _, max_indx = cv.minmaxloc(classes_scores) class_id = max_indx[1] if (classes_scores[class_id] > .25): confidences.append(classes_scores[class_id]) class_ids.append(class_id) x, y, w, h = row[0].item(), row[1].item(), row[2].item(), row[3].item() left = int((x - 0.5 * w) * x_factor) top = int((y - 0.5 * h) * y_factor) width = int(w * x_factor) height = int(h * y_factor) box = np.array([left, top, width, height]) boxes.append(box)indexes = cv.dnn.nmsboxes(boxes, confidences, 0.25, 0.45)for index in indexes: box = boxes[index] color = colors[int(class_ids[index]) % len(colors)] rr = int((box[2] + box[3])/4) cv.circle(frame, (box[0]+int(box[2]/2), box[1]+int(box[3]/2)), rr-4, color, 2) cv.puttext(frame, class_list[class_ids[index]], (box[0] + int(box[2] / 2), box[1] + int(box[3] / 2)), cv.font_hershey_simplex, .5, (0, 0, 0))cv.puttext(frame, gloomyfish@2024, (20, 45), cv.font_hershey_simplex, 1, (0, 0, 255), 2)cv.imshow(yolov8+openvino2023 bbbc count, frame)cv.waitkey(0)cv.destroyallwindows()