尧图网页设计 
简介这是一份面向Python开发者与生物医学图像研究者的Cellpose 0.6.1库源码压缩包可用于细胞分割、模型训练与2D/3D图像处理。包内共67个文件包含26个py源文件、10个rst文档、6个txt文本、4个yml配置及示例notebook等覆盖模型实现、GUI、转换脚本和测试代码压缩包大小12.58MB。已有262人学习下载。从内容预览看源码目录完整含核心模型文件、文档与配置文件并附带notebook示例便于用户深入理解算法、运行测试或定制开发。无论是希望掌握细胞分割技术的初学者还是需要集成该库的算法工程师都能借此快速上手并减少环境配置成本。1. cellpose-0.6.1.tar.gz 是什么为什么还要手动装拿到这个文件名基本说明你的项目被钉在了一个特定历史版本上要么是复刻老实验要么是离线服务器装不了新包再要么就是同事传过来的源码包。cellpose 0.6.1 处在整个项目从论文配套脚本走向成熟工具的过渡期models.Cellpose对象、命令行入口、_seg.npy输出体系都已经成型但它依赖的 torch、torchvision、numba 组合和今天的默认安装路径差异很大盲目pip install cellpose会拉到新版本接口和权重格式都对不上。这篇文章沿着「解压 → 建环境 → 安装 → 跑批 → 验证结果」的路径把 tar.gz 变成一个可复现的细胞分割流程。2. 解压 tar.gz 并安装conda 环境、依赖与常见报错2.1 解压前先看包内容tar -tzf 与权限坑拿到cellpose-0.6.1.tar.gz第一件事不是解压而是确认文件完整。tar 的-t模式能列出归档内容而不释放文件适合检查包结构和是否被截断ls -lh cellpose-0.6.1.tar.gz tar -tzf cellpose-0.6.1.tar.gz | head -40-t是 list-z表示 gzip 压缩-f指定文件。输出里能看到cellpose-0.6.1/setup.py、cellpose-0.6.1/cellpose/、cellpose-0.6.1/run_cellpose.py之类的条目基本可以放心解压。如果文件在传输中损坏tar -tzf会在中途报gzip: stdin: unexpected end of file这时候不用继续解压重新传包。新手最容易卡在tar: cellpose-0.6.1.tar.gz: Cannot open: No such file or directory这个报错上。这不是包坏了而是当前工作目录里没有这个文件。先pwd确认你在哪个目录ls看文件是否在那里文件在~/downloads/下就写全路径或者先cd ~/downloads再执行。这类路径错误在 Linux 解压 tar.gz 的场景里出现频率极高排查思路永远是先确认「命令看到的路径」和「文件实际位置」是不是同一个。确认无碍后解压到独立目录mkdir -p ~/src cd ~/src tar -xzf ~/downloads/cellpose-0.6.1.tar.gz cd cellpose-0.6.1 ls -la解压后建议立刻ls一下目录内容确认setup.py在根目录。源码包和 wheel 不同它没有编译好的产物安装过程会先读setup.py里的依赖声明再在本地完成必要的构建所以接下来环境的干净度决定成败。2.2 建立 Python 3.8 环境并按依赖顺序安装0.6.1 对应的是 torch 1.6/1.7 时代的 APIPython 3.8 是最稳妥的选择。直接用系统 Python 装很容易污染全局环境而且 0.6.1 的依赖区间和较新的 Python 版本互相踩脚用 conda 单独建环境是通行做法conda create -n cellpose061 python3.8 -y conda activate cellpose061如果你在 PyCharm 或 VSCode 里开发装好后把解释器指向这个 conda 环境PyCharm 在 Settings → Project → Python Interpreter 里选 Existing conda environmentVSCode 装 Python 扩展后按CtrlShiftP选解释器路径是~/miniconda3/envs/cellpose061/bin/python。这一步能避免一大堆「命令行能跑但 IDE 里导入失败」的诡异问题。依赖安装顺序很重要先装 torch再装数值库最后装 cellpose 本体pip install torch1.7.1 torchvision0.8.2 --index-url https://download.pytorch.org/whl/cu110 pip install numpy scipy numba natsort tifffile imageio fastremap pip install -e .--index-url指向 PyTorch 官方 wheel 源cu110代表 CUDA 11.0。CPU 机器把 URL 换成https://download.pytorch.org/whl/cpu参数结构不变。cellpose 0.6.1 在 CPU 上能跑只是慢GPU 机器装了 CPU 版 torch 也能推理但--gpu参数不会生效。第二行装的是 cellpose 的实际运行依赖fastremap负责掩码重映射numba用于后处理的加速tifffile承担 TIFF 读写。第三行-e是 editable 安装会在 site-packages 里生成指向当前源码目录的链接后面调 cellpose 包内代码可以直接生效排查问题比重新安装方便得多。受网络限制时第二、三行可以加国内源地址-i https://pypi.tuna.tsinghua.edu.cn/simple。torch 那一行不要加 PyPI 镜像因为官方源才有带 CUDA 运行时的完整 wheel镜像源上不一定有老版本。2.3 三个高频安装报错第一个典型报错是ImportError: cannot import name ... from torch这类问题多半是 torch 与 torchvision 版本没配对。cellpose 加载时要用 torchvision 的 nms 算子两者编译基线不一致就会在导入阶段翻车。解法是装回官方源里的一组配对版本torch 1.7.1 配 torchvision 0.8.2 是常用组合。第二个是 numba 相关报错特征是日志里出现TypeError: No matching definition或 LLVM 字样。0.6.1 的掩码后处理包含 numba jit 函数Python 3.9/3.10 环境下的新版本 numba 编译这类旧代码容易失败。回到 Python 3.8 后执行pip install numba0.53.1多数情况能解决。第三个是pip install -e .时依赖解析失败。0.6.1 的setup.py里依赖版本偏老pip 会尝试组合出满足全部约束的解索引更新后反而可能找不到合适组合。常见做法是把依赖拆开先装也就是上面第二行命令装完再装 cellpose 本身绕过整体解析。3. cellpose-0.6.1 的分割流程命令行与 Python API 双路径3.1 命令行入口与核心参数环境没问题后用cellpose命令对目录做批量分割是最快的验证方式cellpose --dir ./images --pretrained_model cyto --chan 0 --diameter 30 --save_png --gpu--dir是图像目录--pretrained_model指定模型0.6.1 自带 cyto 和 nuclei 两套预训练权重处理细胞质、细胞膜选 cyto密集细胞核选 nuclei--chan的 0 表示灰度1 红、2 绿、3 蓝--diameter是细胞直径的像素估计默认 30这个值直接影响分割粒度设得比实际细胞小会把一个大细胞切开--save_png保存掩码和叠加预览图--gpu走 GPU 推理CPU 机器不加即可。输出位置建议用--output_dir显式控制0.6.1 的默认输出位置有时会让新用户找半天mkdir -p ./outputs cellpose --dir ./images --output_dir ./outputs --pretrained_model cyto --chan 0 --save_tif--save_tif输出 16 位 TIFF 掩码比 png 更适合后续定量分析。png 格式会限制对象编号在 255 以内TIFF 可以容纳几千上万个细胞核。第一次跑通后要把--diameter、--flow_threshold等参数记下来这些参数会被写进输出文件命名之外的地方实验记录里单独留一行最稳妥。3.2 Python API 的四元返回与结果对象批量跑场景用命令行够用但调参阶段必须用 Python API才能逐个变量观察输出变化import imageio from cellpose import models, io img imageio.imread(./images/sample_01.png) model models.Cellpose(model_typecyto, gpuFalse) masks, flows, styles, diams model.eval( img, diameter30.0, channels[0, 0], flow_threshold0.4, cellprob_threshold0.0, ) io.masks_flows_to_seg(img, masks, flows, diams, ./sample_01, ./outputs)model.eval返回四个值这是 0.6.1 区别于后续版本的重要特征masks与原图同尺寸的整数数组背景为 0每个连通区域一个编号flows字典结构包含梯度流场flow、细胞概率cellprob、按阈值过滤后的掩码mask调试重叠细胞时看flows[cellprob]最直观styles每个对象的特征向量可用于后续聚类或相似度比较diams本次推理实际使用的直径受传入值、图像内容共同影响最终要记录的是这个值而不是你传进去的 30。io.masks_flows_to_seg负责落盘它一次性生成_seg.npy、_cp_masks.png和_overlay.png三份产物。传入的文件名./sample_01不带扩展名函数会自动拼出完整文件名。3.3 通道参数 channels 的取值与效果channels[第一通道, 第二通道]表达输入图像中的角色分配下表是常用取值channels含义典型场景[0, 0]只用灰度单通道明场、单色荧光[1, 0]红通道作为分割依据多色荧光里的红色标记[2, 0]绿通道作为分割依据绿色荧光蛋白[1, 2]红通道细胞质绿通道细胞核双色共定位分割[3, 1]蓝通道细胞质红通道细胞核反色组合第二通道为 0 表示没有核标记模型会退化成只依赖第一通道的纹理和边界信息。换了模型或换了实验体系先打印一张图的masks.max()看对象数量级对象数异常偏少时把cellprob_threshold往负调接受更多低置信度像素对象过多且碎片化就往正调。0.6.1 的这个参数默认 0.0调参步长建议 0.1。4. 数据组织与批量输出把装好的能力用在真实图像上4.1 目录结构与文件名排序cellpose 的后台流程假设一个目录里的图像按文件名自然排序所以目录结构建议固定为data/ images/ ctrl_01.png ctrl_02.png drugA_01.png ... outputs/批量运行前先确认目录里没有.DS_Store、隐藏文件或其他格式的文件否则它们也会被当成图像读入。安全检查命令find data/images -maxdepth 1 -type f -name *.png | sort | head -5不同处理条件混在同一个目录时把条件编号写进文件名不要依赖子目录。0.6.1 的输出文件名完全沿用输入文件名后续按条件筛选统计时文件名规则就是唯一索引。4.2 多通道、大图切块与 GPU 内存控制多通道图像读进来是(H, W, C)的 numpy 数组通道维度的顺序要和channels下标对应。灰度单通道图经imageio.imread出来是二维数组直接配[0, 0]即可。GPU 显存不足是 0.6.1 跑大图的头号问题报错通常是RuntimeError: CUDA out of memory。先加--fast_mode降低网络深度这个参数牺牲少量边界精度换速度仍不够就按比例缩小输入from skimage.transform import resize img_resized resize(img, (img.shape[0] // 2, img.shape[1] // 2), preserve_rangeTrue) masks_small, _, _, _ model.eval(img_resized, diameter15.0, channels[0, 0])缩小一半后diameter要跟着调整原图细胞 30 像素缩小后约 15。这里是最容易踩的坑只缩小图像不缩小diameter小目标会被直接切没。跑完如果只需要统计信息小图输出足够要精确轮廓再回到原图对目标区域做局部推理。4.3 输出文件格式_seg.npy、_cp_masks.png 与 _overlay.png 的区别一次命令或一次masks_flows_to_seg调用会生成三种文件_seg.npy把 masks、flows、styles、diams 打包存储的 numpy 数组后续重载全部结果的唯一入口_cp_masks.png掩码可视化肉眼检查分割数量方便_overlay.png原图叠加掩码轮廓的预览图适合贴进实验记录。重载_seg.npy的方式from cellpose import io seg io.load_masks(./sample_01_seg.npy) masks seg[masks]0.6.1 的_seg.npy里还可能带outlines键存的是每个对象的轮廓坐标。做形态学分析时可以直接用不必再从 mask 重新提边缘省掉一轮skimage.measure.find_contours。5. 验证 mask 质量的三个小脚本0.6.1 输出的最后一道关分割结果进统计之前用三个快速检查把问题拦下来。第一个检查对象数量与面积分布。掩码里面积小于 16 像素的通常是噪声碎片import numpy as np import tifffile masks tifffile.imread(outputs/sample_01_cp_masks.tif).astype(np.int32) ids, counts np.unique(masks, return_countsTrue) ids ids[ids 0] valid ids[counts[ids] 16] print(总对象数:, ids.size, 有效对象数:, valid.size) print(面积中位数:, int(np.median(counts[ids])), 像素)np.unique(masks, return_countsTrue)把每个编号的出现次数当作面积过滤后打印中位数如果中位数明显偏离实验体系里的细胞面积多半是diameter没设对。第二个检查是轮廓接触图像边界。接触边界的 mask 统计面积时不完整占比超过 20% 就要回采集流程补视野from scipy import ndimage edges ndimage.laplace((masks 0).astype(np.float32)) 0 edge_ids np.unique(masks[edges]) edge_ids edge_ids[edge_ids 0] print(接触边界的对象数:, edge_ids.size, 占比: %.2f % (edge_ids.size / max(valid.size, 1)))第三个做法是给 mask 编号排序后重新落盘。cellpose 输出的编号顺序和各对象在图像中的扫描顺序相关不同运行环境下可能不一致先按面积降序重排保证同一文件任意机器上编号对齐order np.argsort(counts[ids])[::-1] remap np.zeros(masks.max() 1, dtypenp.uint32) remap[ids[order]] np.arange(1, len(ids) 1) masks_sorted remap[masks] tifffile.imwrite(outputs/sample_01_masks_sorted.tif, masks_sorted.astype(uint16))把remap、diams、flow_threshold、cellprob四个值和实验批次号存进同一个 JSON下次复现时直接读 JSON 重建环境0.6.1 从 tar.gz 到定量结果的全链路就都有据可查。本文还有配套的精品资源点击获取 Cellpose 0.6.1 tar.gz 安装与细胞分割实操指南
简介这是一份面向Python开发者与生物医学图像研究者的Cellpose 0.6.1库源码压缩包可用于细胞分割、模型训练与2D/3D图像处理。包内共67个文件包含26个py源文件、10个rst文档、6个txt文本、4个yml配置及示例notebook等覆盖模型实现、GUI、转换脚本和测试代码压缩包大小12.58MB。已有262人学习下载。从内容预览看源码目录完整含核心模型文件、文档与配置文件并附带notebook示例便于用户深入理解算法、运行测试或定制开发。无论是希望掌握细胞分割技术的初学者还是需要集成该库的算法工程师都能借此快速上手并减少环境配置成本。1. cellpose-0.6.1.tar.gz 是什么为什么还要手动装拿到这个文件名基本说明你的项目被钉在了一个特定历史版本上要么是复刻老实验要么是离线服务器装不了新包再要么就是同事传过来的源码包。cellpose 0.6.1 处在整个项目从论文配套脚本走向成熟工具的过渡期models.Cellpose对象、命令行入口、_seg.npy输出体系都已经成型但它依赖的 torch、torchvision、numba 组合和今天的默认安装路径差异很大盲目pip install cellpose会拉到新版本接口和权重格式都对不上。这篇文章沿着「解压 → 建环境 → 安装 → 跑批 → 验证结果」的路径把 tar.gz 变成一个可复现的细胞分割流程。2. 解压 tar.gz 并安装conda 环境、依赖与常见报错2.1 解压前先看包内容tar -tzf 与权限坑拿到cellpose-0.6.1.tar.gz第一件事不是解压而是确认文件完整。tar 的-t模式能列出归档内容而不释放文件适合检查包结构和是否被截断ls -lh cellpose-0.6.1.tar.gz tar -tzf cellpose-0.6.1.tar.gz | head -40-t是 list-z表示 gzip 压缩-f指定文件。输出里能看到cellpose-0.6.1/setup.py、cellpose-0.6.1/cellpose/、cellpose-0.6.1/run_cellpose.py之类的条目基本可以放心解压。如果文件在传输中损坏tar -tzf会在中途报gzip: stdin: unexpected end of file这时候不用继续解压重新传包。新手最容易卡在tar: cellpose-0.6.1.tar.gz: Cannot open: No such file or directory这个报错上。这不是包坏了而是当前工作目录里没有这个文件。先pwd确认你在哪个目录ls看文件是否在那里文件在~/downloads/下就写全路径或者先cd ~/downloads再执行。这类路径错误在 Linux 解压 tar.gz 的场景里出现频率极高排查思路永远是先确认「命令看到的路径」和「文件实际位置」是不是同一个。确认无碍后解压到独立目录mkdir -p ~/src cd ~/src tar -xzf ~/downloads/cellpose-0.6.1.tar.gz cd cellpose-0.6.1 ls -la解压后建议立刻ls一下目录内容确认setup.py在根目录。源码包和 wheel 不同它没有编译好的产物安装过程会先读setup.py里的依赖声明再在本地完成必要的构建所以接下来环境的干净度决定成败。2.2 建立 Python 3.8 环境并按依赖顺序安装0.6.1 对应的是 torch 1.6/1.7 时代的 APIPython 3.8 是最稳妥的选择。直接用系统 Python 装很容易污染全局环境而且 0.6.1 的依赖区间和较新的 Python 版本互相踩脚用 conda 单独建环境是通行做法conda create -n cellpose061 python3.8 -y conda activate cellpose061如果你在 PyCharm 或 VSCode 里开发装好后把解释器指向这个 conda 环境PyCharm 在 Settings → Project → Python Interpreter 里选 Existing conda environmentVSCode 装 Python 扩展后按CtrlShiftP选解释器路径是~/miniconda3/envs/cellpose061/bin/python。这一步能避免一大堆「命令行能跑但 IDE 里导入失败」的诡异问题。依赖安装顺序很重要先装 torch再装数值库最后装 cellpose 本体pip install torch1.7.1 torchvision0.8.2 --index-url https://download.pytorch.org/whl/cu110 pip install numpy scipy numba natsort tifffile imageio fastremap pip install -e .--index-url指向 PyTorch 官方 wheel 源cu110代表 CUDA 11.0。CPU 机器把 URL 换成https://download.pytorch.org/whl/cpu参数结构不变。cellpose 0.6.1 在 CPU 上能跑只是慢GPU 机器装了 CPU 版 torch 也能推理但--gpu参数不会生效。第二行装的是 cellpose 的实际运行依赖fastremap负责掩码重映射numba用于后处理的加速tifffile承担 TIFF 读写。第三行-e是 editable 安装会在 site-packages 里生成指向当前源码目录的链接后面调 cellpose 包内代码可以直接生效排查问题比重新安装方便得多。受网络限制时第二、三行可以加国内源地址-i https://pypi.tuna.tsinghua.edu.cn/simple。torch 那一行不要加 PyPI 镜像因为官方源才有带 CUDA 运行时的完整 wheel镜像源上不一定有老版本。2.3 三个高频安装报错第一个典型报错是ImportError: cannot import name ... from torch这类问题多半是 torch 与 torchvision 版本没配对。cellpose 加载时要用 torchvision 的 nms 算子两者编译基线不一致就会在导入阶段翻车。解法是装回官方源里的一组配对版本torch 1.7.1 配 torchvision 0.8.2 是常用组合。第二个是 numba 相关报错特征是日志里出现TypeError: No matching definition或 LLVM 字样。0.6.1 的掩码后处理包含 numba jit 函数Python 3.9/3.10 环境下的新版本 numba 编译这类旧代码容易失败。回到 Python 3.8 后执行pip install numba0.53.1多数情况能解决。第三个是pip install -e .时依赖解析失败。0.6.1 的setup.py里依赖版本偏老pip 会尝试组合出满足全部约束的解索引更新后反而可能找不到合适组合。常见做法是把依赖拆开先装也就是上面第二行命令装完再装 cellpose 本身绕过整体解析。3. cellpose-0.6.1 的分割流程命令行与 Python API 双路径3.1 命令行入口与核心参数环境没问题后用cellpose命令对目录做批量分割是最快的验证方式cellpose --dir ./images --pretrained_model cyto --chan 0 --diameter 30 --save_png --gpu--dir是图像目录--pretrained_model指定模型0.6.1 自带 cyto 和 nuclei 两套预训练权重处理细胞质、细胞膜选 cyto密集细胞核选 nuclei--chan的 0 表示灰度1 红、2 绿、3 蓝--diameter是细胞直径的像素估计默认 30这个值直接影响分割粒度设得比实际细胞小会把一个大细胞切开--save_png保存掩码和叠加预览图--gpu走 GPU 推理CPU 机器不加即可。输出位置建议用--output_dir显式控制0.6.1 的默认输出位置有时会让新用户找半天mkdir -p ./outputs cellpose --dir ./images --output_dir ./outputs --pretrained_model cyto --chan 0 --save_tif--save_tif输出 16 位 TIFF 掩码比 png 更适合后续定量分析。png 格式会限制对象编号在 255 以内TIFF 可以容纳几千上万个细胞核。第一次跑通后要把--diameter、--flow_threshold等参数记下来这些参数会被写进输出文件命名之外的地方实验记录里单独留一行最稳妥。3.2 Python API 的四元返回与结果对象批量跑场景用命令行够用但调参阶段必须用 Python API才能逐个变量观察输出变化import imageio from cellpose import models, io img imageio.imread(./images/sample_01.png) model models.Cellpose(model_typecyto, gpuFalse) masks, flows, styles, diams model.eval( img, diameter30.0, channels[0, 0], flow_threshold0.4, cellprob_threshold0.0, ) io.masks_flows_to_seg(img, masks, flows, diams, ./sample_01, ./outputs)model.eval返回四个值这是 0.6.1 区别于后续版本的重要特征masks与原图同尺寸的整数数组背景为 0每个连通区域一个编号flows字典结构包含梯度流场flow、细胞概率cellprob、按阈值过滤后的掩码mask调试重叠细胞时看flows[cellprob]最直观styles每个对象的特征向量可用于后续聚类或相似度比较diams本次推理实际使用的直径受传入值、图像内容共同影响最终要记录的是这个值而不是你传进去的 30。io.masks_flows_to_seg负责落盘它一次性生成_seg.npy、_cp_masks.png和_overlay.png三份产物。传入的文件名./sample_01不带扩展名函数会自动拼出完整文件名。3.3 通道参数 channels 的取值与效果channels[第一通道, 第二通道]表达输入图像中的角色分配下表是常用取值channels含义典型场景[0, 0]只用灰度单通道明场、单色荧光[1, 0]红通道作为分割依据多色荧光里的红色标记[2, 0]绿通道作为分割依据绿色荧光蛋白[1, 2]红通道细胞质绿通道细胞核双色共定位分割[3, 1]蓝通道细胞质红通道细胞核反色组合第二通道为 0 表示没有核标记模型会退化成只依赖第一通道的纹理和边界信息。换了模型或换了实验体系先打印一张图的masks.max()看对象数量级对象数异常偏少时把cellprob_threshold往负调接受更多低置信度像素对象过多且碎片化就往正调。0.6.1 的这个参数默认 0.0调参步长建议 0.1。4. 数据组织与批量输出把装好的能力用在真实图像上4.1 目录结构与文件名排序cellpose 的后台流程假设一个目录里的图像按文件名自然排序所以目录结构建议固定为data/ images/ ctrl_01.png ctrl_02.png drugA_01.png ... outputs/批量运行前先确认目录里没有.DS_Store、隐藏文件或其他格式的文件否则它们也会被当成图像读入。安全检查命令find data/images -maxdepth 1 -type f -name *.png | sort | head -5不同处理条件混在同一个目录时把条件编号写进文件名不要依赖子目录。0.6.1 的输出文件名完全沿用输入文件名后续按条件筛选统计时文件名规则就是唯一索引。4.2 多通道、大图切块与 GPU 内存控制多通道图像读进来是(H, W, C)的 numpy 数组通道维度的顺序要和channels下标对应。灰度单通道图经imageio.imread出来是二维数组直接配[0, 0]即可。GPU 显存不足是 0.6.1 跑大图的头号问题报错通常是RuntimeError: CUDA out of memory。先加--fast_mode降低网络深度这个参数牺牲少量边界精度换速度仍不够就按比例缩小输入from skimage.transform import resize img_resized resize(img, (img.shape[0] // 2, img.shape[1] // 2), preserve_rangeTrue) masks_small, _, _, _ model.eval(img_resized, diameter15.0, channels[0, 0])缩小一半后diameter要跟着调整原图细胞 30 像素缩小后约 15。这里是最容易踩的坑只缩小图像不缩小diameter小目标会被直接切没。跑完如果只需要统计信息小图输出足够要精确轮廓再回到原图对目标区域做局部推理。4.3 输出文件格式_seg.npy、_cp_masks.png 与 _overlay.png 的区别一次命令或一次masks_flows_to_seg调用会生成三种文件_seg.npy把 masks、flows、styles、diams 打包存储的 numpy 数组后续重载全部结果的唯一入口_cp_masks.png掩码可视化肉眼检查分割数量方便_overlay.png原图叠加掩码轮廓的预览图适合贴进实验记录。重载_seg.npy的方式from cellpose import io seg io.load_masks(./sample_01_seg.npy) masks seg[masks]0.6.1 的_seg.npy里还可能带outlines键存的是每个对象的轮廓坐标。做形态学分析时可以直接用不必再从 mask 重新提边缘省掉一轮skimage.measure.find_contours。5. 验证 mask 质量的三个小脚本0.6.1 输出的最后一道关分割结果进统计之前用三个快速检查把问题拦下来。第一个检查对象数量与面积分布。掩码里面积小于 16 像素的通常是噪声碎片import numpy as np import tifffile masks tifffile.imread(outputs/sample_01_cp_masks.tif).astype(np.int32) ids, counts np.unique(masks, return_countsTrue) ids ids[ids 0] valid ids[counts[ids] 16] print(总对象数:, ids.size, 有效对象数:, valid.size) print(面积中位数:, int(np.median(counts[ids])), 像素)np.unique(masks, return_countsTrue)把每个编号的出现次数当作面积过滤后打印中位数如果中位数明显偏离实验体系里的细胞面积多半是diameter没设对。第二个检查是轮廓接触图像边界。接触边界的 mask 统计面积时不完整占比超过 20% 就要回采集流程补视野from scipy import ndimage edges ndimage.laplace((masks 0).astype(np.float32)) 0 edge_ids np.unique(masks[edges]) edge_ids edge_ids[edge_ids 0] print(接触边界的对象数:, edge_ids.size, 占比: %.2f % (edge_ids.size / max(valid.size, 1)))第三个做法是给 mask 编号排序后重新落盘。cellpose 输出的编号顺序和各对象在图像中的扫描顺序相关不同运行环境下可能不一致先按面积降序重排保证同一文件任意机器上编号对齐order np.argsort(counts[ids])[::-1] remap np.zeros(masks.max() 1, dtypenp.uint32) remap[ids[order]] np.arange(1, len(ids) 1) masks_sorted remap[masks] tifffile.imwrite(outputs/sample_01_masks_sorted.tif, masks_sorted.astype(uint16))把remap、diams、flow_threshold、cellprob四个值和实验批次号存进同一个 JSON下次复现时直接读 JSON 重建环境0.6.1 从 tar.gz 到定量结果的全链路就都有据可查。本文还有配套的精品资源点击获取