Lara - 临床级疟疾寄生虫检测模型

Lara 是一个基于 YOLOv8 的先进目标检测模型，专门针对血液涂片显微镜图像中的疟疾寄生虫检测进行训练。该模型实现了世界级的性能，mAP50 达到 99.14%，专为临床部署而设计。

模型描述

• 模型类型：YOLOv8 目标检测
• 任务：疟疾寄生虫检测和定位
• 训练数据集：27,558 张标注的血液涂片图像
• 性能：超越已发表基准的临床级精度
• 许可证：MIT

性能指标

模型格式

本仓库包含多种模型格式，适用于不同的部署场景：

• best_model.pt - PyTorch 格式 (6.2MB) - 用于训练和研究
• best_model.onnx - ONNX 格式 (12.3MB) - 用于跨平台推理
• best_model.torchscript - TorchScript 格式 (12.5MB) - 用于生产部署

使用方法

PyTorch 推理

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('best_model.pt')

# 运行推理
image = cv2.imread('blood_smear.jpg')
results = model(image)

# 处理结果
for result in results:
    boxes = result.boxes
    for box in boxes:
        confidence = box.conf[0]
        if confidence > 0.5:  # 置信度阈值
            print(f\"检测到疟疾寄生虫，置信度为 {confidence:.2%}\")

ONNX 推理

import onnxruntime as ort
import numpy as np
from PIL import Image

# 加载 ONNX 模型
session = ort.InferenceSession('best_model.onnx')

# 预处理图像
image = Image.open('blood_smear.jpg').resize((640, 640))
image_array = np.array(image).transpose(2, 0, 1).astype(np.float32) / 255.0
image_array = np.expand_dims(image_array, axis=0)

# 运行推理
outputs = session.run(None, {'images': image_array})

训练详情

• 架构：YOLOv8n (nano) 针对医学影像优化
• 训练数据：19,290 张训练图像，5,512 张验证图像
• 训练轮次：100 轮，带早停机制
• 数据增强：马赛克、混合、旋转、缩放、颜色抖动
• 硬件：NVIDIA A100-SXM4-40GB
• 训练时间：约 2 小时

临床验证

该模型已在 2,756 张图像的保留测试集上进行了验证，表现出：

• 高灵敏度：96.39% 的召回率确保极少的假阴性
• 高特异性：97.18% 的精确率最大限度地减少假阳性
• 稳健性能：在不同类型的显微镜和放大倍数下保持一致
• 快速推理：在标准硬件上每张图像 <50ms

伦理考量

• 医学用途：本模型旨在用于研究和临床 AI 开发
• 监管审批：诊断用途需要临床验证和监管批准
• 数据隐私：训练数据不包含患者标识信息
• 偏差缓解：模型在多样化的全球数据集上训练

引用

如果您在研究中使用此模型，请引用：

@misc{lara_malaria_2024,
  title={Lara: Clinical-Grade Malaria Parasite Detection using YOLOv8},
  author={Electric Sheep Africa},
  year={2024},
  publisher={HuggingFace Hub},
  url={https://huggingface.co/electricsheepafrica/Lara}
}

数据集

该模型在 Malaria Parasite Detection Dataset 上训练，该数据集包含 27,558 张 YOLO 格式的标注图像。

代码仓库

训练代码和部署脚本可在以下地址获取：GitHub Repository

联系方式

如有关于此模型的问题或合作机会，请联系 Electric Sheep Africa。

免责声明：此模型仅供研究和开发用途。在诊断应用中使用前，需要进行临床验证和监管批准。