企业官网建设流程全解析

简介：面向毕业设计、课程设计与项目开发场景的手骨骨龄检测完整项目包，基于Python与YOLOv5实现，覆盖数据处理、模型训练到结果展示全流程。压缩包内含189个文件，大小约436.79MB，主要包含Python训练与预处理脚本、YAML/YML配置文件、PyTorch模型权重（.pt）、Shell辅助脚本、Markdown项目文档及Jupyter示例等，结构分层清晰，便于按需查阅和二次开发。项目针对手骨及关节图像进行了自适应直方图均衡化（CLAHE）去雾处理，按比例划分训练集和测试集，并通过图像增强将样本扩充至每份1800张；检测端基于YOLOv5配置bone.yaml与yolov5s.yaml训练目标检测模型，分类端采用ResNet18对DIP、MCP、PIP、Radius、Ulna等关节部位进行识别，测试准确率达90%以上。附带的视频演示、源码、模型与文档可帮助快速掌握骨龄检测实现思路，适合在此基础上进行毕业设计或课程项目延展。已有198人学习/浏览，是计算机视觉方向较为完整的参考项目。

1. 基于 Python 与 YOLOv5 的手骨骨龄检测：先搞清楚它在解决什么问题

基于 Python 与 YOLOv5 的手骨骨龄检测，核心是「YOLOv5 定位骨骺 + 回归网络给年龄」的两阶段方案。骨龄是通过左手腕 X 光片观察骨骺发育程度推算出的生理年龄，儿科用它评估儿童的生长发育；这个任务够专业，RSNA 公开数据集又让它够可复现，因此特别适合当毕业设计、课程设计和项目开发的完整案例。

很多新手拿到题目就想跳过检测，直接拿整张片子端到端回归骨龄。这条路训练能收敛，但模型是个黑匣子，依据什么给分说不清，答辩一追问就翻车。两阶段方案每一步都有中间结果——YOLOv5 先把桡骨远端、尺骨远端、掌骨等关键骨骺框出来，回归网络再对裁剪好的 ROI 打分，既符合临床读片逻辑，又方便调参和写文档。下面的内容从数据准备、模型训练、骨龄回归讲到避坑清单和端到端演示，新手能跟着走通，熟手可以直接拿参数去改。

2. 先定系统结构：YOLOv5 检测骨骺，回归网络算骨龄

标题里的「源码、项目文档、模型训练、数据集」四件套，落到工程上其实是一条清晰的两阶段流水线：数据准备 → YOLOv5 定位 → ROI 裁剪 → 骨龄回归 → 可视化输出。拿到题目先别急着 clone 源码跑 demo，先把架构在纸上画明白。这个方向的翻车大多发生在阶段衔接上：要么检测框和回归输入对不上，要么数据划分不干净导致验证指标虚高，这些都比模型本身更难排查。

2.1 两阶段方案拆解：检测对应定位，回归对应评分

骨龄判读在临床上有 GP 图谱法和 TW3 评分法两套主流标准，国内还常用 CHN 法。GP 法强调整张片子的整体成熟度比对，TW3 则是挑若干块骨骺逐块打分再汇总。两阶段方案的结构和 TW3 的思路天然接近：YOLOv5 把桡骨远端、尺骨远端、掌骨、指骨这些区域框出来，相当于「挑出要评分的骨骼」；回归网络对每个框输出成熟度分数，相当于「逐块打分」。答辩时一句「检测对应定位，回归对应评分」，方案合理性就立住了。

有人会问，为什么不把骨龄当成 240 档分类直接做端到端？纯分类的问题是模型没有告诉你在看哪块骨头，也没有任何中间产出；而目标检测天然输出框、置信度和可视化图，课程设计和答辩展示都好演。一阶段端到端回归也不是不能跑，只是可解释性差，我对比过两版之后还是选了检测加回归，理由很现实：项目要能讲、能调、能截图。

ROI 裁剪不是给回归网络省事，它真正解决的是注意力聚焦。整张 X 光片分辨率很高，但骨骺只占画面很小一块，直接喂全图会给网络塞进大量与年龄无关的软组织信息；裁剪后统一尺寸，回归网络看到的是一块骨头而不是一整条手臂。每个 ROI 还能单独输出一个年龄分，既做整体平均，又能观察哪块骨骺偏差大，写项目文档时这是很好的分析素材。

2.2 数据集选型与清洗：RSNA 手骨数据集与三个必做动作

公开数据集首选 RSNA 2017 Pediatric Bone Age：训练集 12611 张左手 X 光片，每张带骨龄（月）和性别标注。它适合毕设的原因很直接，数据量足够两阶段方案吃，不用申请授权。要注意它给的是整图标签，没有目标框，两阶段需要自己补标注；公开的已标注子集也能找到，但规模参差，我更推荐自己标一部分，标注过程反而能帮你理解骨骺到底长在哪。

清洗第一件事是按病人 ID 去重：同一病人的多张随访片不能同时落在训练集和验证集，否则验证集里藏着训练见过的「同一只手」，指标虚高，真实场景立刻现原形。第二是剔掉体位明显不正、对比度极端的图，这类图会让检测阶段学到错误的尺度感。第三是检查年龄分布，儿童骨龄数据天然偏向学龄期，5 岁以下样本少，后面低龄漏检的问题基本就是这里埋的雷。

标注工具用开源的 labelImg 就行。不需要标全 14 块骨头，标 3 到 6 个关键区域足矣：桡骨远端、尺骨远端、第一掌骨、第三掌骨、第五掌骨、中指近节指骨。类别定义越少，标注一致性越好，模型漏检率越低，这是我在两个数据集上对比后的实际感受。

2.3 把标注转成 YOLOv5 格式：坐标转换脚本与三个要盯的参数

labelImg 默认导出的是 VOC 风格的 XML 或 JSON，YOLOv5 需要的是每张图一个同名 txt、每行一个「类别 中心x 中心y 宽 高」的归一化记录。转换脚本的关键是四个字段全部除以原图宽高，顺序不能换，这是 YOLO 格式最容易写错的地方。

# 把 labelImg 的 JSON 标注转成 YOLOv5 的 txt 格式 import os, glob, json def voc_to_yolo(json_dir, txt_dir, img_w, img_h): os.makedirs(txt_dir, exist_ok=True) for f in glob.glob(os.path.join(json_dir, "*.json")): with open(f, encoding="utf-8") as fp: ann = json.load(fp) name = os.path.splitext(os.path.basename(f))[0] lines = [] for obj in ann["objects"]: # 一张图里可能有多个骨骺框 x1, y1 = obj["x1"], obj["y1"] x2, y2 = obj["x2"], obj["y2"] # YOLO 用归一化的中心坐标和宽高 cx = (x1 + x2) / 2.0 / img_w cy = (y1 + y2) / 2.0 / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h lines.append(f"0 {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") # 0 是类别 id with open(os.path.join(txt_dir, name + ".txt"), "w") as fp: fp.write("\n".join(lines) + "\n")

逻辑说明：脚本把左上右下角坐标转成中心点加宽高，再分别除以原图宽高完成归一化。YOLOv5 的 dataloader 按 txt 的行数判断目标数量，一行就是一个目标，坐标必须是 0 到 1 之间的小数。

三个要盯的参数：一是 img_w 和 img_h 必须是转换时原图的真实宽高，方向写反了框全部错位；二是类别 id 必须和后面 data.yaml 的 names 顺序一致，names 里第一个类就是 0，顺序写反的后果是检测到了但语义全错；三是宽或高小于 3 像素的退化框直接过滤，这种框训练时只会贡献噪声梯度。转换完把 txt 画回原图抽查三五张，确认框贴住骨骺再开训练。

提示：转换完标注后，把框画回原图检查一遍再开训练。这步花十分钟，能省掉一整晚的排错时间。

3. 用 YOLOv5 训练自己的手骨模型：目录、超参数与日志

YOLOv5 的源码结构、训练入口和文档都很成熟，不需要自己重写训练循环，要改的只有三样：数据集目录、data.yaml、以及一条训练命令。这一章按「先跑通、再调参、最后导出」的顺序讲，每一步都对应实际会看到的现象。

3.1 dataset.yaml 与最小目录结构：先跑通再谈精度

datasets/bone/ ├── images/ │ ├── train/ # 800 张，如 001.jpg │ └── val/ # 200 张 ├── labels/ │ ├── train/ # 001.txt，与图片同名 │ └── val/ └── bone.yaml

YOLOv5 对目录名没有硬性要求，但通用做法是 images 和 labels 平级，train 和 val 各自配对。labels 里的 txt 必须和 images 里的图片同名，后缀不同；一张图没有任何目标时，txt 可以留空，但不要缺文件，否则部分版本会把「缺 label」当成「整图无效」过滤掉。

# 数据集配置，路径相对 YOLOv5 仓库根目录写 train: datasets/bone/images/train val: datasets/bone/images/val nc: 1 # 类别总数 names: ['epiphysis'] # 类别名单，顺序对应标注里的 id

data.yaml 里 train 和 val 推荐用相对 YOLOv5 根目录的路径，换机器不用改。nc 是类别总数，names 的顺序就是 2.3 节里类别 id 的映射表。第一轮训练建议先用完整数据跑 1 个 epoch 验证加载无误，再回头调超参，避免浪费时间在「数据没读进来但训练还在跑」的错觉上。

3.2 训练命令与关键超参数：img、batch、hyp 怎么调

python train.py \ --data bone.yaml \ --weights yolov5s.pt \ --epochs 150 \ --batch-size 16 \ --img 640 \ --hyp hyp.scratch-low.yaml \ --project runs/bone_train

--weights 用 yolov5s.pt 的 COCO 预训练权重，不是因为它认识骨骺，而是因为它已经学会通用的边缘和纹理特征，手骨数据量不足时这层迁移价值很大。显存 8 GB 选 s，12 GB 以上可以试 m；手骨目标小、纹理结构简单，s 的性价比通常最高，m 带来的 mAP 增益往往不到两个点。

--img 是输入分辨率。640 能跑通，1280 对 X 光片细节更友好，但显存占用和训练时长直接翻倍。用 Colab 的免费 GPU 也能训练，session 断开前把 weights 下载回本地就行，别全部指望云端持久化。--batch-size 按显存来，OOM 就减半，s 加 640 分辨率跑 16 在 8 GB 同级别显卡上基本安全。--hyp 指定 YOLOv5 内置超参数文件，默认的 hyp.scratch-low.yaml 对大多数项目都够；如果后面过拟合，优先改正则项而不是盲目堆 epoch。

容易被忽略的一点：YOLOv5 训练开始时会用 autoanchor 根据你的数据集重新算锚框，日志里出现 autoanchor 开头的一行就说明它在做这件事。手骨骨骼的长宽比和 COCO 目标差很多，千万别在 hyp 里锁死 COCO 锚框，否则小目标检测会无端翻车。

3.3 怎么从日志判断训练在正常收敛

Epoch gpu_mem box_loss obj_loss cls_loss mAP@0.5 mAP@0.5:0.95 60 4.21G 0.0312 0.0187 0.0000 0.982 0.877

单类或少类场景下，cls_loss 趋近于 0 是正常现象，别看到 cls_loss 小就以为模型没在学；真正要盯的是 box_loss 和 mAP@0.5。训练前 30 到 50 个 epoch，mAP 在零点几之间大幅震荡是正常的，过了震荡期再看曲线是否平滑上升。连续 10 个 epoch mAP@0.5:0.95 不涨就可以手动停掉；YOLOv5 默认的 patience 是 100，对课程设计的时间不友好，我一般直接设 --patience 20。

过拟合的典型信号是 train loss 一直降、val mAP 涨到峰值后回落，这时候回退到 best.pt 而不是继续等。best.pt 和 last.pt 都建议备份：last.pt 是训练中断或 NaN 事故里唯一的后悔药。

3.4 权重导出与跨数据集验证：别只在训练集上自嗨

python export.py \ --weights runs/bone_train/exp/best.pt \ --include torchscript onnx

导出推荐用 best.pt 而不是 last.pt。TorchScript 方便在 C++ 或嵌入式侧复用，ONNX 是后面转 RKNN、TensorRT 的中间格式。导出完并不代表检测器能用，要做一次和训练集无关的跨数据集验证：准备 30 张左右没进过训练集的公开手骨片，跑一遍检测看框的稳定性和漏检。如果框在边界上飘，多半是预处理不统一或训练集对比度单一，回来做 CLAHE 增强比继续加 epoch 有效得多。做完这一步，项目文档里直接多出一块「泛化性验证」的内容。

4. 骨龄回归阶段：从检测框到年龄的最后一公里

检测框告诉你骨骺在哪，不代表你知道发育到几岁。骨龄的最终值由回归阶段给出，这一章把网络设计、训练代码和数据划分讲透。

4.1 为什么检测框不能直接当骨龄：回归网络在学什么

临床判读骨龄看的是成熟度标志：骨骺相对于干骺端的宽度比例、骨骺与干骺端之间间隙的宽窄、骨骺是否开始与骨干融合。这些特征要求对着局部区域看纹理和形状，检测网络的特征图是为定位和分类优化的，没有专门表达「发育程度」的信息，拿检测输出硬凑年龄误差会很大。

所以第二阶段要单独用一个回归网络：输入裁剪好的 ROI，输出月龄。评估骨龄回归最直接的指标是平均绝对误差 MAE，一般做到 12 个月以内就能在毕设里站住脚；临床级方案会再看误差小于 6 个月的样本占比。两阶段结构的另一个好处是工程维护：检测和回归可以单独换、单独调，互不干扰。

4.2 用 ResNet 预训练模型做回归：网络改造与训练代码

# 用 ResNet34 预训练权重改造为骨龄回归网络 import torch import torch.nn as nn import torchvision.models as models class BoneAgeHead(nn.Module): def __init__(self, num_bins=240): super().__init__() # 加载 ImageNet 预训练权重，低层纹理特征直接迁移 self.backbone = models.resnet34(weights=models.ResNet34_Weights.IMAGENET1K_V1) # 把 1000 类分类头替换成 240 个月的分桶 in_features = self.backbone.fc.in_features self.backbone.fc = nn.Sequential( nn.Linear(in_features, 256), nn.ReLU(inplace=True), nn.Dropout(0.3), # 样本量不大时防止过拟合 nn.Linear(256, num_bins) ) def forward(self, x): return self.backbone(x)

逻辑说明：backbone 用 ResNet34 而不是更深的 50，因为输入只是 224×224 的局部骨骼 ROI，数据量不大，更深反而容易在 ROI 级过拟合。预训练权重的价值在低层纹理特征，全连接头全部重训。240 档对应 0 到 240 个月，一个月一档，粒度对骨龄够用。

# 训练时用分类损失，推理时用期望值得到连续年龄 age_logits = model(roi_batch) # 输出形状 [B, 240] loss = nn.CrossEntropyLoss()(age_logits, age_label) # age_label 是月龄整数档 probs = torch.softmax(age_logits, dim=1) # 转概率分布 age_months = (probs * torch.arange(240, device=probs.device)).sum(dim=1)

推理时不取 argmax，而是对所有桶的概率求期望。这样就算模型在 48 个月和 49 个月两个桶之间犹豫，输出也是 48.x 个月的连续值，不会跳变。Dropout 取 0.3 是手骨数据量级下的常见经验值，不要因为用了预训练就删掉它。

4.3 损失函数、数据划分与 ROI 离线预提取

三个容易被忽略的细节。第一，分类损失会把相邻月份的惩罚看成一样大，如果觉得不够平滑，可以给标签做 label smoothing，或者像上面那样用软期望值绕开。第二，数据划分必须按病人 ID 分组，RSNA 数据里同一个人可能有多张片子，漏掉这一步验证指标会系统性虚高。第三，回归训练前先把检测跑一遍，把所有 ROI 裁剪结果离线存成图片，dataloader 直接读裁剪图，而不是每次迭代重新过检测网络，训练速度能快一个量级。

性别对骨龄有明显影响，RSNA 标签自带 male/female，常见做法是把性别编码后和 backbone 输出的特征拼接在一起，再进最后的分类头。加上这一路输入，通常能把误差压下去两三个月，属于性价比最高的改进，值得写进实验对比里。

5. 手骨骨龄检测训练避坑清单：5 个让我白跑一晚的问题

这一章按「现象 → 原因 → 解决」写，五条都是这个方向上出现频率最高的翻车点，每一条都是我实际踩过或者帮人排查过的问题。

5.1 训练一启动就报 no labels found，或 loss 全程不动

现象：train.py 跑起来立刻提示找不到 label，或者每个 epoch 的 box_loss 几乎不变化。原因：data.yaml 里 train/val 的路径和 labels 目录对不上；txt 文件名和图片名不同步；txt 里的坐标写到 0 到 1 范围外，被数据加载器当作无效目标整行丢弃。解决：先核对 images 与 labels 两棵目录树的文件名差异；再抽查三个 txt 的数值范围；最后把 txt 画回原图确认框的位置。定位数据问题比重下权重重要得多。

5.2 loss 中途变 NaN，或某个 epoch 突然爆高

现象：训练到 60 轮都正常，第 61 轮 loss 变成 inf/nan，之后权重像失忆一样乱跳。原因：数据里混入了宽或高为 0 的退化框，归一化坐标出现除零；也可能是批次里偶然出现全黑图，学习率偏大导致梯度直接冲飞。解决：在转换脚本里加一道过滤，宽或高小于 3 像素的框直接丢弃；把 lr0 临时降到原来的十分之一跑一个 epoch 看是否复现；确认数据增强链路没有把图像缩放成 0 尺寸。平时保留一份 loss 正常的 last.pt 备份，是这类事故里唯一的后悔药。

5.3 检测 mAP 很高，但骨龄误差大得离谱

现象：mAP@0.5 和 mAP@0.5:0.95 都很好看，端到端跑出来的年龄却比临床标注差两年以上。原因：两阶段误差叠加，检测框偏移几个像素，裁剪出来的 ROI 内容就变了，回归网络对同一块骨骺打出完全不同的分；回归训练和检测推理的预处理不一致也会放大误差。解决：把检测推理默认的置信度阈值从 0.25 提到 0.5 或更高，只留高置信度框进回归；所有 ROI 的预测年龄按置信度加权平均，不依赖单框；回归输入统一 224×224，和训练时完全一致。别被 mAP 蒙蔽，骨龄 MAE 才是这个项目的验收指标。

5.4 换一批测试图，检测框开始飘移

现象：自己手里的片子跑得很好，换一批不同设备拍的片子后，同一个骨骺有时框偏半个骨头。原因：不同设备的 X 光片在亮度、对比度和骨骼比例上差异很大；训练与推理的预处理不一致，比如训练用了长边等比缩放加 pad，推理却直接强制 resize 成方形。解决：把灰度化、CLAHE 对比度增强、等比缩放 pad 全部封装成同一个函数，检测阶段和回归阶段共用，训练集和测试集走同一个入口。这个改动在数据预处理里看起来不起眼，实际解决了我实战中六成以上的「玄学」漂移问题。

5.5 低龄样本漏检，把整体指标拉高

现象：整体 mAP 不错，但单独统计 5 岁以下样本时，桡骨远端漏检率明显偏高。原因：数据集年龄分布不均，低龄样本数量少；骨骺在低龄阶段体积小，640 分辨率下特征更弱。解决：按年龄段分层抽样补足低龄样本；显存允许时把 --img 提到 1280；确认 autoanchor 确实在跑。如果还漏，把多个类别合并成单类 epiphysis，让模型只负责「找到所有骨骺」，类别负担降低后小目标召回通常会明显改善。做课设时把这五条的排查过程和截图写进项目文档，比贴一张满分训练曲线更能让评委信服。

6. 端到端验证：把检测和回归串成一条可演示的命令

6.1 单命令跑通推理：检测 → 裁剪 → 回归 → 标注

# 端到端推理脚本的核心流程 img = preprocess(raw_path) # 灰度、CLAHE、等比 pad boxes = detect_yolo(img, conf=0.5) # 返回 N×5: x1,y1,x2,y2,score rois = crop_rois(img, boxes, out_size=224) # 加 10% 外扩后裁剪缩放 age_months = regress_avg(rois, gender) # 各 ROI 期望值加权平均 draw_boxes(img, boxes, f"bone age: {age_months:.1f} months") save_result(raw_path, age_months) # 保存标注图和年龄

逻辑说明：第一行预处理必须和训练时完全一致，这是 5.4 节那个坑的答案；第二行置信度阈值就用 0.5，过滤低质量框；第三行裁剪时加 10% 外扩，保留骨骺周围的软组织信息；第四行把性别一起传入回归网络；最后保存标注图和年龄数据，方便和临床标注做差值对比。保存时把框坐标、置信度、每块骨骺的年龄分一起落盘，项目文档里直接能附三张图：检测结果、裁剪 ROI、最终标注。

6.2 演示视频录制：三步准备和一条剪辑原则

演示视频是标题里的标配交付物。准备 5 到 8 张覆盖不同年龄和性别的样本，第一步录纯检测，展示 YOLOv5 把骨骺框出来，说明每个框对应哪块骨骼；第二步切到端到端脚本，展示年龄输出和误差对比；第三步贴训练曲线和 MAE 数据，再放一到两张失败案例，比只报高精度更可信。录制用系统自带录屏或 ffmpeg 抓窗口都可以，时长控制在三分钟以内。

想再走一步工程化的话，可以在结尾提一句树莓派 4B 或 RK 系列板子上的 yolov5 量化部署思路，但毕设演示现场别讲太深，点到即可。我现在做这类项目的顺序永远是：先把「能演示的最小链路」跑通，再回头补实验和调参。顺序反过来的十有八九会把时间耗在一个说不清的黑匣子里。希望帮到你。

本文还有配套的精品资源，点击获取