皮肤病变与健康皮肤10类目标检测数据集（YOLO标注）
主题标签：皮肤癌、肿瘤、目标检测、ISIC、YOLO、皮肤病变。本数据集为肿瘤领域公开数据集，由Zenodo提供，主题涵盖皮肤癌。
基本信息
资源简介
皮肤病变与健康皮肤10类目标检测数据集（YOLO标注）
该数据集名为“Skin Lesion and Healthy Skin Dataset for 10-Class Object Detection (YOLO annotation)”，面向肿瘤与皮肤癌方向，提供带YOLO标注的皮肤病变与健康皮肤图像，用于目标检测任务。数据集共包含11,055张图像，来源于ISIC档案库，涵盖10个皮肤病变类别以及1个专门的背景类别。10个病变类别中，5类为良性，5类为恶性；背景类别由1,000张清晰健康皮肤图像构成。各类别图像数量在1,000至1,171张之间，整体保持平衡。数据集按80%、10%等比例随机划分为训练集、验证集和测试集。该数据集由Krukar, Natalia与Omiotek, Zbigniew发布，机构为Zenodo，发布时间为2025年，采用Creative Commons Attribution 4.0 International许可。
【数据集背景】
该数据集旨在支撑一项题为“Enhancing Robustness in Skin Lesion Detection: A Benchmark of 32 Models on a Novel Dataset Including Healthy Skin Images”的研究。该研究关注皮肤病变检测中的鲁棒性问题，并基于一个包含健康皮肤图像的新数据集，对32个模型进行了基准测试。数据集构建的出发点在于皮肤病变检测任务，同时将健康皮肤图像作为专门的背景类别纳入，以支持更贴近实际应用场景的目标检测研究。其主题标签包括皮肤癌、肿瘤、目标检测、ISIC、YOLO和皮肤病变，属于肿瘤领域公开数据集，由Zenodo提供，主题涵盖皮肤癌。
【数据内容】
数据集全量包含11,055张图像，由10个不同的皮肤病变类别和一个专门的“背景”类别组成。10个病变类别分为良性与恶性两组。良性类别共5类：Pigmented Benign Keratosis (PBK)、Dermatofibroma (D)、Solar Lentigo (SL)、Seborrheic Keratosis (SK)、Nevus (N)。恶性类别共5类：Melanoma Invasive (MI)、Basal Cell Carcinoma (BCC)、Actinic Keratosis (AK)、Melanoma in Situ (MIS)、Squamous Cell Carcinoma (SCC)。背景类别包含1,000张清晰、健康皮肤图像。数据集整体保持平衡，10个病变类别加1个背景类别，每个类别包含1,000至1,171张图像。标注形式为YOLO格式，适用于目标检测任务。
【采集与来源】
数据集图像从ISIC档案库中整理而来，全量共11,055张。数据集由Krukar, Natalia与Omiotek, Zbigniew完成构建与发布，发布机构为Zenodo，发布时间为2025年。源站为doi.org。除上述来源信息外，源站未提供更细化的采集设备、采集地点、采集时间、伦理审批或患者人口学信息。
【适用场景】
该数据集适用于皮肤病变与健康皮肤的目标检测研究，尤其适合基于YOLO标注的目标检测模型训练、验证与测试。由于其包含10个皮肤病变类别和1个健康皮肤背景类别，并保持类别间图像数量相对平衡，可用于多类别皮肤病变检测、良恶性病变区分、健康皮肤与病变皮肤的区分，以及模型鲁棒性评估。该数据集所支撑的研究即为在包含健康皮肤图像的新数据集上对32个模型进行基准测试，因此也适合作为模型对比与基准评测的数据基础。主题上，其应用领域包括皮肤癌、肿瘤、皮肤病变检测等。
【使用方法】
数据集已按80%、10%等比例随机划分为训练集、验证集和测试集。使用者可依据该划分直接进行模型训练、调参和测试，也可根据研究需要重新划分。标注为YOLO格式，可直接用于支持YOLO标注格式的目标检测框架。类别体系包含10个病变类别和1个背景类别，使用时应将背景类别作为独立类别处理。由于数据集包含健康皮肤图像，模型训练与评估时可将健康皮肤作为背景类参与检测任务。除上述划分比例与标注格式外，源站未提供具体的训练参数、模型配置、评价指标或代码示例。
【质量与限制】
数据集类别平衡，每个类别包含1,000至1,171张图像，共11,055张图像，来源于ISIC档案库，并已随机划分为训练、验证和测试子集。其许可为Creative Commons Attribution 4.0 International。关于图像分辨率、标注质量、类别间混淆程度、数据偏倚、伦理限制、患者隐私处理等更详细的质量与限制信息，源站未提供。
【引用与许可】
该数据集由Krukar, Natalia与Omiotek, Zbigniew发布，机构为Zenodo，发布时间为2025年，来源站为doi.org。许可为Creative Commons Attribution 4.0 International。使用时应遵循该许可要求进行署名。该数据集所支撑的论文标题为“Enhancing Robustness in Skin Lesion Detection: A Benchmark of 32 Models on a Novel Dataset Including Healthy Skin Images”。除上述信息外，源站未提供具体的引用格式、DOI编号或附加使用条款。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.17479142
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 3.54 GB。
数据说明
该数据集旨在支持题为《增强皮肤病变检测的鲁棒性：在包含健康皮肤图像的新数据集上对32个模型的基准测试》的论文中所述的研究。完整数据集包含从ISIC档案中精选的11,055张图像，由10个不同的皮肤病变类别（5个良性类别：色素性良性角化病（PBK）、皮肤纤维瘤（D）、日光性黑子（SL）、脂溢性角化病（SK）、痣（N）；5个恶性类别：浸润性黑色素瘤（MI）、基底细胞癌（BCC）、光化性角化病（AK）、原位黑色素瘤（MIS）、鳞状细胞癌（SCC））以及一个专门的“背景”（BGD）类别组成，该背景类别包含1,000张清晰健康皮肤的图像。该数据集是平衡的，每个类别（10种病变+1种背景）包含1,000至1,171张图像。数据集被随机划分为训练、验证和测试子集（分别占完整集的80%、10%和10%）。图像使用YOLO格式的边界框进行了标注。
该数据集特别适用于自动化皮肤病变检测实验，可用于训练和基准测试目标检测模型（如YOLO或RT-DETR），尤其侧重于增强鲁棒性并减少健康皮肤上的假阳性。使用此数据集请引用：Krukar, N., & Omiotek, Z. (2026). Enchancing Robustness in Skin Lesion Detection: A Benchmark of 32 Models on a Novel Dataset Including Healthy Skin Images. Applied Sciences, 16(1), 99. https://doi.org/10.3390/app16010099
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
