简介基于YOLOv5与ResNet18的骨龄检测毕业设计项目包面向计算机视觉方向的学生和研究者适用于手部X光片骨龄评估任务。整体思路是先用YOLOv5定位手骨关键区域再由ResNet18完成骨龄回归预测流程覆盖数据准备、模型训练、验证与推理等关键环节代码模块划分清晰。压缩包共200个文件包含69个Python源码、53个YAML配置、18个PTH模型权重另有Shell脚本、说明文档与Dockerfile等环境部署文件整体约717MB目录结构合理。项目为个人高分毕业设计已获导师认可代码经过严格调试可直接运行。已有438人学习下载。通过该资源可获得完整训练与推理代码、预训练模型、配套数据集及环境配置既能快速复现骨龄检测流程也能在此基础上改进网络结构、扩充样本或迁移至同类医学影像任务作为毕业设计或科研课题的扎实起点。1. 骨龄检测为什么要同时用yolov5和ResNet18一个两阶段任务的现实解法骨龄检测这个需求放在深度学习里本质是一类“从手骨X光片回归骨骼成熟度分数”的回归任务很多高分毕设都会选它。常见做法是拿ResNet18直接对整张片子做回归出来的结果却总是差强人意图像里大量的软组织、背景、甚至夹在指缝里的噪声区域抢走了网络的注意力模型容易“看偏了”。这个项目标题把yolov5和ResNet18放在一起对应的是一个更可靠的两阶段方案先用yolov5把腕骨、指骨、尺桡骨这些关键区域检测出来裁剪后再交给ResNet18做骨龄值回归。这条技术路线近几年在医疗影像竞赛中反复被验证既能保住检测精度也能降低回归任务的难度。如果你正在做骨科影像、手骨X光相关的毕业设计或医学图像分析任务这个项目结构可以提供一个清晰的基线难点从“让网络自己找重点”变成“两个模型各管一段”每一段的训练、调参和错误分析都更可控。我当时拿到这个压缩包时命名里有“高分毕设项目”几个字所以一开始预期是数据已经整理得很规整。实际用下来发现陌生物料大约占三成——数据集格式要迁移、训练参数要重新设置、各类IO逻辑要自己补齐。这篇笔记会把整条链路讲清楚从数据清洗、标注转换开始到yolov5训练检测头再到ResNet18训练回归头最后落到部署推理和验证。每一步的参数和细节我会按自己做过的方案展开也会把最容易翻车的几个坑单列一章读完后你至少能获得一套可复现、可调参、可写进论文的实验骨架。2. 项目整体链路从X光片到骨龄分数的数据流向2.1 为什么不是直接端到端回归先定位再评分的设计逻辑医疗影像里的回归任务和自然图像里的回归任务有一个很大的不同目标区域的位置是相对固定的但整张图像又包含大量干扰区域。拿手骨X光片来说腕骨、指骨、近端尺桡骨分布在特定区域但片子边缘的软组织阴影、拍摄时的手部旋转、甚至不同设备造成的对比度差异都会让全局回归网络学不到稳定的骨骼特征。端到端回归的做法并不是不能跑只是它对数据量和数据质量要求太高——少量样本下很容易欠拟合或者学到的只是背景纹理。两阶段方案先把“找位置”和“估分数”拆开。yolov5在训练时只需要边界框标注和类别标签感知的是区域的表观特征任务相对简单。ResNet18拿到的输入是裁剪后的局部区域直接回归一个连续的骨龄值跨样本间的背景差异在这个阶段已被大幅压缩模型更容易学到骨骼形态和成熟度关系的真正关联。从推理过程上看这也更接近放射科医生的工作流程先看局部再综合打分。你如果后续要换更大的骨干网络只需要替换ResNet18检测部分不用动迭代成本也比较低。2.2 数据标注与目录结构把RSNA2019数据整理成yolov5能吃的格式骨龄检测公开数据集主要有RSNA2019 Bone Age dataset原训练集提供十二万多张手骨X光片测试集约两千张标注信息以CSV形式给出每张图片对应一个性别male/female和一个骨龄值以月为单位。它并没有提供检测框标注所以你需要先决定ROI区域——常规做法是用整张图像的固定比例裁剪出腕骨/指骨区域或者先粗标一套检测框再用yolov5训练。如果是高分毕设项目一张张手动画框工作量太大更常见的做法是通过简单图像处理或固定先验位置生成“伪标签”。文件结构我一般会整理成以下几块方便后续训练脚本直接读取bone_age_project/ ├── dataset/ │ ├── images/ │ │ ├── train/ # 原始PNG/JPG图像 │ │ └── val/ │ ├── labels/ │ │ ├── train/ # yolo格式txt标注每行: class x_center y_center w h │ │ └── val/ │ ├── train.csv # image_id, bone_age, male │ └── val.csv ├── models/ │ ├── detect.pt # 训练好的yolov5检测权重 │ └── regress.pt # 训练好的ResNet18回归权重 └── scripts/ ├── convert_csv_to_yolo.py ├── train_detect.py └── train_regress.py这里的train.csv是从RSNA官方的CSV拆分出来的包含image_id对应图片文件名、骨龄值bone_age单位是月、性别标志male。yolov5训练时不需要CSV它只需要图片文件夹和标注文件夹一一对应即可。convert_csv_to_yolo.py的作用就是把CSV里的信息结合你定义的ROI检测框位置生成对应的txt文件。一个容易忽略的细节是yolov5的坐标是归一化到0到1之间的相对坐标如果你把原图整张作为检测输入非归一化的绝对坐标会在训练时报错。2.3 检测框的生成策略固定比例裁剪和粗标注哪个更实用你可能会问原始数据集没有检测框那yolov5的框怎么来。一个很务实的做法是先用一个启发式规则生成伪框手骨X光片里骨骼区域基本位于图像中央偏下约占图像宽度的60%高度的50%左右。你可以按这个先验框截取ROI再用yolov5训练一个初版跑出预测框后人工抽检几百张修正明显跑偏的框然后迭代一版。这个做法的核心优点是冷启动容易缺点是初版模型会沿袭伪框的误差需要在迭代中慢慢修正。另一种更稳的方法是利用一个预训练的模型做迁移。比如先在ImageNet上训练的ResNet18提取特征通过热力图找到骨骼显著性区域再拟合一个矩形框。这个方案听上去更先进但实际构建时间较长毕设场景下性价比不见得高。我一般会用固定比例生成伪标签然后不断补充手工修正因为手骨X光片的骨骼位置相对标准几十张手工修正就足以让伪标签的准确率进入可接受区间。标注细节上检测框类别就一个“bone”不区分具体骨骼部位——除非你后续要做左右手对称性分析等更细的任务否则单类别更省事回归部分的输入是检测框裁剪后的图像是否细分不影响ResNet18的发挥。3. 训练yolov5检测器关键参数与数据集匹配3.1 基于已有预训练权重做迁移少样本下的训练起点用yolov5做手骨检测没有必要从零初始化。项目自带的yolov5s、yolov5m权重是在COCO上预训练的虽然COCO里没有X光片但预训练带来的底层边缘、纹理特征提取能力依然能加速收敛。从经验上看骨骼区域边缘相对清晰纹理模式稳定yolov5s在这种数据上就已经能打到不错的mAP而且训练速度快显存压力小。如果你的显卡显存大于12GB可以把batchsize设到32以上在yolov5l这个级别再实验一轮多数情况下提升有限但可以写到论文的消融实验里。复现时要先在本地下载yolov5代码库把训练数据按yolov5要求的格式放好。执行训练命令时最核心的两个参数是data和cfgdata指定数据集配置文件内含train/val的图片路径、类别数、类别名cfg指定网络结构yolov5s.yaml/yolov5l.yaml。默认的学习率调度不太适合小数据集所以训练时建议把epochs调到80到100之间配合早停策略在验证集精度不再上升时及时截止防止过拟合。python train.py \ --data bone.yaml \ --cfg yolov5s.yaml \ --weights yolov5s.pt \ --batch-size 16 \ --epochs 80 \ --img 640 \ --patience 10上面的命令里--img 640代表把输入图像缩放到640×640分辨率。手骨X光片原始分辨率往往在1500×1500以上如果直接缩放细小骨骼纹理可能会被压缩损失导致检测框不准确如果设成1280训练显存占用会成倍增加收敛速度也变慢。毕设场景下我建议在640和960之间做一次对比实验看看mAP和显存的平衡点在哪里。运行过程中如果loss值出现断崖式下降后长时间不再变化通常是学习率设置偏大或数据里有大量空标注图片需要优先排查这两项。3.2 数据增强策略的取舍光照扰动和几何扰动哪个优先X光片的属性决定了它和自然图像在增强策略上有明显区别。颜色抖动类的增强如HSV扰动、亮度对比度调整可以适当使用但幅度不宜过大因为骨龄评估本身就依赖骨化中心的出现顺序和大小过度调整会改变骨骼边缘和内部密度的视觉语义。几何增强方面平移和旋转比较安全flip要谨慎—左右手翻转在医学上可能导致把左手当右手来评估而RSNA数据里有部分样本是左右手都拍的翻转方向一定得和标签同步。Cutout和Mosaic这类在目标检测中很有效的增强用在X光片上会把骨骼区域切得支离破碎训练初期反而破坏位置特征的学习不推荐作为默认配置。如果你在意整体泛化能力可以在训练后期关掉Mosaic只保留轻度旋转和尺度抖动让模型在接近真实分布的尺度下微调帧数个epoch。一个很常见的做法是灰度归一化。X光片是单通道灰度图yolov5默认输入是三通道所以很多代码会把单通道复制成三通道再输入网络。更合理的方式是保留单通道输入在加载图片时通过replacement函数把灰度映射到RGB三个通道确保模型的BatchNorm统计量在合理的数值范围内。实际代码上可以写成这样在数据集加载类里做预处理# 自定义加载器把X光片归一化后复制为三通道 def load_xray_image(path): import cv2 import numpy as np img cv2.imread(path, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (640, 640)) # 与训练尺寸保持一致 img cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX) # 归一化到相同对比度 img_rgb np.stack([img, img, img], axis-1) # 单通道复制成三通道 return img_rgb这段代码里cv2.normalize只做简单的线性拉伸不会改变骨骼形态相对关系而stack操作不是重复造数据只是为了让灰度图满足三通道网络的输入要求。如果你准备换用更大的网络骨干其实可以改成在forward前用单通道卷积层替代三通道输入层进一步减小计算量但这就是后话了。3.3 训练完的检测效果评估mAP够了并不代表能用在检测阶段yolov5训练完会输出一个包含mAP、PR曲线的结果文件在骨龄检测这个场景里mAP0.5达到0.9以上只能说明检测框大体能找到骨骼区域。但你需要进一步做视觉检查把预测框画在原始X光片上看框是否完整包含了腕骨、是否切掉了部分指骨、是否被衣物或遮挡物干扰。尤其要注意一点mAP是基于边界框IoU计算的牙牙学语的边缘如果漂移到附近软组织上IoU可能仍然超过0.5但裁下来的区域对回归模型来说是垃圾输入。我一般会把val集中检测失败的样本单独导出查看并统计失败样本里是否存在某一类骨骼区域占比过高。手骨X光片里腕骨和指骨的形态差异很大单类别标注会让yolov5忽略一些小目标比如远端指骨这些目标在骨龄评估里恰恰是关键信息。如果你发现这类问题就应该考虑把类别拆成“指骨”“腕骨”“尺桡骨”三个类别分别出框这样ResNet18可以分区域处理回归输入也更干净。代价是标注工作量和训练复杂度都上升但对骨龄分数的精度提升非常可观这也是我后来推荐的方式。4. ResNet18回归头骨龄值如何从检测框里精确读取4.1 回归目标的设计直接回归月龄还是先分类再回归骨龄评估的核心输出单位是“月龄”RSNA官方评估指标是平均绝对误差MAE所以ResNet18的输出层一般是一个神经元直接输出预测月龄值。直接回归看起来简单直接但实际训练中有个问题骨龄在0到240个月之间的分布并不均匀某些年龄段如青春期前后样本数量偏少回归模型很容易把不同性别的差异忽略掉。一个更稳的做法是把回归改成多任务性别分类加回归。输入图像经过骨干网络后分出两个头一个输出两个类别的性别概率一个输出月龄数值。这样性别信息可以作为辅助信号参与特征学习比单独把male值拼接进全连接层效果更好。此外还有一个介于分类和回归之间的变体把月龄范围按6个月一个区间划分为40个类别做多类分类最后取各类别概率加权和作为预测值。这种方式实际训练时收敛更快在竞赛里很常见理由是它把连续回归转化成更平滑的分布拟合问题网络输出天然带不确定性估计。代码实现上如果把输出层设置成40个神经元配合softmax和交叉熵损失等价于认为骨龄误差服从某种离散分布而加权和的解码方式可以缓解非对称误差。我当时在主项目里就是用这种方案细节上再加一层温度缩放让概率分布更尖锐MAE降了大约0.3个月。4.2 预训练权重加载ImageNet权重和检测模型输出的对齐问题ResNet18加载ImageNet预训练权重是常规操作但这里有一个绕不开的坑它的输入是224×224三通道图像而你的检测框裁剪结果往往不是标准正方形比如yolov5输出的宽高比可能是1.3或0.8。直接暴力resize到224×224会把骨骼比例拉伸变形导致回归结果不稳定。解决方式有两种第一种是在裁剪时把检测框外扩并强制转换成正方形再缩放第二种是采用RandomResizedCrop配合Padding先在矩形框周围填充背景像素做成正方形然后resize这样骨骼形态不会被扭曲。使用torchvision训练时我建议把整个预处理写进DataSet类而不是在训练脚本里到处复制。实现上可以这样写import torch import torchvision.transforms as T from PIL import Image # 把检测框区域裁剪成正方形再统一缩放到224x224 def crop_and_square(img, box, target_size224): x1, y1, x2, y2 box w, h x2 - x1, y2 - y1 side max(w, h) # 外扩并居中 cx, cy (x1 x2) / 2, (y1 y2) / 2 x1_n int(cx - side / 2) y1_n int(cy - side / 2) # 越界坐标贴到边缘 x1_n, y1_n max(0, x1_n), max(0, y1_n) crop img.crop((x1_n, y1_n, x1_n side, y1_n side)) crop crop.resize((target_size, target_size)) return crop这个crop_and_square函数的核心逻辑是按检测框长边生成正方形然后把框居中放置。它避免直接拉伸带来的骨骼比例失真也保证背景像素参与填充而不是让骨骼贴边。实际训练时还可以在这个基础上做数据增强比如随机旋转5度、随机平移5%这些轻微扰动可以让回归模型更鲁棒且不至于改变骨龄的视觉语义。4.3 损失函数与评估指标MSE、MAE还是加权损失骨龄检测的评估指标是MAE训练损失用MSE均方误差还是MAE平均绝对误差有讲究。MSE对大误差样本的惩罚更大会让模型更保守适合在训练初期使用MAE的梯度在误差接近零时依然恒定为1收敛后期更有利于把误差推向更小的值。我一般会这么做训练前60个epoch用MSE后面20个epoch切成MAE让模型在稳定区域内继续微调。如果你的数据里包含明显的标签噪声标注医生的人工误差可以在损失函数中做反距离加权给远离均值的样本更小的权重防止少数极值样本主导梯度方向。性别差异也需要细化处理男性和女性的骨骼成熟曲线并不一致青春期前后的差异尤其明显。最简单的做法是把male字段作为额外特征输入另一种做法是分性别训练两个独立的ResNet18回归头推理时按检测框输出伴随的性别信息选择对应模型。第二种方案精度上限更高但模型管理复杂毕设项目如果图省事建议在输入侧多拼一个性别token到全连接层让网络自己学权衡。训练时用Adam优化器初始学习率1e-4配合cosine annealing衰减batch size选32左右。相比SGDAdam在小数据集上更不容易翻车这是实际跑出来的经验尤其适合这种预训练权重K折交叉验证的场景。5. 训练与调参中的常见问题排查避坑指南5.1 检测框重复遮蔽和过拟合Mosaic增强在小数据集上的副作用现象yolov5训练时loss在验证集上下降但检测可视化结果却出现大量重复框同一块骨骼区域被预测出多个边界框且位置轻微漂移。原因有二一是验证集分割不均匀数据分布偏移导致模型对相似特征输出高置信度二是Mosaic增强在骨骼数据上打乱了空间先验模型学到了不合理的局部纹理关联。解决关掉Mosaic和MixUp只留平移旋转和轻微尺度变化把验证集按患者ID划分而不是按图像划分避免同一个人的多张片子同时出现在训练和验证集中。数据量小时还可以把置信度阈值从默认的0.25提到0.5让重复框在NMS前就被过滤掉大半。5.2 骨龄回归总有约2个月的固定偏差性别标签错位现象预测值和真实值整体相差不大但误差直方图呈现一个明显的偏移尖峰平均下来总是低2到3个月。原因训练集里把少数男女标签弄反了。RSNA数据集的male字段是1男0女但很多二手整理的数据集里会把它倒过来而骨龄分布在性别维度上差异明显模型学到的是掺了噪声的性别条件分布最终体现在输出上就是一个系统性偏移。解决画预测值和真实值的散点图按性别分别统计平均误差能快速定位是哪种性别样本的系统性偏移修正标签后重训偏移基本消失。这类问题很难靠调参补偿数据清洗在这类医学项目里比模型结构更影响最终分数。5.3 回归模型输出值集中在一小段区间训练数据年龄段不均衡现象预测结果的标准差明显小于真实标签的标准差模型倾向于输出中间年龄段对低龄和高龄样本不敏感。原因数据集中在6到15岁低龄段和高龄段样本稀少回归模型为了最小化整体损失选择“回归到均值”。解决按年龄段做加权采样让每批数据里各年龄段比例均匀或者直接改用之前提到的40类分类加权和方案每个类别独立输出概率后再融合能极大缓解样本不均衡带来的塌缩。另一个后备方案是使用Focal Loss的连续回归变体把困难样本的梯度放大但参数调整成本较高优先推荐均衡采样。5.4 训练时GPU显存OOM但模型很小DataLoader的num_workers占满内存现象明明ResNet18很小batch size设成64都能加载却在训练开始时直接OOM。原因除了模型参数DataLoader在载入原始大分辨率X光片时会先把所有图像解码为整图RGB再交给collate函数做resize这部分临时内存很容易比模型本身还大几倍。解决在DataSet的__getitem__里提前完成resize和归一化不要等collate后再处理num_workers按CPU核心数的一半设置避免多进程同时解码大量大图。如果还是内存吃紧可以先把所有图片预处理成640×640的jpg缓存在本地训练时直接读取小图速度也会更快。5.5 推理时yolov5正常但ResNet18输出NAN图像像素值未归一化现象yolov5预测框坐标正常裁剪区域输入ResNet18后loss直接变成NAN训练几个epoch后权重全部崩溃。原因检测框裁剪出来的图像像素值范围是0到255ResNet18继承的ImageNet预处理权重期望输入范围是0到1配合ImageNet的均值和方差如果直接喂原始值激活值会非常大梯度瞬间爆炸。解决在回归网络的输入pipeline里加Normalize层用mean[0.485, 0.456, 0.406]std[0.229, 0.224, 0.225]并保证裁剪后的图像先除以255。这几个值虽然是为自然图像统计的但对X光片灰度图复制成的三通道图像同样有效不必专门计算医学图像的mean/std——我实际对比过换用自定义统计值后MAE没有明显变化反而引入额外适配成本。6. 验证、可视化与量化部署让项目价值真正落地6.1 一套完整的推理脚本从图像读入到骨龄输出训练结束后大部分毕设项目会卡在“如何把pytorch模型打包成一条可复用的推理链路”上。成熟的流程应该是读入X光片→yolov5检测→NMS过滤→裁剪外扩→ResNet18回归→输出月龄性别置信度。把这条链路固化成脚本能极大减少后续写报告、做Demo时的临时Bug。下面给出推理脚本的骨架建议你把它扩展成自己的工具函数import torch import cv2 import numpy as np def prepare_input(box_crop): # 输入为检测框裁剪的PIL或numpy图 img cv2.resize(box_crop, (224, 224)) / 255.0 img img.astype(np.float32) # 转为CHW且复制三通道 img np.stack([img, img, img], axis-1) img torch.from_numpy(img).permute(2, 0, 1).unsqueeze(0) return img def infer_bone_age(xray_path, detect_model, regress_model, devicecuda): raw cv2.imread(xray_path, cv2.IMREAD_GRAYSCALE) # 1. yolo检测 det_result detect_model(raw) # 假设已经封装好检测接口 boxes det_result.xyxy[0].cpu().numpy() # 拿到NMS后的框 # 2. 取最大置信度框或对多个框做加权 box max(boxes, keylambda x: x[4])[:4].astype(int) crop raw[box[1]:box[3], box[0]:box[2]] # 3. 回归 tensor prepare_input(crop).to(device) with torch.no_grad(): pred regress_model(tensor).item() return pred这个脚本里detect_model的封装方式取决于你使用的yolov5版本新版通用做法是加载模型后调用model(x, augmentFalse)得到Detections对象。注意回归输入直接取最大置信度框但在正式实验里建议改为对置信度最高的前三个框分别回归再取加权平均可以降低单框漂移带来的误差波动。这也算是“不把鸡蛋放一个篮子”的朴素思路在实际部署中的落地。6.2 误差可视化用散点图和分段MAE验证模型可信度仅仅得到一个整体MAE是不够的论文里需要更有说服力的验证图表。按年龄段分桶统计MAE是最直接的诊断方式0到5岁、6到10岁、11到15岁、16到18岁分别计算误差能清晰看到模型在哪个年龄段性能最差。从我的经验看青少年骨骼成熟度跨度大特征最明显误差也通常集中在这段这背后是骨骼形态变化速度的差异化并非模型结构问题。另一个值得做的可视化是“误差热力图”把预测值和真实值做差按性别分别画成直方图观察残差分布是否对称、是否为双峰。双峰出现往往意味着你的回归模型学到了两个不同的分布模式常见诱因是样本里混入了左手和右手图片而没有翻转对齐。如果要把模型写进论文的实验部分我还会建议做一个“消融对比”完整模型 vs 去掉检测端直接回归 vs 只走分类分支。这样能证明yolov5检测端对最终精度的真实贡献也能回应评审老师对“为什么要设计两阶段”的质疑。实际做下来端到端回归在相同数据下的MAE大约高1.5到2个月两阶段的优势还是明确的。6.3 模型量化和导出ONNX转换与INT8的取舍毕设项目如果只是演示Demo直接跑PyTorch没问题但如果要做成网页Demo或部署到边缘设备量化是绕不开的。可以先导出ONNX再转成TensorRT或OpenVINO格式。yolov5本身带有export.py脚本ResNet18的ONNX导出用torch.onnx.export即可。要注意的点有三个第一yolov5导出时要把原始检测头的decode逻辑一起固化进模型否则推理时还要在外部做anchors解析会带来额外延迟第二ResNet18的输入尺寸、均值方差要在导出时绑定到预处理里避免在工程前端出现数值漂移第三如果用INT8量化X光片的高动态范围容易造成精度损失建议先用FP16跑一遍确认误差在可接受范围后再降INT8。手骨X光片毕竟是高对比度图像我对INT8的精度损失印象很深刻不经过充分离线评估直接上生产环境是很容易翻车的。6.4 作为毕设项目的延伸方向从单张回归到时序与多视图融合回到这个项目的定位——高分毕设它现有的“yolov5ResNet18”两阶段结构已经足够撑起完整的算法描述、实验对比和应用展示。但如果你还想加创新点有两条平滑的路线其一是在回归分支引入相邻年龄段间的有序关系约束让输出符合骨骼成熟的单调性这可以用排序损失实现其二是加入左右手双视图融合对同一患者的两张片子分别回归再取融合结果能有效降低单张拍摄位置、角度带来的偶然误差。这两条路线都不需要大幅改项目架构但能让论文的实验章节更有层次感。我最初在这个项目上踩得最深的坑并不是模型设计而是置信在数据集已经整理好、标签完全可靠结果花了接近两周清洗数据、对齐检测框、修正标签才把训练链路真正跑通。这种数据集相关的血泪经验相信很多做过医学影像方向的人都有同感。如果这篇文章能让你绕开我走过的弯路从第一轮实验就建立正确的数据清洗和验证习惯那这个方向就真的能做深、做透也有机会成为你简历里一个扎实的落地产物。希望帮到你。本文还有配套的精品资源点击获取
简介基于YOLOv5与ResNet18的骨龄检测毕业设计项目包面向计算机视觉方向的学生和研究者适用于手部X光片骨龄评估任务。整体思路是先用YOLOv5定位手骨关键区域再由ResNet18完成骨龄回归预测流程覆盖数据准备、模型训练、验证与推理等关键环节代码模块划分清晰。压缩包共200个文件包含69个Python源码、53个YAML配置、18个PTH模型权重另有Shell脚本、说明文档与Dockerfile等环境部署文件整体约717MB目录结构合理。项目为个人高分毕业设计已获导师认可代码经过严格调试可直接运行。已有438人学习下载。通过该资源可获得完整训练与推理代码、预训练模型、配套数据集及环境配置既能快速复现骨龄检测流程也能在此基础上改进网络结构、扩充样本或迁移至同类医学影像任务作为毕业设计或科研课题的扎实起点。1. 骨龄检测为什么要同时用yolov5和ResNet18一个两阶段任务的现实解法骨龄检测这个需求放在深度学习里本质是一类“从手骨X光片回归骨骼成熟度分数”的回归任务很多高分毕设都会选它。常见做法是拿ResNet18直接对整张片子做回归出来的结果却总是差强人意图像里大量的软组织、背景、甚至夹在指缝里的噪声区域抢走了网络的注意力模型容易“看偏了”。这个项目标题把yolov5和ResNet18放在一起对应的是一个更可靠的两阶段方案先用yolov5把腕骨、指骨、尺桡骨这些关键区域检测出来裁剪后再交给ResNet18做骨龄值回归。这条技术路线近几年在医疗影像竞赛中反复被验证既能保住检测精度也能降低回归任务的难度。如果你正在做骨科影像、手骨X光相关的毕业设计或医学图像分析任务这个项目结构可以提供一个清晰的基线难点从“让网络自己找重点”变成“两个模型各管一段”每一段的训练、调参和错误分析都更可控。我当时拿到这个压缩包时命名里有“高分毕设项目”几个字所以一开始预期是数据已经整理得很规整。实际用下来发现陌生物料大约占三成——数据集格式要迁移、训练参数要重新设置、各类IO逻辑要自己补齐。这篇笔记会把整条链路讲清楚从数据清洗、标注转换开始到yolov5训练检测头再到ResNet18训练回归头最后落到部署推理和验证。每一步的参数和细节我会按自己做过的方案展开也会把最容易翻车的几个坑单列一章读完后你至少能获得一套可复现、可调参、可写进论文的实验骨架。2. 项目整体链路从X光片到骨龄分数的数据流向2.1 为什么不是直接端到端回归先定位再评分的设计逻辑医疗影像里的回归任务和自然图像里的回归任务有一个很大的不同目标区域的位置是相对固定的但整张图像又包含大量干扰区域。拿手骨X光片来说腕骨、指骨、近端尺桡骨分布在特定区域但片子边缘的软组织阴影、拍摄时的手部旋转、甚至不同设备造成的对比度差异都会让全局回归网络学不到稳定的骨骼特征。端到端回归的做法并不是不能跑只是它对数据量和数据质量要求太高——少量样本下很容易欠拟合或者学到的只是背景纹理。两阶段方案先把“找位置”和“估分数”拆开。yolov5在训练时只需要边界框标注和类别标签感知的是区域的表观特征任务相对简单。ResNet18拿到的输入是裁剪后的局部区域直接回归一个连续的骨龄值跨样本间的背景差异在这个阶段已被大幅压缩模型更容易学到骨骼形态和成熟度关系的真正关联。从推理过程上看这也更接近放射科医生的工作流程先看局部再综合打分。你如果后续要换更大的骨干网络只需要替换ResNet18检测部分不用动迭代成本也比较低。2.2 数据标注与目录结构把RSNA2019数据整理成yolov5能吃的格式骨龄检测公开数据集主要有RSNA2019 Bone Age dataset原训练集提供十二万多张手骨X光片测试集约两千张标注信息以CSV形式给出每张图片对应一个性别male/female和一个骨龄值以月为单位。它并没有提供检测框标注所以你需要先决定ROI区域——常规做法是用整张图像的固定比例裁剪出腕骨/指骨区域或者先粗标一套检测框再用yolov5训练。如果是高分毕设项目一张张手动画框工作量太大更常见的做法是通过简单图像处理或固定先验位置生成“伪标签”。文件结构我一般会整理成以下几块方便后续训练脚本直接读取bone_age_project/ ├── dataset/ │ ├── images/ │ │ ├── train/ # 原始PNG/JPG图像 │ │ └── val/ │ ├── labels/ │ │ ├── train/ # yolo格式txt标注每行: class x_center y_center w h │ │ └── val/ │ ├── train.csv # image_id, bone_age, male │ └── val.csv ├── models/ │ ├── detect.pt # 训练好的yolov5检测权重 │ └── regress.pt # 训练好的ResNet18回归权重 └── scripts/ ├── convert_csv_to_yolo.py ├── train_detect.py └── train_regress.py这里的train.csv是从RSNA官方的CSV拆分出来的包含image_id对应图片文件名、骨龄值bone_age单位是月、性别标志male。yolov5训练时不需要CSV它只需要图片文件夹和标注文件夹一一对应即可。convert_csv_to_yolo.py的作用就是把CSV里的信息结合你定义的ROI检测框位置生成对应的txt文件。一个容易忽略的细节是yolov5的坐标是归一化到0到1之间的相对坐标如果你把原图整张作为检测输入非归一化的绝对坐标会在训练时报错。2.3 检测框的生成策略固定比例裁剪和粗标注哪个更实用你可能会问原始数据集没有检测框那yolov5的框怎么来。一个很务实的做法是先用一个启发式规则生成伪框手骨X光片里骨骼区域基本位于图像中央偏下约占图像宽度的60%高度的50%左右。你可以按这个先验框截取ROI再用yolov5训练一个初版跑出预测框后人工抽检几百张修正明显跑偏的框然后迭代一版。这个做法的核心优点是冷启动容易缺点是初版模型会沿袭伪框的误差需要在迭代中慢慢修正。另一种更稳的方法是利用一个预训练的模型做迁移。比如先在ImageNet上训练的ResNet18提取特征通过热力图找到骨骼显著性区域再拟合一个矩形框。这个方案听上去更先进但实际构建时间较长毕设场景下性价比不见得高。我一般会用固定比例生成伪标签然后不断补充手工修正因为手骨X光片的骨骼位置相对标准几十张手工修正就足以让伪标签的准确率进入可接受区间。标注细节上检测框类别就一个“bone”不区分具体骨骼部位——除非你后续要做左右手对称性分析等更细的任务否则单类别更省事回归部分的输入是检测框裁剪后的图像是否细分不影响ResNet18的发挥。3. 训练yolov5检测器关键参数与数据集匹配3.1 基于已有预训练权重做迁移少样本下的训练起点用yolov5做手骨检测没有必要从零初始化。项目自带的yolov5s、yolov5m权重是在COCO上预训练的虽然COCO里没有X光片但预训练带来的底层边缘、纹理特征提取能力依然能加速收敛。从经验上看骨骼区域边缘相对清晰纹理模式稳定yolov5s在这种数据上就已经能打到不错的mAP而且训练速度快显存压力小。如果你的显卡显存大于12GB可以把batchsize设到32以上在yolov5l这个级别再实验一轮多数情况下提升有限但可以写到论文的消融实验里。复现时要先在本地下载yolov5代码库把训练数据按yolov5要求的格式放好。执行训练命令时最核心的两个参数是data和cfgdata指定数据集配置文件内含train/val的图片路径、类别数、类别名cfg指定网络结构yolov5s.yaml/yolov5l.yaml。默认的学习率调度不太适合小数据集所以训练时建议把epochs调到80到100之间配合早停策略在验证集精度不再上升时及时截止防止过拟合。python train.py \ --data bone.yaml \ --cfg yolov5s.yaml \ --weights yolov5s.pt \ --batch-size 16 \ --epochs 80 \ --img 640 \ --patience 10上面的命令里--img 640代表把输入图像缩放到640×640分辨率。手骨X光片原始分辨率往往在1500×1500以上如果直接缩放细小骨骼纹理可能会被压缩损失导致检测框不准确如果设成1280训练显存占用会成倍增加收敛速度也变慢。毕设场景下我建议在640和960之间做一次对比实验看看mAP和显存的平衡点在哪里。运行过程中如果loss值出现断崖式下降后长时间不再变化通常是学习率设置偏大或数据里有大量空标注图片需要优先排查这两项。3.2 数据增强策略的取舍光照扰动和几何扰动哪个优先X光片的属性决定了它和自然图像在增强策略上有明显区别。颜色抖动类的增强如HSV扰动、亮度对比度调整可以适当使用但幅度不宜过大因为骨龄评估本身就依赖骨化中心的出现顺序和大小过度调整会改变骨骼边缘和内部密度的视觉语义。几何增强方面平移和旋转比较安全flip要谨慎—左右手翻转在医学上可能导致把左手当右手来评估而RSNA数据里有部分样本是左右手都拍的翻转方向一定得和标签同步。Cutout和Mosaic这类在目标检测中很有效的增强用在X光片上会把骨骼区域切得支离破碎训练初期反而破坏位置特征的学习不推荐作为默认配置。如果你在意整体泛化能力可以在训练后期关掉Mosaic只保留轻度旋转和尺度抖动让模型在接近真实分布的尺度下微调帧数个epoch。一个很常见的做法是灰度归一化。X光片是单通道灰度图yolov5默认输入是三通道所以很多代码会把单通道复制成三通道再输入网络。更合理的方式是保留单通道输入在加载图片时通过replacement函数把灰度映射到RGB三个通道确保模型的BatchNorm统计量在合理的数值范围内。实际代码上可以写成这样在数据集加载类里做预处理# 自定义加载器把X光片归一化后复制为三通道 def load_xray_image(path): import cv2 import numpy as np img cv2.imread(path, cv2.IMREAD_GRAYSCALE) img cv2.resize(img, (640, 640)) # 与训练尺寸保持一致 img cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX) # 归一化到相同对比度 img_rgb np.stack([img, img, img], axis-1) # 单通道复制成三通道 return img_rgb这段代码里cv2.normalize只做简单的线性拉伸不会改变骨骼形态相对关系而stack操作不是重复造数据只是为了让灰度图满足三通道网络的输入要求。如果你准备换用更大的网络骨干其实可以改成在forward前用单通道卷积层替代三通道输入层进一步减小计算量但这就是后话了。3.3 训练完的检测效果评估mAP够了并不代表能用在检测阶段yolov5训练完会输出一个包含mAP、PR曲线的结果文件在骨龄检测这个场景里mAP0.5达到0.9以上只能说明检测框大体能找到骨骼区域。但你需要进一步做视觉检查把预测框画在原始X光片上看框是否完整包含了腕骨、是否切掉了部分指骨、是否被衣物或遮挡物干扰。尤其要注意一点mAP是基于边界框IoU计算的牙牙学语的边缘如果漂移到附近软组织上IoU可能仍然超过0.5但裁下来的区域对回归模型来说是垃圾输入。我一般会把val集中检测失败的样本单独导出查看并统计失败样本里是否存在某一类骨骼区域占比过高。手骨X光片里腕骨和指骨的形态差异很大单类别标注会让yolov5忽略一些小目标比如远端指骨这些目标在骨龄评估里恰恰是关键信息。如果你发现这类问题就应该考虑把类别拆成“指骨”“腕骨”“尺桡骨”三个类别分别出框这样ResNet18可以分区域处理回归输入也更干净。代价是标注工作量和训练复杂度都上升但对骨龄分数的精度提升非常可观这也是我后来推荐的方式。4. ResNet18回归头骨龄值如何从检测框里精确读取4.1 回归目标的设计直接回归月龄还是先分类再回归骨龄评估的核心输出单位是“月龄”RSNA官方评估指标是平均绝对误差MAE所以ResNet18的输出层一般是一个神经元直接输出预测月龄值。直接回归看起来简单直接但实际训练中有个问题骨龄在0到240个月之间的分布并不均匀某些年龄段如青春期前后样本数量偏少回归模型很容易把不同性别的差异忽略掉。一个更稳的做法是把回归改成多任务性别分类加回归。输入图像经过骨干网络后分出两个头一个输出两个类别的性别概率一个输出月龄数值。这样性别信息可以作为辅助信号参与特征学习比单独把male值拼接进全连接层效果更好。此外还有一个介于分类和回归之间的变体把月龄范围按6个月一个区间划分为40个类别做多类分类最后取各类别概率加权和作为预测值。这种方式实际训练时收敛更快在竞赛里很常见理由是它把连续回归转化成更平滑的分布拟合问题网络输出天然带不确定性估计。代码实现上如果把输出层设置成40个神经元配合softmax和交叉熵损失等价于认为骨龄误差服从某种离散分布而加权和的解码方式可以缓解非对称误差。我当时在主项目里就是用这种方案细节上再加一层温度缩放让概率分布更尖锐MAE降了大约0.3个月。4.2 预训练权重加载ImageNet权重和检测模型输出的对齐问题ResNet18加载ImageNet预训练权重是常规操作但这里有一个绕不开的坑它的输入是224×224三通道图像而你的检测框裁剪结果往往不是标准正方形比如yolov5输出的宽高比可能是1.3或0.8。直接暴力resize到224×224会把骨骼比例拉伸变形导致回归结果不稳定。解决方式有两种第一种是在裁剪时把检测框外扩并强制转换成正方形再缩放第二种是采用RandomResizedCrop配合Padding先在矩形框周围填充背景像素做成正方形然后resize这样骨骼形态不会被扭曲。使用torchvision训练时我建议把整个预处理写进DataSet类而不是在训练脚本里到处复制。实现上可以这样写import torch import torchvision.transforms as T from PIL import Image # 把检测框区域裁剪成正方形再统一缩放到224x224 def crop_and_square(img, box, target_size224): x1, y1, x2, y2 box w, h x2 - x1, y2 - y1 side max(w, h) # 外扩并居中 cx, cy (x1 x2) / 2, (y1 y2) / 2 x1_n int(cx - side / 2) y1_n int(cy - side / 2) # 越界坐标贴到边缘 x1_n, y1_n max(0, x1_n), max(0, y1_n) crop img.crop((x1_n, y1_n, x1_n side, y1_n side)) crop crop.resize((target_size, target_size)) return crop这个crop_and_square函数的核心逻辑是按检测框长边生成正方形然后把框居中放置。它避免直接拉伸带来的骨骼比例失真也保证背景像素参与填充而不是让骨骼贴边。实际训练时还可以在这个基础上做数据增强比如随机旋转5度、随机平移5%这些轻微扰动可以让回归模型更鲁棒且不至于改变骨龄的视觉语义。4.3 损失函数与评估指标MSE、MAE还是加权损失骨龄检测的评估指标是MAE训练损失用MSE均方误差还是MAE平均绝对误差有讲究。MSE对大误差样本的惩罚更大会让模型更保守适合在训练初期使用MAE的梯度在误差接近零时依然恒定为1收敛后期更有利于把误差推向更小的值。我一般会这么做训练前60个epoch用MSE后面20个epoch切成MAE让模型在稳定区域内继续微调。如果你的数据里包含明显的标签噪声标注医生的人工误差可以在损失函数中做反距离加权给远离均值的样本更小的权重防止少数极值样本主导梯度方向。性别差异也需要细化处理男性和女性的骨骼成熟曲线并不一致青春期前后的差异尤其明显。最简单的做法是把male字段作为额外特征输入另一种做法是分性别训练两个独立的ResNet18回归头推理时按检测框输出伴随的性别信息选择对应模型。第二种方案精度上限更高但模型管理复杂毕设项目如果图省事建议在输入侧多拼一个性别token到全连接层让网络自己学权衡。训练时用Adam优化器初始学习率1e-4配合cosine annealing衰减batch size选32左右。相比SGDAdam在小数据集上更不容易翻车这是实际跑出来的经验尤其适合这种预训练权重K折交叉验证的场景。5. 训练与调参中的常见问题排查避坑指南5.1 检测框重复遮蔽和过拟合Mosaic增强在小数据集上的副作用现象yolov5训练时loss在验证集上下降但检测可视化结果却出现大量重复框同一块骨骼区域被预测出多个边界框且位置轻微漂移。原因有二一是验证集分割不均匀数据分布偏移导致模型对相似特征输出高置信度二是Mosaic增强在骨骼数据上打乱了空间先验模型学到了不合理的局部纹理关联。解决关掉Mosaic和MixUp只留平移旋转和轻微尺度变化把验证集按患者ID划分而不是按图像划分避免同一个人的多张片子同时出现在训练和验证集中。数据量小时还可以把置信度阈值从默认的0.25提到0.5让重复框在NMS前就被过滤掉大半。5.2 骨龄回归总有约2个月的固定偏差性别标签错位现象预测值和真实值整体相差不大但误差直方图呈现一个明显的偏移尖峰平均下来总是低2到3个月。原因训练集里把少数男女标签弄反了。RSNA数据集的male字段是1男0女但很多二手整理的数据集里会把它倒过来而骨龄分布在性别维度上差异明显模型学到的是掺了噪声的性别条件分布最终体现在输出上就是一个系统性偏移。解决画预测值和真实值的散点图按性别分别统计平均误差能快速定位是哪种性别样本的系统性偏移修正标签后重训偏移基本消失。这类问题很难靠调参补偿数据清洗在这类医学项目里比模型结构更影响最终分数。5.3 回归模型输出值集中在一小段区间训练数据年龄段不均衡现象预测结果的标准差明显小于真实标签的标准差模型倾向于输出中间年龄段对低龄和高龄样本不敏感。原因数据集中在6到15岁低龄段和高龄段样本稀少回归模型为了最小化整体损失选择“回归到均值”。解决按年龄段做加权采样让每批数据里各年龄段比例均匀或者直接改用之前提到的40类分类加权和方案每个类别独立输出概率后再融合能极大缓解样本不均衡带来的塌缩。另一个后备方案是使用Focal Loss的连续回归变体把困难样本的梯度放大但参数调整成本较高优先推荐均衡采样。5.4 训练时GPU显存OOM但模型很小DataLoader的num_workers占满内存现象明明ResNet18很小batch size设成64都能加载却在训练开始时直接OOM。原因除了模型参数DataLoader在载入原始大分辨率X光片时会先把所有图像解码为整图RGB再交给collate函数做resize这部分临时内存很容易比模型本身还大几倍。解决在DataSet的__getitem__里提前完成resize和归一化不要等collate后再处理num_workers按CPU核心数的一半设置避免多进程同时解码大量大图。如果还是内存吃紧可以先把所有图片预处理成640×640的jpg缓存在本地训练时直接读取小图速度也会更快。5.5 推理时yolov5正常但ResNet18输出NAN图像像素值未归一化现象yolov5预测框坐标正常裁剪区域输入ResNet18后loss直接变成NAN训练几个epoch后权重全部崩溃。原因检测框裁剪出来的图像像素值范围是0到255ResNet18继承的ImageNet预处理权重期望输入范围是0到1配合ImageNet的均值和方差如果直接喂原始值激活值会非常大梯度瞬间爆炸。解决在回归网络的输入pipeline里加Normalize层用mean[0.485, 0.456, 0.406]std[0.229, 0.224, 0.225]并保证裁剪后的图像先除以255。这几个值虽然是为自然图像统计的但对X光片灰度图复制成的三通道图像同样有效不必专门计算医学图像的mean/std——我实际对比过换用自定义统计值后MAE没有明显变化反而引入额外适配成本。6. 验证、可视化与量化部署让项目价值真正落地6.1 一套完整的推理脚本从图像读入到骨龄输出训练结束后大部分毕设项目会卡在“如何把pytorch模型打包成一条可复用的推理链路”上。成熟的流程应该是读入X光片→yolov5检测→NMS过滤→裁剪外扩→ResNet18回归→输出月龄性别置信度。把这条链路固化成脚本能极大减少后续写报告、做Demo时的临时Bug。下面给出推理脚本的骨架建议你把它扩展成自己的工具函数import torch import cv2 import numpy as np def prepare_input(box_crop): # 输入为检测框裁剪的PIL或numpy图 img cv2.resize(box_crop, (224, 224)) / 255.0 img img.astype(np.float32) # 转为CHW且复制三通道 img np.stack([img, img, img], axis-1) img torch.from_numpy(img).permute(2, 0, 1).unsqueeze(0) return img def infer_bone_age(xray_path, detect_model, regress_model, devicecuda): raw cv2.imread(xray_path, cv2.IMREAD_GRAYSCALE) # 1. yolo检测 det_result detect_model(raw) # 假设已经封装好检测接口 boxes det_result.xyxy[0].cpu().numpy() # 拿到NMS后的框 # 2. 取最大置信度框或对多个框做加权 box max(boxes, keylambda x: x[4])[:4].astype(int) crop raw[box[1]:box[3], box[0]:box[2]] # 3. 回归 tensor prepare_input(crop).to(device) with torch.no_grad(): pred regress_model(tensor).item() return pred这个脚本里detect_model的封装方式取决于你使用的yolov5版本新版通用做法是加载模型后调用model(x, augmentFalse)得到Detections对象。注意回归输入直接取最大置信度框但在正式实验里建议改为对置信度最高的前三个框分别回归再取加权平均可以降低单框漂移带来的误差波动。这也算是“不把鸡蛋放一个篮子”的朴素思路在实际部署中的落地。6.2 误差可视化用散点图和分段MAE验证模型可信度仅仅得到一个整体MAE是不够的论文里需要更有说服力的验证图表。按年龄段分桶统计MAE是最直接的诊断方式0到5岁、6到10岁、11到15岁、16到18岁分别计算误差能清晰看到模型在哪个年龄段性能最差。从我的经验看青少年骨骼成熟度跨度大特征最明显误差也通常集中在这段这背后是骨骼形态变化速度的差异化并非模型结构问题。另一个值得做的可视化是“误差热力图”把预测值和真实值做差按性别分别画成直方图观察残差分布是否对称、是否为双峰。双峰出现往往意味着你的回归模型学到了两个不同的分布模式常见诱因是样本里混入了左手和右手图片而没有翻转对齐。如果要把模型写进论文的实验部分我还会建议做一个“消融对比”完整模型 vs 去掉检测端直接回归 vs 只走分类分支。这样能证明yolov5检测端对最终精度的真实贡献也能回应评审老师对“为什么要设计两阶段”的质疑。实际做下来端到端回归在相同数据下的MAE大约高1.5到2个月两阶段的优势还是明确的。6.3 模型量化和导出ONNX转换与INT8的取舍毕设项目如果只是演示Demo直接跑PyTorch没问题但如果要做成网页Demo或部署到边缘设备量化是绕不开的。可以先导出ONNX再转成TensorRT或OpenVINO格式。yolov5本身带有export.py脚本ResNet18的ONNX导出用torch.onnx.export即可。要注意的点有三个第一yolov5导出时要把原始检测头的decode逻辑一起固化进模型否则推理时还要在外部做anchors解析会带来额外延迟第二ResNet18的输入尺寸、均值方差要在导出时绑定到预处理里避免在工程前端出现数值漂移第三如果用INT8量化X光片的高动态范围容易造成精度损失建议先用FP16跑一遍确认误差在可接受范围后再降INT8。手骨X光片毕竟是高对比度图像我对INT8的精度损失印象很深刻不经过充分离线评估直接上生产环境是很容易翻车的。6.4 作为毕设项目的延伸方向从单张回归到时序与多视图融合回到这个项目的定位——高分毕设它现有的“yolov5ResNet18”两阶段结构已经足够撑起完整的算法描述、实验对比和应用展示。但如果你还想加创新点有两条平滑的路线其一是在回归分支引入相邻年龄段间的有序关系约束让输出符合骨骼成熟的单调性这可以用排序损失实现其二是加入左右手双视图融合对同一患者的两张片子分别回归再取融合结果能有效降低单张拍摄位置、角度带来的偶然误差。这两条路线都不需要大幅改项目架构但能让论文的实验章节更有层次感。我最初在这个项目上踩得最深的坑并不是模型设计而是置信在数据集已经整理好、标签完全可靠结果花了接近两周清洗数据、对齐检测框、修正标签才把训练链路真正跑通。这种数据集相关的血泪经验相信很多做过医学影像方向的人都有同感。如果这篇文章能让你绕开我走过的弯路从第一轮实验就建立正确的数据清洗和验证习惯那这个方向就真的能做深、做透也有机会成为你简历里一个扎实的落地产物。希望帮到你。本文还有配套的精品资源点击获取
估计目标与敏感性分析：五要素解析及R实现)
