本研究针对医学寄生虫检测需求，基于YOLO26目标检测算法开发了一套多类别寄生虫识别检测系统。系统可识别包括钩虫、蛔虫、蛲虫、肝片吸虫、膜壳绦虫、血吸虫、带绦虫和鞭虫在内的8种常见人体寄生虫。

研究采用2110张显微图像构建数据集，其中训练集1484张、验证集411张、测试集215张。实验结果显示，模型在验证集上的mAP50达到0.885，mAP50-95达到0.728，单张图像推理速度仅2.8ms，表现出良好的检测精度与实时性能。各类别中，蛔虫的检测效果最佳（mAP50=0.965），而带绦虫的检测效果相对较弱（mAP50=0.783），为后续模型优化指明了方向。

目录

  摘要

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

背景

数据集介绍

训练结果​编辑

整体性能评估​编辑

各类别检测性能分析

混淆矩阵分析​编辑

训练曲线分析​编辑

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

✅ 用户登录注册：支持密码检测，密码加密。

注册

登录

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅ 支持选择检测目标：可以选择一个或者多个类目的目标进行检测

✅参数实时调节（置信度和IoU阈值）

✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

寄生虫感染是全球范围内特别是发展中国家的重要公共卫生问题，可导致营养不良、贫血、器官损伤甚至死亡。传统的寄生虫检测主要依赖人工显微镜检查，这种方法不仅耗时耗力，且高度依赖检验人员的专业经验，存在主观性强、重复性差、效率低下等问题。随着深度学习技术在医学图像分析领域的快速发展，基于卷积神经网络的目标检测算法为寄生虫自动识别提供了新的解决方案。

YOLO系列算法以其检测速度快、精度高的特点，在实时目标检测任务中表现优异。本研究旨在探索YOLO26算法在寄生虫显微图像识别中的应用，构建一个准确、高效的自动检测系统，辅助临床检验人员快速识别多种寄生虫，提高检测效率和标准化水平。

寄生虫病作为一种被忽视的热带疾病，在全球范围内仍然威胁着超过10亿人口的健康。根据世界卫生组织的最新统计，土壤传播的蠕虫感染就影响到全球约15亿人，其中学龄前和学龄儿童是主要受害群体。在发展中国家，由于卫生条件差、医疗资源匮乏，寄生虫感染的发病率和死亡率一直居高不下。即使在发达国家，随着国际旅行的增加和移民人口的涌入，输入性寄生虫病例也呈现出逐年上升的趋势，给当地的医疗系统带来了新的挑战。

传统的寄生虫检测主要依赖于显微镜检查，这种方法已经有近百年的历史。检验人员需要将粪便、血液或组织样本处理后，在显微镜下逐一寻找和识别寄生虫卵或幼虫。这个过程不仅耗时，而且对检验人员的专业知识要求极高。不同的寄生虫卵形态相似，大小相近，即使是有经验的专业人员也难免会出现误判和漏判。特别是在医疗资源匮乏的地区，缺乏专业的检验人员，这一问题更加突出。据统计，即使是在专业实验室环境中，人工镜检的误诊率也可能达到10%至20%。

近年来，随着计算机视觉和深度学习技术的突破，医学图像分析领域迎来了革命性的发展。卷积神经网络特别是目标检测算法在医学影像分析中展现出超越人类专家的潜力。从X光片到CT图像，从病理切片到眼底照片，深度学习技术正在改变着医学诊断的方式。在寄生虫学领域，研究者们也开始尝试将深度学习技术应用于寄生虫的自动识别。早期的研究主要集中于单一类别寄生虫的识别，难以满足临床实践中多类别同时检测的需求。随着YOLO、SSD、Faster R-CNN等目标检测算法的发展，多类别同时检测成为可能，这为开发全面的寄生虫检测系统提供了技术基础。

YOLO系列算法作为单阶段目标检测的代表，将目标检测任务转化为回归问题，实现了端到端的检测流程。本研究选择YOLO26作为基础算法，针对8种常见寄生虫构建检测系统，旨在解决传统检测方法的痛点，为临床寄生虫检测提供一种智能化解决方案。

本研究构建的寄生虫显微图像数据集包含8个类别，分别是：钩虫（Ancylostoma Spp）、蛔虫（Ascaris Lumbricoides）、蛲虫（Enterobius Vermicularis）、肝片吸虫（Fasciola Hepatica）、膜壳绦虫（Hymenolepis）、血吸虫（Schistosoma）、带绦虫（Taenia Sp）和鞭虫（Trichuris Trichiura）。数据集总规模为2110张标注图像，按照约7:2:1的比例划分为训练集1484张、验证集411张和测试集215张。

各类别的样本分布如下：

• 钩虫（Ancylostoma Spp）：411张图像，963个实例

• 蛔虫（Ascaris Lumbricoides）：67张图像，140个实例

• 蛲虫（Enterobius Vermicularis）：39张图像，154个实例

• 肝片吸虫（Fasciola Hepatica）：46张图像，76个实例

• 膜壳绦虫（Hymenolepis）：62张图像，89个实例

• 血吸虫（Schistosoma）：51张图像，90个实例

• 带绦虫（Taenia Sp）：51张图像，168个实例

• 鞭虫（Trichuris Trichiura）：66张图像，131个实例

整体性能评估

• 模型总参数量：9,468,276（约 9.5M），属于中等复杂度，适合嵌入式或边缘部署。

• mAP50：0.885（整体），表现良好。

• mAP50-95：0.728，说明模型在更严格的 IoU 阈值下仍有不错的泛化能力。

• 推理速度：2.8ms/张，适合实时检测场景。

各类别检测性能分析

混淆矩阵分析

• Ancylostoma Spp 识别效果最好，只有少数被误判为 Ascaris 或背景。

• Ascaris Lumbricoides 几乎无误判，识别非常准确。

训练曲线分析

• train/box_loss、cls_loss、dfl_loss 持续下降，训练正常。

• val/box_loss、cls_loss、dfl_loss 稳定，未见明显过拟合。

• mAP50 和 mAP50-95 在训练后期趋于平稳，模型收敛良好。

Ultralytics  YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性: YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率： 端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于 Segmentation 的语义分割损失和多尺度原型模块，用于高精度 姿势估计 的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决 旋转框检测 中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在 CPU 上的运行速度提高了 43% — 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：