本数据集包含8种常见寄生虫的显微图像，共计2110张带标注图片，识别准确率达83.2%。数据集支持YOLO系列（v7-v12、v26）、COCO JSON和PASCAL VOC XML格式，可直接用于目标检测模型的训练与评估。文末附有完整的YOLO模型训练代码。

模型训练指标参数：

模型训练图：

数据集拆分

总图数：2110 张图数
训练集

1484 张图

验证集

411 张图

测试集

215 张图

预处理

自动定向：应用

调整大小：拉伸到640x640

增强

无

数据集标签：

[‘Ascaris Lumbricoides’, ‘Trichuris Trichiura’, ‘Ancylostoma Spp’, ‘Enterobius Vermicularis’, ‘Taenia Sp’, ‘Schistosoma’, ‘Hymenolepis’, ‘Fasciola Hepatica’]

寄生虫中文译名对照表

标签	标准中文译名
Ascaris Lumbricoides	人蛔虫
Trichuris Trichiura	毛首鞭形线虫（鞭虫）
Ancylostoma Spp	钩虫属（多种钩虫）
Enterobius Vermicularis	蠕形住肠线虫（蛲虫）
Taenia Sp	带绦虫属（某一种带绦虫）
Schistosoma	裂体吸虫属（血吸虫属）
Hymenolepis	膜壳绦虫属
Fasciola Hepatica	肝片形吸虫

数据集图片和标注信息示例：

数据集应用场景

本数据集适用于以下多个研究和应用领域：

1. 医学教育与培训

• 寄生虫学教学：为医学学生和研究人员提供标准化的寄生虫识别训练材料
• 实验室诊断辅助：帮助开发自动化的寄生虫卵检测系统，提高显微镜检查效率

2. 公共卫生监测

• 流行病学研究：用于分析特定地区寄生虫感染情况，支持公共卫生决策
• 水质监测：检测水源中的寄生虫污染，保障饮用水安全

3. 人工智能研究

• 目标检测算法验证：作为医学图像领域的标准测试集，评估不同检测算法的性能
• 小样本学习：研究在有限标注数据下的模型泛化能力
• 数据增强研究：探索针对医学图像的有效增强策略

4. 临床辅助诊断

• 自动化筛查系统：集成到医疗设备中，实现寄生虫感染的快速初筛
• 远程医疗：支持基层医疗机构通过图像上传进行远程寄生虫鉴定

5. 农业与兽医应用

• 动物寄生虫检测：适用于畜牧业中的动物健康监测
• 食品安全：检测食品中的寄生虫污染，保障食品安全

数据集下载

数据集提供多种格式支持，满足不同框架需求：

• YOLO格式：支持YOLOv7、YOLOv8、YOLOv9、YOLOv11、YOLOv12、YOLOv26
• COCO格式：标准JSON标注文件
• PASCAL VOC格式：XML标注文件

下载链接：寄生虫8种类型数据集

YOLO模型训练

下载数据集并解压后，将训练脚本复制到数据集目录。本仓库提供了完整的YOLO训练代码：YOLOProject训练仓库。

以YOLOv8为例，执行以下命令开始训练：

python train_yolov8.py

训练过程可视化：

模糊图片在模型训练中的优势分析

该数据集中包含了如果包含了一些模糊图片，这并非数据缺陷，而是一种精心设计的数据增强策略，能为模型训练带来以下显著优势：

1. 提升模型鲁棒性：现实场景中，可能发生在运动模糊，对焦不准或光线不足的情况下。在训练集中引入模糊样本，可以迫使模型学习更本质的特征，而不是过度依赖清晰的边缘或纹理细节，从而提升模型在复杂、非理想成像条件下的识别能力。
2. 模拟真实世界噪声：监控摄像头、手机等设备在低光照或快速移动时极易产生模糊。包含此类图片的数据集能让模型提前“见识”并适应这种噪声，减少在实际部署时因图像质量下降而导致的性能骤降。
3. 防止模型过拟合：如果训练集全是高清、摆拍的完美图片，模型容易记住这些特定场景下的“干净”特征，而对新的、稍有模糊的图片泛化能力差。模糊图片作为一种有效的正则化手段，可以增加数据分布的多样性，防止模型过拟合到有限的清晰样本上。
   总结：因此，数据集中包含的模糊图片，与你看到的“水平翻转”、“剪切形变”、“随机遮挡”等增强操作一样，都是为了构建一个更接近真实世界复杂分布的数据环境，从而训练出更健壮、更泛化、更实用的模型。

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2

# ===================== 1. 加载YOLO模型 =====================
# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/x
model = YOLO("best.pt")
# ===================== 2. 推理配置 =====================
image_path = "326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg"  # 你的图片路径
save_result = True       # 是否保存标注后的图
# ===================== 3. 执行推理 =====================
results = model.predict(
    source=image_path,
    conf=0.01,          # 置信度阈值（低于该值忽略）
    save=False,         # 关闭默认保存，自定义保存
    verbose=False       # 关闭冗余日志
)

# ===================== 4. 解析结果：目标区域 + 标注信息 =====================
print("="*50)
print("YOLO 推理结果（目标区域 + 标注信息）")
print("="*50)

# 获取图片（用于绘制框）
img = cv2.imread(image_path)

# 遍历所有检测目标
for idx, result in enumerate(results):
    boxes = result.boxes  # 所有检测框
    
    for box in boxes:
        # ========== 提取目标区域（坐标） ==========
        # xyxy: 左上角x, 左上角y, 右下角x, 右下角y
        x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
        # 宽高
        w = x2 - x1
        h = y2 - y1
        
        # ========== 提取标注信息 ==========
        cls_id = int(box.cls[0])          # 类别ID
        cls_name = model.names[cls_id]    # 类别名称
        conf = float(box.conf[0])         # 置信度
        
        # ========== 打印信息 ==========
        print(f"目标 {idx+1}:")
        print(f"  标注类别：{cls_name}")
        print(f"  置信度：{conf:.2f}")
        print(f"  目标区域坐标：")
        print(f"    左上角 ({x1:.1f}, {y1:.1f})")
        print(f"    右下角 ({x2:.1f}, {y2:.1f})")
        print(f"    宽×高：{w:.1f} × {h:.1f}")
        print("-"*30)
        
        # ========== 在图片上绘制检测框 ==========
        cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
        cv2.putText(img, f"{cls_name} {conf:.2f}", 
                    (int(x1), int(y1)-10), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# ===================== 5. 保存/显示结果 =====================
if save_result:
    cv2.imwrite("yolo_result.jpg", img)
    print("✅ 标注图片已保存为：yolo_result.jpg")

# 显示图片（可选）
cv2.imshow("YOLO Result", img)
#cv2.waitKey(0)
#cv2.destroyAllWindows()