1.一种基于深度学习的癌细胞检测方法，其特征在于，包括以下步骤：S100、数据预处理，包括对非癌细胞图像和癌细胞图像添加类别及位置的数据标签，得到数据集；

S200、基于Yolov5目标检测网络对所述数据集进行训练，得到检测模型；

S300、基于所述检测模型对输入的癌细胞图像进行检测，输出检测结果；

其中，所述步骤S100包括：对所述癌细胞图像进行数据增强，得到增强后的数据集；

所述对所述癌细胞图像进行数据增强步骤包括：S110、批量获取癌细胞图像；

S120、对癌细胞图像进行特征提取；

S130、对癌细胞图像进行随机缩放和/或随机裁剪和/或随机排布；

S140、将步骤S120和步骤S130处理得到的图像进行数据集扩展后添加至训练集、测试集和验证集；

所述步骤S200包括以下步骤：

S210、进行自适应锚框计算，输出预测框并与真实框进行比对，计算两者差距，再反向更新，迭代网络参数；

S220、通过Focus网络和CSP网络对癌细胞图像进行特征提取并确定癌细胞边界框；

S230、通过FPN网络和PAN网络进行癌细胞图像分类预测；

S240、通过计算GIoU_Loss值评估检测效果；

所述步骤S210包括：

S211、对设置的所有bbox进行随机变换；

S212、通过预设锚框值基于图框规则对bbox计算召回率；

S213、若所述召回率小于预设的阈值，基于遗传算法和k‑means算法重新计算锚框值，不断迭代保存召回率最高的锚框。

2.根据权利要求1所述的基于深度学习的癌细胞检测方法，其特征在于，所述步骤S230包括：所述FPN网络基于bottom‑up与top‑down的结构实现从下到上不同维度的特征生成，从上到下对特征进行补充增强，并输出不同维度特征和CNN网络提取的特征之间的关联表达。

3.根据权利要求1所述的基于深度学习的癌细胞检测方法，其特征在于，所述数据集划分为训练集、测试集和验证集，分别供检测模型进行训练、交叉验证以及性能测试。

4.根据权利要求1所述的基于深度学习的癌细胞检测方法，其特征在于，所述方法还包括：进行性能评估，基于标准精度P和召回率R计算平均检测精度指标AP。

5.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至4中任一项的方法。