检测：先比较任务定义
基于 5,000 张甲状腺图像构建 4,000 / 1,000 的训练与验证划分，训练 YOLOv8n。
对比良恶性两分类与单类别定位方案。单类别最佳模型在 1,000 张验证图像上取得 mAP50 92.0%、mAP50–95 60.6%。
分割：把裁剪条件写清楚
使用 PyTorch 搭建 U-Net 训练、验证和批量推理流程，对比整图、病灶裁剪、裁剪边距以及训练轮数。
乳腺 Dice 93.09%、甲状腺 Dice 93.23% 的评估条件，是依据真实标注裁剪的 ROI 验证集。结果应与这一裁剪条件一起阅读。
导出：比较文件体积
完成 FP16 ONNX 以及 OpenVINO FP16 / INT8 导出；每个模型使用 300 张图像进行校准。
乳腺 INT8 文件合计 31.20 MB，对比 124.26 MB 的 PyTorch 检查点，文件体积减少约 74.9%。
工具：把人工检查留在流程里
开发 mask 转 LabelMe JSON 的 Python 批处理工具，覆盖图像匹配、连通域提取、噪声过滤与可视化检查。
处理 780 张 BUSI 图像，生成 665 个病灶框，全部通过 mask 与标注框一致性校验。