基于YOLOv11的肺结节检测与医学图像诊断识别系统

基于YOLOv11m_GAM_Attention的肺结节检测系统

这篇文章全面介绍了一个基于改进YOLOv11的肺结节检测系统，涵盖项目结构、功能特点、部署运行流程、模型性能对比以及架构创新细节。如果你从事医学影像检测相关工作，或对YOLO系列模型的注意力机制优化感兴趣，这里提供了大量实用参考信息。

项目结构

本项目在Ultralytics官方代码基础上进行了适配与扩展，完整的目录结构如下：

功能特点

该系统围绕CT图像中的肺结节检测任务设计，核心功能覆盖从输入到输出的完整链路：支持PNG、JPG、JPEG格式的肺部CT图像上传；检测环节采用YOLOv11m_GAM_Attention模型，输出带有目标框、类别和置信度的可视化结果，并实时统计检测耗时与目标数量。在数据输出方面，不仅提供每个目标的位置坐标（xmin, ymin, xmax, ymax）、类别和置信度详情，还可一键导出CSV格式的检测报告，便于后续分析或存档。

安装与运行

环境部署步骤：

整个部署流程清晰简洁，几步即可完成：

1. 安装依赖：

2. 文件准备：将GAMA_YOLO11m模型权重放置于项目根目录，中文字体放入static/fonts/目录。
3. 创建必要目录：

4. 启动服务：

5. 访问系统：

使用说明

打开系统后，通过主页的“选择文件”按钮上传CT图像，系统会自动处理并显示检测结果。在结果页上，可以通过目标选择器切换查看不同类别的检测情况，底部展示详细的检测数据表格。如需保存结果，点击“保存”按钮即可导出CSV报告；任务完成后，点击“退出”安全关闭系统。

YOLOv11m_GAM_Attention模型

性能对比表：

下表将改进模型与基准模型进行了对比，直观展示GAM注意力机制带来的性能提升：

模型架构创新：

该模型的核心改进在于引入了GAM（Global Attention Mechanism，全局注意力机制）模块，专门针对肺结节检测任务进行了优化。注意力机制包含两个子模块：通道注意力采用3D排列加双层MLP结构，空间注意力则基于卷积实现空间信息融合。设计上避免了最大池化操作以减少信息损失，同时利用分组卷积和通道混洗来控制参数增长。该模块被集成在P3、P4、P5三个特征层上，效果显著——对小目标的检测灵敏度明显提升。相比基准YOLOv11m，mAP50提高了3.4个百分点，达到0.888。参数量和计算量虽有所增加（从20M增至23.9M，FLOPs从67.6B增至80.2B），但考虑到实际检测精度的显著提升，这一代价是值得的。