YOLOv11 架构的全面基准测试：面向可扩展和细粒度Peripheral Blood Cell 检测
计算机视觉与模式识别
2025-09-30 v1
摘要
人工周血晕片 (PBS) 分析耗时且主观。虽然深度学习提供了有前景的替代方案，但对 YOLOv11 等最先进模型进行细粒度 PBS 检测的系统评估仍缺乏。本文作出两项主要贡献：第一，我们策划了一个大规模标注数据集用于血细胞检测和分类，包含 16,891 张图片，覆盖 12 类周血细胞 (PBC) 类别，另外包括贫血细胞类别，所有细胞均仔细重新标注以适用于目标检测任务。数据集总计包含 298,850 个标注细胞。第二，我们利用该数据集对五种 YOLOv11 变体（从 Nano 到 XLarge）进行全面评估。这些模型在两种数据划分策略下（70:20:10 和 80:10:10）进行严格基准测试，并使用多项性能指标进行系统评估，包括平均精度 (mAP)、精确率、召回率、F1 分数以及计算效率。我们的实验表明，YOLOv11 Medium 变体在 8:1:1 数据划分下实现了最佳权衡，[email protected] 达到 0.934。 大型模型（Large 和 XLarge）仅在计算成本大幅提升的情况下提供有限的精度提升。此外，8:1:1 数据划分在所有模型上 consistently 优于 7:2:1 数据划分。 这些发现突显了 YOLOv11，特别是 Medium 变体，作为自动化、细粒度 PBS 检测的高效框架。 除基准测试外，我们公开的数据集（github.com/Mohamad-AbouAli/OI-PBC-Dataset）为推动血细胞检测和分类在血液学领域的研究提供了宝贵资源。
引用
@article{arxiv.2509.24595,
title = {Comprehensive Benchmarking of YOLOv11 Architectures for Scalable and Granular Peripheral Blood Cell Detection},
author = {Mohamad Abou Ali and Mariam Abdulfattah and Baraah Al Hussein and Fadi Dornaika and Ali Cherry and Mohamad Hajj-Hassan and Lara Hamawy},
journal= {arXiv preprint arXiv:2509.24595},
year = {2025}
}