源码包含：完整 YOLOv8 训练代码+数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程， 源码在文末哔哩哔哩视频简介处获取。

• 支持 实时检测白血病细胞，可调用摄像头或图片检测；

• 支持 批量检测：上传整批图像文件，自动输出检测结果；

• PyQt5 提供 可视化界面，无需命令行操作，点击按钮即可运行；

• 训练部分支持 自定义数据集，可二次标注与增量训练；

• 提供 检测结果统计报表，包括类别数量与占比。

项目摘要

随着人工智能和深度学习的发展，医学影像分析正逐渐走向自动化与智能化。在血液病学领域，尤其是 白血病细胞检测，借助目标检测模型可以极大减轻医生的工作负担，提高诊断效率与准确性。

本项目基于 YOLOv8 搭建白血病细胞检测系统，辅以 PyQt5 图形界面，实现一键运行、实时检测与可视化操作，达到 科研+临床教学 的双重价值。

前言

传统的细胞检测依赖人工显微镜观察，效率低且主观性强。随着 YOLO 系列模型的发展，其轻量化与高精度特性使其非常适合医学图像检测任务。

本项目特点：

1. 开箱即用：提供预训练权重，直接运行即可检测；

2. 可复训练：带完整数据集和标注文件，支持再训练；

3. 界面化操作：PyQt5 封装检测程序，零基础用户也可轻松使用；

4. 完整流程：包含训练、测试、部署的全流程代码与教程。

一、软件核心功能介绍及效果演示

本项目基于 YOLOv8 深度学习模型 与 PyQt5 图形化界面 实现，用户无需编写代码即可快速完成白血病细胞的检测与识别。系统支持 单图检测、批量检测与实时摄像头检测，并可对检测结果进行直观可视化展示。所有识别到的细胞都会以不同颜色的边框与标签标注，同时统计每类细胞的数量与占比，生成检测报表。

在功能操作上，用户只需通过界面点击按钮，即可实现：

• 模型加载：选择预训练好的权重文件，立即进入检测模式；

• 图像/视频检测：支持单张图片、文件夹批量检测以及视频流检测；

• 结果展示与保存：检测结果自动显示在界面，并可一键保存图像与统计数据；

• 检测效果直观可见：通过检测前后对比，明显展示模型在白血病细胞识别中的高精度表现。

整体上，该系统兼具 易用性、可视化与实用性，既适合科研人员进行实验探索，也可作为教学工具辅助医学影像课程。

二、软件效果演示

为了直观展示本系统基于 YOLOv8 模型的检测能力，我们设计了多种操作场景，涵盖静态图片、批量图片、视频以及实时摄像头流的检测演示。

（1）单图片检测演示

用户点击“选择图片”，即可加载本地图像并执行检测：

（2）多文件夹图片检测演示

用户可选择包含多张图像的文件夹，系统会批量检测并生成结果图。

（3）视频检测演示

支持上传视频文件，系统会逐帧处理并生成目标检测结果，可选保存输出视频：

（4）摄像头检测演示

实时检测是系统中的核心应用之一，系统可直接调用摄像头进行检测。由于原理和视频检测相同，就不重复演示了。

（5）保存图片与视频检测结果

用户可通过按钮勾选是否保存检测结果，所有检测图像自动加框标注并保存至指定文件夹，支持后续数据分析与复审。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。其核心优势如下：

• 高速推理，适合实时检测任务

• 支持 Anchor-Free 检测

• 支持可扩展的 Backbone 和 Neck 结构

• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；

• 准确率高：支持 Anchor-Free 架构；

• 支持分类/检测/分割/姿态多任务；

• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；

• weights/best.pt：最佳模型权重；

• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2from ultralytics import YOLOimport torchfrom torch.serialization import safe_globalsfrom ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构safe_globals().add(DetectionModel)
# 加载模型并推理model = YOLO('runs/detect/train/weights/best.pt')results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像img = cv2.imread(str(save_path))cv2.imshow('Detection Result', img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI 完整源码打包

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码

至项目实录视频下方获取：https://www.bilibili.com/video/BV1eLa3z9ERa/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目基于 YOLOv8 搭建了一个白血病细胞识别系统，并通过 PyQt5 图形界面 实现了可视化操作，涵盖了从 模型训练、推理检测到界面化应用 的完整流程。与传统的人工观察相比，该系统能够显著提升细胞识别的 效率与准确性，并为科研人员和医学教学提供了便捷工具。

其主要亮点包括：

1. 开箱即用：提供预训练权重与完整源码，用户可直接运行；

2. 界面化操作：PyQt5 封装检测功能，简化使用门槛；

3. 完整训练流程：包含数据集、标注文件与训练脚本，支持二次训练与模型优化；

4. 可扩展性强：适用于其它医学图像检测任务，如红细胞、血小板等识别。

未来，该系统还可以与 临床病理工作流 深度结合，借助更大规模的数据与模型优化，在医学辅助诊断中发挥更大的价值。

📌 源码与数据集可在文末哔哩哔哩视频简介处获取，欢迎学习与二次开发。