30分钟跑通细胞分割Cellpose-SAM从安装到出结果的实战指南【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 是深度学习细胞分割工具荧光、明场、3D 体积都能处理一条命令输出掩码标签数组。从0到第一次出图只需3步Linux、Windows、macOS 都支持内存最低 8GB跑 3D 体积建议 16GB 以上。conda create --name cellpose python3.12 conda activate cellpose python -m pip install cellpose[gui]对一张图直接跑分割python -m cellpose --image_path /data/img.tif --save_png你应该看到同目录下多了img_seg.npy和img_cp_masks.png后者就是掩码图。注意首次运行会自动下载预训练模型默认 cpsam_v2所以下载慢是正常的。拿一组真实数据走完整流程假设你手头有 20 张荧光双通道 TIFF通道 0 是细胞质、通道 1 是细胞核。Cellpose-SAM 对通道顺序不敏感取输入的前 3 个通道、多余截断所以双通道场景直接跑就行。第 1 步通道不在前两位时才需要手动选。比如细胞质在通道 0、细胞核在通道 2from cellpose import models, io img io.imread(img.tif) img_cp img[[0, 2]]第 2 步批量处理整个文件夹20 张图一条命令完成荧光图像分割掩码默认存回图片目录python -m cellpose --dir /data/images --diameter 30 --save_png第 3 步要接自己的脚本就用 APIeval返回 (masks, flows, styles, diams)其中 masks 就是标签数组0 是背景1、2、… 是细胞编号model models.CellposeModel(gpuTrue) masks, flows, styles, diams model.eval(imgs, diameter30)如果是多 Z 轴 TIFF做 3D细胞分割用python -m cellpose --Zstack开 3D GUI或 CLI 加--do_3D --flow3D_smooth 2。真正影响效果的4个参数参数一句话作用起步值什么时候该调diameter把细胞缩放到训练均值 30 像素大细胞会降采样提速None自动细胞很大90 像素填 90 可提速flow_threshold流场重建误差上限超标的掩码被丢弃0.4掩码偏少→调大畸形掩码多→调小cellprob_threshold细胞概率闸门高于它才参与动态演化0.0结果偏小偏少→调低暗区误检多→调高niter动态演化迭代次数0 表示按直径比例自动算0细长细胞收敛不足试 2000打个比方网络先给出流场和概率图这 4 个参数决定像素被筛成细胞的松紧度——diameter 管输入尺度niter 管迭代够不够剩下两个管丢弃哪些像素。一次只动一个看两三张图的效果再决定方向。接入你现有的工具链ImageJ / FijiCLI 加--save_rois直接产出 ImageJ 原生 ROI 存档File Open 即可在 ROI Manager 里看到所有轮廓旧式流程是--save_txt再配合仓库里的 imagej_roi_converter.py 脚本。下游分析脚本masks 就是标准 numpy 标签数组CLI 存的*_seg.npy里还有 outlines、flows 等字段np.load(img_seg.npy, allow_pickleTrue).item()取出后直接进形态学或统计代码。3D 输出--do_3D配合--stitch_threshold可对跨平面 IoU0.9 的 2D 掩码沿 Z 缝合缓解 Z 向碎裂。全部选项见 docs/command.rst 和 docs/outputs.rst。踩坑清单按出现频率排细胞漏检、掩码偏小→ 两个阈值卡得太严。先把cellprob_threshold调低如 -2 到 -5再看还漏不漏再调大flow_threshold0.5~1.0。不要同时动两个否则分不清是谁在起作用。掩码 PNG 看着像渐变图、看不到细胞→ 这是正常的掩码按标签存背景 0、编号自上而下递增直接看就是渐变。用 ImageJ 打开后做阈值 0 或换 LUT或改用--save_tif后在 GUI 里查看。GUI 点完 run segmentation 像死机→ 计算期间 GUI 本来就不响应不是崩溃。看终端里的进度即可大图建议改走 CLI 并启用 GPU。首次运行卡在下载→ 预训练权重首次使用才自动下载网络不通会一直挂着。手动下好解压后放进家目录~/.cellpose/models/即可跳过下载。3D 掩码沿 Z 轴碎裂、出现环状伪影→ 各向异性模糊或欠采样引起。加--flow3D_smooth 2 1 1对 Z 方向单独平滑。适合单细胞成像、荧光批量数据做 2D/3D 细胞分割的人尤其是需要接 ImageJ 或自有分析脚本的流水线不适合做多类细胞类型识别——官方不支持多类别输出得按类型各训一个模型、跑多遍再合并。完整文档看 docs/index.rst训练相关流程见 docs/train.rst。【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 
长河君 · 2026/8/21 23:05:50 · 阅读 1.2k 30分钟跑通细胞分割：Cellpose-SAM从安装到出结果的实战指南
30分钟跑通细胞分割Cellpose-SAM从安装到出结果的实战指南【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 是深度学习细胞分割工具荧光、明场、3D 体积都能处理一条命令输出掩码标签数组。从0到第一次出图只需3步Linux、Windows、macOS 都支持内存最低 8GB跑 3D 体积建议 16GB 以上。conda create --name cellpose python3.12 conda activate cellpose python -m pip install cellpose[gui]对一张图直接跑分割python -m cellpose --image_path /data/img.tif --save_png你应该看到同目录下多了img_seg.npy和img_cp_masks.png后者就是掩码图。注意首次运行会自动下载预训练模型默认 cpsam_v2所以下载慢是正常的。拿一组真实数据走完整流程假设你手头有 20 张荧光双通道 TIFF通道 0 是细胞质、通道 1 是细胞核。Cellpose-SAM 对通道顺序不敏感取输入的前 3 个通道、多余截断所以双通道场景直接跑就行。第 1 步通道不在前两位时才需要手动选。比如细胞质在通道 0、细胞核在通道 2from cellpose import models, io img io.imread(img.tif) img_cp img[[0, 2]]第 2 步批量处理整个文件夹20 张图一条命令完成荧光图像分割掩码默认存回图片目录python -m cellpose --dir /data/images --diameter 30 --save_png第 3 步要接自己的脚本就用 APIeval返回 (masks, flows, styles, diams)其中 masks 就是标签数组0 是背景1、2、… 是细胞编号model models.CellposeModel(gpuTrue) masks, flows, styles, diams model.eval(imgs, diameter30)如果是多 Z 轴 TIFF做 3D细胞分割用python -m cellpose --Zstack开 3D GUI或 CLI 加--do_3D --flow3D_smooth 2。真正影响效果的4个参数参数一句话作用起步值什么时候该调diameter把细胞缩放到训练均值 30 像素大细胞会降采样提速None自动细胞很大90 像素填 90 可提速flow_threshold流场重建误差上限超标的掩码被丢弃0.4掩码偏少→调大畸形掩码多→调小cellprob_threshold细胞概率闸门高于它才参与动态演化0.0结果偏小偏少→调低暗区误检多→调高niter动态演化迭代次数0 表示按直径比例自动算0细长细胞收敛不足试 2000打个比方网络先给出流场和概率图这 4 个参数决定像素被筛成细胞的松紧度——diameter 管输入尺度niter 管迭代够不够剩下两个管丢弃哪些像素。一次只动一个看两三张图的效果再决定方向。接入你现有的工具链ImageJ / FijiCLI 加--save_rois直接产出 ImageJ 原生 ROI 存档File Open 即可在 ROI Manager 里看到所有轮廓旧式流程是--save_txt再配合仓库里的 imagej_roi_converter.py 脚本。下游分析脚本masks 就是标准 numpy 标签数组CLI 存的*_seg.npy里还有 outlines、flows 等字段np.load(img_seg.npy, allow_pickleTrue).item()取出后直接进形态学或统计代码。3D 输出--do_3D配合--stitch_threshold可对跨平面 IoU0.9 的 2D 掩码沿 Z 缝合缓解 Z 向碎裂。全部选项见 docs/command.rst 和 docs/outputs.rst。踩坑清单按出现频率排细胞漏检、掩码偏小→ 两个阈值卡得太严。先把cellprob_threshold调低如 -2 到 -5再看还漏不漏再调大flow_threshold0.5~1.0。不要同时动两个否则分不清是谁在起作用。掩码 PNG 看着像渐变图、看不到细胞→ 这是正常的掩码按标签存背景 0、编号自上而下递增直接看就是渐变。用 ImageJ 打开后做阈值 0 或换 LUT或改用--save_tif后在 GUI 里查看。GUI 点完 run segmentation 像死机→ 计算期间 GUI 本来就不响应不是崩溃。看终端里的进度即可大图建议改走 CLI 并启用 GPU。首次运行卡在下载→ 预训练权重首次使用才自动下载网络不通会一直挂着。手动下好解压后放进家目录~/.cellpose/models/即可跳过下载。3D 掩码沿 Z 轴碎裂、出现环状伪影→ 各向异性模糊或欠采样引起。加--flow3D_smooth 2 1 1对 Z 方向单独平滑。适合单细胞成像、荧光批量数据做 2D/3D 细胞分割的人尤其是需要接 ImageJ 或自有分析脚本的流水线不适合做多类细胞类型识别——官方不支持多类别输出得按类型各训一个模型、跑多遍再合并。完整文档看 docs/index.rst训练相关流程见 docs/train.rst。【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