1.一种提高YOLOv8x训练精度的医学图像特征识别方法，其特征包括以下步骤：第一步：在ultralytics\models\v8中创建experimentral.py文件，并增加RepVgg重构网络结构，同时修改其输入输出及步长参数；

第二步：在第一步的experimentral.py文件中添加Eca模块，根据它的__init__方法调整参数，同时在ultralytics\models\v8\yolov8x.yaml配置文件中修改其参数；

第三步：ultralytics\models\v8中创建Myblock.py解析文件，并在其加入解析Eca模块的代码；

第四步：在yolov8x.yaml文件中YOLOv8.0x head处增加检测层代码；

第五步：进行注意力机制的调整，在ultralytics\nn中创建EseAttention.py文件，并写入Effective Squeeze‑and‑Excitation Block代码；

第六步：在ultralytics\nn\task.py中添加导入第五步中注意力机制语句，from ultralytics.nn.EseAttention import EseAttention，同时调整该文件中parse_model()方法中的代码；

第七步：在ultralytics\models\v8\yolov8x.yaml文件中，根据不同卷积层尺度大小，从 YOLOv8.0x backbone开始调整下采样的参数，同时从YOLOv8.0x head调整上采样的参数；

第八步：在ultralytics\中创建main.py文件，对实验影像数据集进行图像去噪和增强处理，完成数据的预处理操作；同时构建基于ESE注意力机制组合RepEca网络结构的YOLOv8x模型对象，并加载运行此时的解析文件Myblock.py；

第九步：根据混淆矩阵中TP、FP、TN、FN数值计算检测器预测为正样本的样本中含有真正的正样本比例Precision，如式(1)；计算所有真正的正样本都被检测器预测为正样本的比例Recall，如式(2)(1) ；

(2) ；

第十步：根据第九步中Precision和Recall计算F度量值，如式(3)；它用于比较给定数据集上不同模型的性能，是评估模型性能的有用指标；

(3) ；

第十一步：由第十步中PR曲线（Presicion‑Recall曲线）与X轴的面积得到数据集中某一个特征类别模型精度AP值，同时评估整个数据集中在不同loU阈值设定下所有类的平均精度值mAP，用以衡量多个类的检测好坏；第十二步：结合第二步和第七步yolov8x.yaml文件中backbone和head下参数的变化，执行第八步代码，比较每次变化下该模型在第九步到第十一步的评估指标大小；

第十三步：跳转到第七步调整采样参数，继续迭代执行到最后一步，直到当前模型和其他目标检测模型结果对比能达到最好的优化状态就结束。

2.根据权利要求1所述的的医学图像特征识别方法，其特征在于，采用无锚实例分割方法CenterMask和SAG‑MASK注意力分支对进行注意力机制的调整。

3.根据权利要求1所述的的医学图像特征识别方法，其特征在于，mAP值范围在(0,1)之间，它越大说明模型越好。