← 返回项目库

YOLOv8 医学影像分析（本地演示）

基于 Streamlit 与 YOLOv8 的本地医学影像演示应用，涵盖血细胞目标检测、医学影像分类与乳腺超声分割。

本项目使用 YOLOv8 在本地运行目标检测、图像分类和图像分割三项演示任务，内置血细胞、新冠肺炎/肺炎医学影像与乳腺超声演示图像，无需外部服务即可查看完整界面与预测结果。

真实界面

项目截图

共 6 张

YOLOv8 医学影像分析
目标检测：YOLOv8 血细胞定位
目标检测：高置信度血细胞定位
图像分类：YOLOv8 医学影像
图像分割：YOLOv8 乳腺超声
检测类别：未检测到目标

Capabilities

核心功能

✓目标检测：定位血细胞图像中的红细胞、白细胞与血小板
✓图像分类：将医学影像分类为新冠肺炎、病毒性肺炎或正常
✓图像分割：在乳腺超声图像上生成预测掩膜并叠加显示
✓内置演示图像，无需上传即可查看完整预测流程
✓支持在左侧上传 JPG、JPEG 或 PNG 图像进行预测
✓可调节目标检测置信度阈值
✓提供 YOLOv8 方法概览与医学影像任务介绍页面

适用场景

用于 YOLOv8 医学影像任务的课堂或培训演示
作为血细胞检测、影像分类与超声分割的算法原型参考
在本地离线环境中展示计算机视觉推理流程

适合谁

计算机视觉学习者、医学影像 AI 演示与教学场景用户

商业化思路

开源本地演示项目，无在线收费服务

你会拿到什么

  • ✓Streamlit 应用入口与页面导航源码
  • ✓本地演示图像与 runs 目录中的预训练权重产物

部署流程

  1. 1安装依赖后运行 python app.py 启动本地界面
  2. 2选择左侧应用模式查看对应任务的演示结果

真实验证结果

已通过 6 个真实运行中文界面、HTTP、可见正文、控制台、坏图和横向溢出质量门。

部署前须知

演示依赖 runs 目录中的本地预训练权重，需确保该目录完整后页面才能正常输出预测结果。

部署难度

简单

最低配置

2 核 CPU、4GB 内存，支持 CPU 推理即可运行

开源许可证

上游未声明许可证

最后验证

2026-08-26

技术栈

PythonStreamlitYOLOv8OpenCVPillow

授权说明

上游仓库未提供明确许可证文件；交付包已内置醒目的研究用途与权利声明，仅限学习研究，超出范围需另行取得权利人授权。

Release notes

版本记录

1 个已发布版本

vcn-3be02c4c6a30 当前推荐

首个本地化版本，全部用户可见界面与演示文案均已本地化为简体中文。

部署要求：Python 3 环境，依赖 Streamlit、Ultralytics YOLOv8、OpenCV 与 Pillow，具体见 requirements.txt。

已知问题：各任务模块中的训练函数引用本地开发机数据集路径，重新训练前需按本地目录调整数据路径。

登录后领取