1,引言本实验旨在构建一个针对显微图像的结核杆菌轻量级检测模型利用 YOLOv5 算法验证其在该任务上的可行性并探索针对小目标密集场景的检测优化策略。2系统与方法2.1 硬件平台⭐训练平台Kaggle NotebookCPU 环境因为我的kaggle的GPU免费时长用完了推荐使用GPUPython 3.9 虚拟环境。2.2 软件环境与框架⭐深度学习框架PyTorch 1.13.1YOLOv5。⭐主要依赖NumPy 1.23.5OpenCV 等。2.3 数据集⭐来源kaggle公开数据集。⭐样本数量共 1,265 张显微图像标注格式为 XML。⭐预处理将所有 XML 标注转换为 YOLOv5 所需的 TXT 格式并划分为训练集 1,012 张80%、验证集 253 张20%。数据集仅包含一个类别。⭐数据集结构dataset/├── data.yaml├── train/│ ├── images/│ │ ├── tuberculosis-phone-0001.jpg│ │ ├── tuberculosis-phone-0002.jpg│ │ └── ...│ └── labels/│ ├── tuberculosis-phone-0001.txt│ ├── tuberculosis-phone-0002.txt│ └── ...└── val/├── images/│ ├── tuberculosis-phone-1001.jpg│ ├── tuberculosis-phone-1002.jpg│ └── ...└── labels/├── tuberculosis-phone-1001.txt├── tuberculosis-phone-1002.txt└── ...2.4 模型训练与转换流程⭐环境搭建在 Kaggle 上创建 Python 3.9 虚拟环境安装 PyTorch 1.13.1 CPU 版本及 YOLOv5 依赖。⭐训练配置使用 yolov5s.pt 预训练权重输入尺寸 416×416批次大小 8训练 30 个 epoch设备为 CPU。3.实验过程与结果3.1 训练曲线box_loss 收敛良好obj_loss 趋于稳定训练与验证损失高度吻合模型没有过拟合。指标数值百分比mAP0.50.816881.68%精确率Precision0.757375.73%召回率Recall0.768476.84%3.2 模型检测效果模型对结核杆菌的定位精准边界框贴合细菌轮廓。4 结论为防止过拟合训练中使用了 YOLOv5 自带的 Mosaic 马赛克增强、随机透视变换、HSV 色域增强等方法扩充样本多样性。后续可考虑加入 Copy-Paste 小目标增强策略来提升模型对小尺寸杆菌的检测能力。