Cellpose-SAM 细胞分割实战指南从单张图到批量处理与自训模型【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellposeCellpose-SAM 是一个开源深度学习细胞分割工具输入荧光或明场显微图像它自动计算流向场并输出细胞掩码同时支持 2D、3D 体积数据以及在自有数据上的微调训练。三步装好环境五分钟跑起来 ️Linux、Windows 与 macOS 都支持8GB 内存即可运行处理 3D 体积建议 16-32GBPython 版本推荐 3.123.9 与 3.11 也可用。创建独立环境并安装带 GUI 的完整版本conda create -n cellpose python3.12 conda activate cellpose python -m pip install cellpose[gui]不需要图形界面时最后一行换成python -m pip install cellpose。装完后无需手动下载预训练权重首次运行会自动拉取并缓存到~/.cellpose/models/。验证 GPU 加速先装好 NVIDIA 驱动与 CUDA 库Linux 上通过 pip 安装的 PyTorch 默认即为 GPU 版。打开 GUI 后若GPU复选框被勾选、终端打印出 CUDA 版本号即说明生效否则需卸载 CPU 版 torch 后按 PyTorch 官方命令重装用conda list里 pytorch 版本带cuXX.X字样来确认。pip 装不上时可用仓库自带的environment.yml直接创建环境conda env create -f environment.yml。单张图像的五步分割法 启动图形界面python -m cellpose几秒后窗口打开终端会打印模型下载日志。随后按五步完成分割把.tif/.png/.jpg/.gif图像拖入窗口从模型库选预训练模型内置cyto、nuclei、cpsam等多通道图把细胞质与细胞核通道分到 CHAN1/CHAN2——Cellpose-SAM 对通道顺序不敏感颠倒也能识别点calibrate自动估算细胞大小或直接填写cell diameter模型训练直径均值约 30px细胞偏大就填大值点run segmentation勾选 MASKS ON 时图像上叠加显示掩码按左右方向键切到文件夹里下一张图继续。修正结果靠鼠标右键画 ROICtrl左键删除错误掩码。结果写在图像旁的_seg.npy文件里——注意跑完模型不会自动落盘按 CtrlS 保存。Cellpose-SAM 算法总览网络预测水平/垂直流向场动态系统让像素顺着流汇聚到细胞中心最终合并为掩码f 面板两个阈值与一个迭代参数参数默认值调整方向flow_threshold0.4漏检细胞调高异形假阳性过多调低cellprob_threshold0.0漏检调低暗区假阳性调高niter随直径自适应长条形细胞不收敛时给到 2000 左右整文件夹批量处理CLI 一条命令 ⌨️GUI 一张张拖图不适合几十张以上的场景CLI 可一次性处理整个目录python -m cellpose --dir ~/images/ --chan 2 --pretrained_model cpsam --diameter 30 --do_3D运行结束目录里每个 tiff 旁多一个*_seg.npy。关键参数含义--chan待分割通道0 灰度、1 红、2 绿、3 蓝--pretrained_model模型名或完整路径自训模型同样适用--do_3D把多 Z 的 tiff 当 3D 体积处理--stitch_threshold按相邻切片掩码 IoU 做缝合而非真 3D适合 YZ/XZ 切片质量差的数据。内置四个模型按骨干区分cpsam与cpsam_v2基于 SAM图块 256×256 不可改其中 v2 版对低对比区域误检更少cpdino、cpdino-vitb基于 DINOv3图块默认 384×384遇超大对象可通过bsize调大。示例细胞分割输出输入图像与各模型生成的掩码结果并排对比可见掩码完整度差异在 notebook 中把多张同尺寸图像打包成一个数组并调大batch_sizeGPU 可跨图共享一个批次的图块批量吞吐有明显提升。分割效果不理想时三个典型症状与对策 细胞个头偏大。模型训练直径覆盖 7.5–120px均值 30。偏大的细胞填大diameter图像会按比例下采样如填 90 则缩到 1/3 分辨率精度与速度都受益。3D 结果破碎或出现环形伪影。开flow3D_smooth它先对流向场做高斯平滑再跑动态系统伪影集中在 Z 方向时可传[2, 0, 0]逐轴指定。各向异性体积Z 向采样比 XY 粗同时设anisotropy例如 2.0 表示 Z 向采样密度是 XY 的一半。3D 模式不参考flow_threshold去假阳性改用min_size。各向切片质量差异大。默认 3D 实为 2.5D 策略在 YX/YZ/XZ 切片算流向后取平均再三维动力学。GUI 左下角的 orthoview 可检查切片方向若 YZ/XZ 不可用关掉do_3D改走stitch_threshold缝合路线。结果要进 ImageJ 做下游分析时用 CtrlR 保存为标准 ImageJ ROI 格式即可直接导入仓库还附带imagej_roi_converter.py转换脚本。动态演示 Python 细胞分割结果到 ImageJ 分析工具链的无缝衔接过程人机协同训练把能用调到刚刚好 自有细胞系与成像方案下微调比直接用内置模型更稳。GUI 内置了迭代式训练流程拖入一组风格相近的图像同细胞类型、同成像协议从模型库选出最接近的内置模型跑一遍手绘加、Ctrl 删减把掩码修对自动存入_seg.npyModels 菜单选Train new model...CtrlT选定起点模型并命名训完自动在文件夹下一张图上运行回到第 3 步继续修正循环迭代。训练权重存到图像目录的models/子文件夹GUI 自定义模型下拉框、CLI、notebook 都能按名字调用。两个注意点起点必须是内置cpsam模型若从自训模型再训网络会偏向早期图像建议把待训图像全部放同一文件夹。3D 数据先运行make_train.py切出 YX/YZ/XZ 切片再按 2D 流程训练。纯命令行训练同样可行标签文件需与图像成对命名name_masks.tif0背景1/2/3…细胞编号python -m cellpose --train --dir ~/images/train/ --test_dir ~/images/test/ --n_epochs 100 --learning_rate 0.00001结束会打印训练/测试损失曲线权重落到~/images/train/models/。验证达标后可用cellpose/export.py打包上传 BioImage.IO 供他人复用。体积装不进内存分布式分割 3D 数据超出内存时cellpose.contrib.distributed_cellpose模块把数据切成重叠块分块并行分割再拼回完整结果。输入需为 zarr 格式模块自带单 tiff 或瓦片文件夹转 zarr 的辅助函数支持前景掩码跳过纯背景块、预处理函数列表高斯平滑、多通道堆叠以及 LSF 集群调度。正式跑之前先用process_block(test_modeTrue)试算单个块确认参数无误再交给distributed_eval处理全量体积。下一步在 notebooks/ 目录运行test_Cellpose-SAM.ipynb示例数据验证环境再按 docs/ 目录逐章深入遇到问题到项目 issue 区提问。【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Cellpose-SAM 细胞分割实战指南：从单张图到批量处理与自训模型
Cellpose-SAM 细胞分割实战指南从单张图到批量处理与自训模型【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellposeCellpose-SAM 是一个开源深度学习细胞分割工具输入荧光或明场显微图像它自动计算流向场并输出细胞掩码同时支持 2D、3D 体积数据以及在自有数据上的微调训练。三步装好环境五分钟跑起来 ️Linux、Windows 与 macOS 都支持8GB 内存即可运行处理 3D 体积建议 16-32GBPython 版本推荐 3.123.9 与 3.11 也可用。创建独立环境并安装带 GUI 的完整版本conda create -n cellpose python3.12 conda activate cellpose python -m pip install cellpose[gui]不需要图形界面时最后一行换成python -m pip install cellpose。装完后无需手动下载预训练权重首次运行会自动拉取并缓存到~/.cellpose/models/。验证 GPU 加速先装好 NVIDIA 驱动与 CUDA 库Linux 上通过 pip 安装的 PyTorch 默认即为 GPU 版。打开 GUI 后若GPU复选框被勾选、终端打印出 CUDA 版本号即说明生效否则需卸载 CPU 版 torch 后按 PyTorch 官方命令重装用conda list里 pytorch 版本带cuXX.X字样来确认。pip 装不上时可用仓库自带的environment.yml直接创建环境conda env create -f environment.yml。单张图像的五步分割法 启动图形界面python -m cellpose几秒后窗口打开终端会打印模型下载日志。随后按五步完成分割把.tif/.png/.jpg/.gif图像拖入窗口从模型库选预训练模型内置cyto、nuclei、cpsam等多通道图把细胞质与细胞核通道分到 CHAN1/CHAN2——Cellpose-SAM 对通道顺序不敏感颠倒也能识别点calibrate自动估算细胞大小或直接填写cell diameter模型训练直径均值约 30px细胞偏大就填大值点run segmentation勾选 MASKS ON 时图像上叠加显示掩码按左右方向键切到文件夹里下一张图继续。修正结果靠鼠标右键画 ROICtrl左键删除错误掩码。结果写在图像旁的_seg.npy文件里——注意跑完模型不会自动落盘按 CtrlS 保存。Cellpose-SAM 算法总览网络预测水平/垂直流向场动态系统让像素顺着流汇聚到细胞中心最终合并为掩码f 面板两个阈值与一个迭代参数参数默认值调整方向flow_threshold0.4漏检细胞调高异形假阳性过多调低cellprob_threshold0.0漏检调低暗区假阳性调高niter随直径自适应长条形细胞不收敛时给到 2000 左右整文件夹批量处理CLI 一条命令 ⌨️GUI 一张张拖图不适合几十张以上的场景CLI 可一次性处理整个目录python -m cellpose --dir ~/images/ --chan 2 --pretrained_model cpsam --diameter 30 --do_3D运行结束目录里每个 tiff 旁多一个*_seg.npy。关键参数含义--chan待分割通道0 灰度、1 红、2 绿、3 蓝--pretrained_model模型名或完整路径自训模型同样适用--do_3D把多 Z 的 tiff 当 3D 体积处理--stitch_threshold按相邻切片掩码 IoU 做缝合而非真 3D适合 YZ/XZ 切片质量差的数据。内置四个模型按骨干区分cpsam与cpsam_v2基于 SAM图块 256×256 不可改其中 v2 版对低对比区域误检更少cpdino、cpdino-vitb基于 DINOv3图块默认 384×384遇超大对象可通过bsize调大。示例细胞分割输出输入图像与各模型生成的掩码结果并排对比可见掩码完整度差异在 notebook 中把多张同尺寸图像打包成一个数组并调大batch_sizeGPU 可跨图共享一个批次的图块批量吞吐有明显提升。分割效果不理想时三个典型症状与对策 细胞个头偏大。模型训练直径覆盖 7.5–120px均值 30。偏大的细胞填大diameter图像会按比例下采样如填 90 则缩到 1/3 分辨率精度与速度都受益。3D 结果破碎或出现环形伪影。开flow3D_smooth它先对流向场做高斯平滑再跑动态系统伪影集中在 Z 方向时可传[2, 0, 0]逐轴指定。各向异性体积Z 向采样比 XY 粗同时设anisotropy例如 2.0 表示 Z 向采样密度是 XY 的一半。3D 模式不参考flow_threshold去假阳性改用min_size。各向切片质量差异大。默认 3D 实为 2.5D 策略在 YX/YZ/XZ 切片算流向后取平均再三维动力学。GUI 左下角的 orthoview 可检查切片方向若 YZ/XZ 不可用关掉do_3D改走stitch_threshold缝合路线。结果要进 ImageJ 做下游分析时用 CtrlR 保存为标准 ImageJ ROI 格式即可直接导入仓库还附带imagej_roi_converter.py转换脚本。动态演示 Python 细胞分割结果到 ImageJ 分析工具链的无缝衔接过程人机协同训练把能用调到刚刚好 自有细胞系与成像方案下微调比直接用内置模型更稳。GUI 内置了迭代式训练流程拖入一组风格相近的图像同细胞类型、同成像协议从模型库选出最接近的内置模型跑一遍手绘加、Ctrl 删减把掩码修对自动存入_seg.npyModels 菜单选Train new model...CtrlT选定起点模型并命名训完自动在文件夹下一张图上运行回到第 3 步继续修正循环迭代。训练权重存到图像目录的models/子文件夹GUI 自定义模型下拉框、CLI、notebook 都能按名字调用。两个注意点起点必须是内置cpsam模型若从自训模型再训网络会偏向早期图像建议把待训图像全部放同一文件夹。3D 数据先运行make_train.py切出 YX/YZ/XZ 切片再按 2D 流程训练。纯命令行训练同样可行标签文件需与图像成对命名name_masks.tif0背景1/2/3…细胞编号python -m cellpose --train --dir ~/images/train/ --test_dir ~/images/test/ --n_epochs 100 --learning_rate 0.00001结束会打印训练/测试损失曲线权重落到~/images/train/models/。验证达标后可用cellpose/export.py打包上传 BioImage.IO 供他人复用。体积装不进内存分布式分割 3D 数据超出内存时cellpose.contrib.distributed_cellpose模块把数据切成重叠块分块并行分割再拼回完整结果。输入需为 zarr 格式模块自带单 tiff 或瓦片文件夹转 zarr 的辅助函数支持前景掩码跳过纯背景块、预处理函数列表高斯平滑、多通道堆叠以及 LSF 集群调度。正式跑之前先用process_block(test_modeTrue)试算单个块确认参数无误再交给distributed_eval处理全量体积。下一步在 notebooks/ 目录运行test_Cellpose-SAM.ipynb示例数据验证环境再按 docs/ 目录逐章深入遇到问题到项目 issue 区提问。【免费下载链接】cellposea generalist algorithm for cellular segmentation with human-in-the-loop capabilities项目地址: https://gitcode.com/gh_mirrors/ce/cellpose创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考