本项目用于自动分割荧光线虫并统计每条线虫的荧光强度。当前公开版本以 YOLO26s-seg 为主模型:输入显微镜荧光图像,输出线虫实例分割预览图,以及每条线虫的原始平均强度、背景中位数和扣背景后的平均强度。
GitHub 仓库只发布代码、推理示例和可公开模型权重;训练集、原始 ROI/Labelme 标注、训练运行目录和本地待处理图像不随仓库开源。
2026-06-05 版本主要更新如下:
- 新增并公开 YOLO26s 最优权重:
models/worm_yolo26s_best.pt - 新增 YOLO26s 原版推理输出:
examples/outputs/yolo26s_original/ - 新增 YOLO26s 亮度增强检测输出:
examples/outputs/yolo26s_brightness_enhanced/ - 将项目脚本统一整理到
scripts/目录 - 新增
scripts/prepare_roiset_dataset.py,支持 ROI 数据人工筛选、blank ROI 选择、亮度增强选择,并自动重建 YOLO 数据集 - 新增
scripts/review_dataset_labels.py和scripts/build_reviewed_dataset.py,支持对已生成 YOLO 数据集进行人工复核和二次预处理 - 新增
scripts/train_yolo26s_seg.py和scripts/train_yolo26m_seg.py,用于 YOLO26 系列分割模型训练 - 增强
scripts/infer_yolo.py,支持亮度增强检测、重叠 mask 去重、最大连通域保留,以及原图强度统计 - README 补全每个脚本的使用方法和参数含义
models/
worm_yolo26s_best.pt YOLO26s-seg 线虫分割最优权重
worm_yolo_best.pt 旧版 YOLOv8n-seg 微调权重,保留用于对比
examples/
images/
fluorescent_worm_example.jpg 推理示例输入图
outputs/
yolo26s_original/ YOLO26s 原图检测输出
yolo26s_brightness_enhanced/ YOLO26s 亮度增强检测输出
scripts/
*.py 数据准备、训练、推理和复核工具
以下内容默认不入库:RoiSet/、label/、hard_mining/、output_root*/、runs/、waiting_images/、worm_yolo_results/、预训练下载权重和缓存文件。
建议使用 Python 3.9 或相近版本的独立环境:
conda create -n worm_env python=3.9 -y
conda activate worm_env
python -m pip install -r requirements.txt依赖说明:
| 依赖 | 用途 |
|---|---|
ultralytics>=8.4.52 |
YOLO26 训练和推理 |
opencv-python |
图像读取、mask 处理、可视化输出 |
numpy |
数值计算 |
torch / torchvision |
YOLO 训练和推理后端 |
labelme |
Labelme 标注解析 |
Pillow |
GUI 图像显示 |
PyYAML |
YOLO dataset.yaml 读写 |
roifile==2024.9.15 |
ImageJ ROI zip 读取 |
使用公开的 YOLO26s 权重和示例图:
python scripts/infer_yolo.py `
--model models/worm_yolo26s_best.pt `
--input-dir examples/images `
--output-root runs/example_yolo26s `
--conf 0.1 `
--imgsz 1376 `
--overlap-thres 0.85 `
--keep-largest-component如果图像较暗,可以只对检测输入做亮度增强。注意:强度统计仍使用原图灰度,不使用增强后的灰度。
python scripts/infer_yolo.py `
--model models/worm_yolo26s_best.pt `
--input-dir examples/images `
--output-root runs/example_yolo26s_bright `
--conf 0.1 `
--imgsz 1376 `
--enhance-brightness `
--brightness-factor 1.5 `
--overlap-thres 0.85 `
--keep-largest-component每张图会输出:
| 文件 | 含义 |
|---|---|
segmentation_result.jpg |
带线虫轮廓、编号和右侧强度摘要的预览图 |
intensity_stats.csv |
每条线虫的结构化强度统计 |
intensity_stats.txt |
便于人工阅读的文本摘要 |
CSV 关键字段:
| 字段 | 含义 |
|---|---|
image_file |
输入图像文件名 |
status |
检测状态 |
worm_id |
线虫编号 |
confidence |
模型置信度 |
detection_image |
检测使用 original 或 brightness_enhanced |
intensity_source |
强度统计来源,默认 original |
brightness_factor |
检测图亮度倍数 |
raw_mean_intensity |
线虫 mask 内原始平均灰度 |
background_median |
全部预测线虫 mask 外像素的背景中位数 |
corrected_mean_intensity |
raw_mean_intensity - background_median |
- 用
prepare_roiset_dataset.py或旧版转换工具把 ROI/Labelme 标注转成 YOLO segmentation 数据集。 - 用
review_dataset_labels.py复核已有 YOLO 标签,并标记是否需要亮度增强。 - 用
build_reviewed_dataset.py根据复核结果生成干净训练集。 - 用
train_yolo26s_seg.py训练 YOLO26s-seg。 - 用
mine_hard_examples.py筛选难例,必要时用review_hard_examples.py人工复核。 - 用
build_hard_finetune_dataset.py构建难例强化微调集。 - 用
infer_yolo.py批量推理并导出强度统计。
所有命令建议在项目根目录运行。
| 脚本 | 用途 |
|---|---|
scripts/infer_yolo.py |
批量推理、mask 后处理、背景校正强度统计 |
scripts/train_yolo26s_seg.py |
YOLO26s-seg 训练入口 |
scripts/train_yolo26m_seg.py |
YOLO26m-seg 训练入口 |
scripts/train_yolo.py |
通用 YOLO segmentation 训练入口 |
scripts/prepare_roiset_dataset.py |
新 ROI 数据筛选、blank ROI 选择、亮度增强选择、数据集合并 |
scripts/review_dataset_labels.py |
GUI 复核已生成 YOLO 数据集标签 |
scripts/build_reviewed_dataset.py |
根据复核结果构建过滤/亮度增强后的 YOLO 数据集 |
scripts/annotate_rois.py |
旧版 blank ROI 选择工具 |
scripts/roiset2yolo.py |
旧版 ImageJ ROI zip 转 YOLO segmentation |
scripts/labelme2yolo.py |
Labelme polygon JSON 转 YOLO segmentation |
scripts/labelme2dataset.py |
Labelme JSON 转普通 image/mask 数据集 |
scripts/merge_yolo_datasets.py |
合并两个 YOLO segmentation 数据集 |
scripts/mine_hard_examples.py |
逐图评估并筛选难例 |
scripts/review_hard_examples.py |
GUI 复核难例 |
scripts/build_hard_finetune_dataset.py |
构建难例强化微调数据集 |
scripts/roi_utils.py |
ROI 读取和 mask 工具库,无命令行入口 |
用途:批量运行 YOLO segmentation 推理,输出分割图和每条线虫的背景校正荧光强度。
示例:
python scripts/infer_yolo.py `
--model models/worm_yolo26s_best.pt `
--input-dir waiting_images `
--output-root output_root_yolo26s `
--conf 0.1 `
--imgsz 1376 `
--overlap-thres 0.85 `
--keep-largest-component参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--model |
models/worm_yolo26s_best.pt |
YOLO 分割模型权重路径 |
--input-dir |
waiting_images |
待推理图像目录 |
--output-root |
output_root |
输出根目录,每张图会建立一个子目录 |
--conf |
0.1 |
检测置信度阈值 |
--imgsz |
1376 |
推理图像尺寸 |
--enhance-brightness |
False |
只对检测输入做亮度增强 |
--enhance-contrast |
False |
--enhance-brightness 的兼容别名 |
--no-enhance-brightness |
False |
显式关闭亮度增强 |
--brightness-factor |
1.5 |
亮度增强倍数 |
--overlap-thres |
0.85 |
若两个 mask 的交集/较小面积超过该阈值,抑制低置信度重复 mask;设为 1.0 可关闭 |
--keep-largest-component |
True |
每个预测 mask 只保留最大连通域 |
--no-keep-largest-component |
False |
保留预测 mask 的所有连通域 |
用途:训练 YOLO26s-seg。适合当前项目的主模型,8GB 显存建议从 batch=1 开始。
示例:
python scripts/train_yolo26s_seg.py `
--weights models/pretrained/yolo26s-seg.pt `
--data label/combined_yolo_dataset_reviewed_bright/dataset.yaml `
--project worm_yolo_results `
--name train_yolo26s_seg `
--epochs 300 `
--patience 80 `
--batch 1 `
--imgsz 1376参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--weights |
models/pretrained/yolo26s-seg.pt |
预训练权重、本地权重或模型名;支持 yolov26s-seg、yolo26s-seg 别名 |
--data |
label/combined_yolo_dataset_reviewed/dataset.yaml |
YOLO segmentation 数据集配置 |
--project |
worm_yolo_results |
训练输出根目录 |
--name |
train_yolo26s_seg |
本次训练运行名 |
--epochs |
300 |
最大训练轮数 |
--patience |
80 |
early stopping 等待轮数 |
--batch |
1 |
batch size |
--imgsz |
1376 |
训练图像尺寸 |
--device |
0 |
GPU 编号或 cpu |
--workers |
0 |
dataloader worker 数,Windows 建议 0 |
--optimizer |
auto |
优化器;auto 由 Ultralytics 自动选择 |
--lr0 |
None |
初始学习率;仅在 --optimizer 不是 auto 时传给训练器 |
--degrees |
180.0 |
随机旋转角度范围 |
--fliplr |
0.5 |
左右翻转概率 |
--flipud |
0.5 |
上下翻转概率 |
--seed |
42 |
随机种子 |
--single-cls |
False |
将数据集按单类训练 |
--exist-ok |
False |
允许复用或覆盖同名运行目录 |
用途:训练 YOLO26m-seg。模型更大,显存占用更高。
示例:
python scripts/train_yolo26m_seg.py `
--weights models/pretrained/yolo26m-seg.pt `
--data label/hard_finetune_dataset/dataset.yaml `
--project worm_yolo_results `
--name train_yolo26m_seg `
--batch 1 `
--imgsz 1376参数与 train_yolo26s_seg.py 基本一致,默认差异如下:
| 参数 | 默认值 | 含义 |
|---|---|---|
--weights |
models/pretrained/yolo26m-seg.pt |
YOLO26m-seg 预训练权重或模型名;支持 yolov26m-seg、yolo26m-seg 别名 |
--data |
label/hard_finetune_dataset/dataset.yaml |
默认使用难例强化数据集 |
--name |
train_yolo26m_seg |
训练运行名 |
--epochs |
150 |
最大训练轮数 |
--patience |
50 |
early stopping 等待轮数 |
其他参数:--project、--batch、--imgsz、--device、--workers、--optimizer、--lr0、--degrees、--fliplr、--flipud、--seed、--single-cls、--exist-ok,含义同 YOLO26s 训练脚本。
用途:通用 YOLO segmentation 训练入口,保留用于 YOLOv8 或其他权重的训练。
示例:
python scripts/train_yolo.py `
--weights models/worm_yolo26s_best.pt `
--data label/combined_yolo_dataset/dataset.yaml `
--project worm_yolo_results `
--name train_custom参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--weights |
models/worm_yolo26s_best.pt |
起始权重 |
--data |
label/combined_yolo_dataset/dataset.yaml |
YOLO 数据集配置 |
--project |
worm_yolo_results |
训练输出根目录 |
--name |
train_combined_finetune |
训练运行名 |
--epochs |
150 |
最大训练轮数 |
--batch |
8 |
batch size |
--imgsz |
1376 |
图像尺寸 |
--device |
0 |
GPU 编号或 cpu |
--workers |
0 |
dataloader worker 数 |
--optimizer |
auto |
优化器 |
--lr0 |
0.001 |
初始学习率 |
--patience |
50 |
early stopping 等待轮数 |
--degrees |
180.0 |
随机旋转范围 |
--fliplr |
0.5 |
左右翻转概率 |
--flipud |
0.5 |
上下翻转概率 |
--seed |
42 |
随机种子 |
--single-cls |
False |
单类别训练 |
--augment |
False |
启用 Ultralytics 增强参数 |
用途:推荐的新 ROI 数据入口。它会读取一组图像和同名 ImageJ ROI zip,打开 GUI 让用户选择 blank/background ROI、决定是否保留图像、是否对训练图做亮度增强,并自动合并到 YOLO 数据集。
示例:
python scripts/prepare_roiset_dataset.py `
--input-dir RoiSet/20260604_new_data `
--base-data label/combined_yolo_dataset_reviewed/dataset.yaml `
--output-dir label/combined_yolo_dataset_reviewed `
--curation RoiSet/20260604_new_data/curation.json `
--val-ratio 0.2 `
--seed 42参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--input-dir |
RoiSet/20260604_new_data |
包含图像和同名 ROI zip 的目录 |
--base-data |
label/combined_yolo_dataset_reviewed/dataset.yaml |
要先复制的基础 YOLO 数据集 |
--output-dir |
label/combined_yolo_dataset_reviewed |
合并后的输出数据集目录 |
--curation |
RoiSet/20260604_new_data/curation.json |
GUI 筛选状态保存路径 |
--val-ratio |
0.2 |
新接收图片进入验证集的比例 |
--seed |
42 |
新图片 train/val 划分随机种子 |
--build-only |
False |
不打开 GUI,只根据已有 curation.json 重建数据集 |
GUI 操作:
| 控件 | 含义 |
|---|---|
| ROI list / 图像点击 | 选择唯一 blank/background ROI |
Keep for training |
保留该图进入训练集 |
Drop bad annotation/image |
丢弃该图 |
Enhance brightness for training image |
写入训练集时保存亮度增强版 |
Brightness factor |
亮度增强倍数 |
Confirm, save, and rebuild dataset |
保存当前选择并重建输出数据集 |
输出文件:
| 文件 | 含义 |
|---|---|
dataset.yaml |
YOLO 训练入口 |
background_rois.json |
blank ROI 坐标记录 |
background_validation.csv |
blank ROI 与非线虫背景对比 |
brightness_decisions.csv |
每张图是否亮度增强及倍数 |
conversion_summary.json |
转换和合并统计 |
用途:GUI 复核已有 YOLO segmentation 数据集的标签质量,同时可标记输出数据集中是否需要亮度增强。
示例:
python scripts/review_dataset_labels.py `
--data label/combined_yolo_dataset_reviewed/dataset.yaml `
--split all `
--review-json label/combined_yolo_dataset_reviewed_preprocess_review.json `
--review-csv label/combined_yolo_dataset_reviewed_preprocess_review.csv参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--data |
label/combined_yolo_dataset/dataset.yaml |
要复核的 YOLO 数据集 |
--split |
train |
复核 train、val 或 all |
--review-json |
label/label_review.json |
复核状态 JSON |
--review-csv |
label/label_review.csv |
复核结果 CSV |
--max-width |
1050 |
GUI 预览最大宽度 |
--max-height |
760 |
GUI 预览最大高度 |
GUI 操作:K 保留、D 丢弃、U 标记不确定;也可选择是否在输出数据集中做亮度增强。
用途:根据 review_dataset_labels.py 产生的复核结果,构建过滤后的 YOLO 数据集;可同时把指定图像写成亮度增强版。
示例:
python scripts/build_reviewed_dataset.py `
--source-data label/combined_yolo_dataset_reviewed/dataset.yaml `
--review-json label/combined_yolo_dataset_reviewed_preprocess_review.json `
--output-dir label/combined_yolo_dataset_reviewed_bright `
--reviewed-splits train val `
--keep-pending `
--overwrite参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--source-data |
label/combined_yolo_dataset/dataset.yaml |
原始 YOLO 数据集 |
--review-json |
label/label_review.json |
复核 JSON |
--output-dir |
label/combined_yolo_dataset_reviewed |
输出数据集目录 |
--reviewed-splits |
train |
哪些 split 应按复核结果过滤,可传 train val |
--keep-unsure |
False |
保留标记为 unsure 的图 |
--keep-pending |
False |
保留未复核图 |
--overwrite |
False |
覆盖已有输出目录 |
用途:旧版工具,只负责为每张 ImageJ ROI 图选择一个 blank/background ROI,生成 roi_labels.json。
示例:
python scripts/annotate_rois.py `
--input-dir RoiSet `
--annotations RoiSet/roi_labels.json参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--input-dir |
RoiSet |
包含 TIFF 图像和同名 ROI zip 的目录 |
--annotations |
RoiSet/roi_labels.json |
blank ROI 标注 JSON 输出路径 |
用途:旧版 ImageJ ROI zip 转 YOLO segmentation 数据集。需要先用 annotate_rois.py 选择 blank ROI。
示例:
python scripts/roiset2yolo.py `
--input-dir RoiSet `
--annotations RoiSet/roi_labels.json `
--output-dir label/roi_yolo_dataset `
--val-ratio 0.2 `
--seed 42 `
--overwrite参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--input-dir |
RoiSet |
包含图像和 ROI zip 的目录 |
--annotations |
RoiSet/roi_labels.json |
blank ROI 标注 JSON |
--output-dir |
label/roi_yolo_dataset |
YOLO 数据集输出目录 |
--val-ratio |
0.2 |
验证集比例 |
--seed |
42 |
train/val 划分随机种子 |
--overwrite |
False |
覆盖已有输出目录 |
用途:将 Labelme polygon 标注转换为 YOLO segmentation 格式。
示例:
python scripts/labelme2yolo.py `
--labelme-dir label/converted `
--yolo-dir label/yolo_dataset `
--classes worm参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--labelme-dir |
label/converted |
Labelme JSON 和对应图像所在目录 |
--yolo-dir |
label/yolo_dataset |
YOLO segmentation 输出目录 |
--classes |
worm |
要导出的类别名列表 |
用途:将 Labelme JSON 转换为普通 images/ + masks/ 数据集,不是 YOLO segmentation 标签格式。
示例:
python scripts/labelme2dataset.py `
--labelme-dir label `
--output-dir label/mask_dataset参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--labelme-dir |
label |
Labelme JSON 目录 |
--output-dir |
label/yolo_dataset |
输出 image/mask 数据集目录 |
用途:合并已有 train/val 划分的数据集和额外 YOLO 数据集。
示例:
python scripts/merge_yolo_datasets.py `
--base-dir label/roi_yolo_dataset `
--extra-dir label/yolo_dataset `
--output-dir label/combined_yolo_dataset `
--extra-val-ratio 0.2 `
--seed 42 `
--overwrite参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--base-dir |
label/roi_yolo_dataset |
已有 train/val 划分的基础数据集 |
--extra-dir |
label/yolo_dataset |
要加入的额外数据集 |
--output-dir |
label/combined_yolo_dataset |
合并输出目录 |
--extra-val-ratio |
0.2 |
额外样本分入验证集的比例 |
--seed |
42 |
额外样本划分随机种子 |
--overwrite |
False |
覆盖已有输出目录 |
用途:逐图评估模型表现,筛选低 mAP、低 recall 或漏检明显的难例。
示例:
python scripts/mine_hard_examples.py `
--model models/worm_yolo26s_best.pt `
--data label/combined_yolo_dataset_reviewed_bright/dataset.yaml `
--output-dir hard_mining/yolo26s_best `
--map-threshold 0.4 `
--recall-threshold 0.7 `
--conf 0.001 `
--detection-conf 0.1 `
--imgsz 1376 `
--device 0 `
--save-previews参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--model |
必填 | 训练完成的 best.pt |
--data |
label/combined_yolo_dataset/dataset.yaml |
YOLO 数据集 |
--output-dir |
hard_mining/stage2_best |
难例报告输出目录 |
--map-threshold |
0.4 |
低于该 Mask mAP50-95 视为难例 |
--recall-threshold |
0.7 |
低于该 Mask Recall@0.5 视为难例 |
--conf |
0.001 |
AP 计算用预测置信度阈值 |
--detection-conf |
0.1 |
判定实际漏检用置信度阈值 |
--imgsz |
1376 |
推理图像尺寸 |
--device |
0 |
推理设备 |
--save-previews |
False |
保存难例预测预览图 |
用途:GUI 复核 mine_hard_examples.py 筛出的难例,输出人工保留的难例清单。
示例:
python scripts/review_hard_examples.py `
--hard-report hard_mining/stage2_best/hard_examples.csv `
--preview-dir hard_mining/stage2_best/previews `
--review-json hard_mining/stage2_best/hard_review.json `
--review-csv hard_mining/stage2_best/hard_review.csv `
--kept-csv hard_mining/stage2_best/reviewed_hard_examples.csv参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--hard-report |
hard_mining/stage2_best/hard_examples.csv |
难例 CSV |
--preview-dir |
hard_mining/stage2_best/previews |
难例预览图目录 |
--review-json |
hard_mining/stage2_best/hard_review.json |
复核状态 JSON |
--review-csv |
hard_mining/stage2_best/hard_review.csv |
全量复核结果 CSV |
--kept-csv |
hard_mining/stage2_best/reviewed_hard_examples.csv |
仅保留人工标记 keep 的难例 |
--max-width |
1050 |
GUI 预览最大宽度 |
--max-height |
760 |
GUI 预览最大高度 |
用途:根据难例报告复制原数据集,并对训练难例做重复采样和增强,构建强化微调数据集。
示例:
python scripts/build_hard_finetune_dataset.py `
--base-data label/combined_yolo_dataset/dataset.yaml `
--hard-report hard_mining/stage2_best/hard_examples.csv `
--output-dir label/hard_finetune_dataset `
--repeat-copies 2 `
--augment-copies 2 `
--seed 42 `
--overwrite参数:
| 参数 | 默认值 | 含义 |
|---|---|---|
--base-data |
label/combined_yolo_dataset/dataset.yaml |
原始合并数据集 |
--hard-report |
hard_mining/stage2_best/hard_examples.csv |
难例筛选 CSV |
--output-dir |
label/hard_finetune_dataset |
强化训练数据集输出目录 |
--repeat-copies |
2 |
每张训练难例原样重复次数 |
--augment-copies |
2 |
每张训练难例额外生成增强图次数 |
--seed |
42 |
亮度和噪声增强随机种子 |
--overwrite |
False |
覆盖已有输出目录 |
用途:公共工具库,无命令行入口。主要负责发现图像/ROI zip 配对、读取 ImageJ ROI polygon、读取灰度图、生成 polygon mask 等。
本项目使用 MIT License 开源。