بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
يستخدم الذكاء الاصطناعي في كل صناعة تقريبًا، ولكن تأثيره على الرعاية الصحية، وخاصة في المستحضرات الصيدلانية، كبير بشكل خاص. هذا العام، تبلغ قيمة الذكاء الاصطناعي في سوق الأدوية 1.94 مليار دولار، ومن المتوقع أن ينمو إلى 16.49 مليار دولار بحلول عام 2034.
أحد المحركات التكنولوجية الرئيسية لهذا السوق هو الرؤية الحاسوبية. على عكس معالجة الصور التقليدية، فإن الرؤية الحاسوبية هي مجال فرعي من الذكاء الاصطناعي يمكّن الآلات من فهم وتحليل البيانات المرئية في الوقت الفعلي.
الشكل 1. نظرة عامة على الذكاء الاصطناعي في سوق الأدوية.
في صناعة الأدوية، حيث يمكن أن يكون لأصغر خطأ عواقب وخيمة، تقدم Vision AI طرقًا جديدة وموثوقة لتحسين السلامة والدقة.
على سبيل المثال، Ultralytics YOLO11 هو نموذج رؤية حاسوبية مصمم لمهام الوقت الفعلي مثل اكتشاف الكائنات وتجزئة المثيلات، ويمكن استخدامه لتطبيقات مثل تحديد الحبوب أو اكتشاف العيوب في تغليف الأدوية.
في هذه المقالة، سنتناول كيفية التعامل العملي مع Vision AI من خلال تدريب YOLO11 على اكتشاف الحبوب. سنستكشف أيضًا تطبيقاته في العالم الحقيقي. هيا بنا نبدأ!
بناء نموذج ذكاء اصطناعي للكشف عن الأقراص
قبل أن نتعمق في كيفية تدريب YOLO11 للكشف عن الأقراص، دعنا نعود خطوة إلى الوراء ونفهم معنى تدريب نموذج ودور مجموعة البيانات.
يتضمن تدريب النموذج تعليمه التعرف على الأنماط عن طريق عرض العديد من الأمثلة عليه. في هذه الحالة، تكون مجموعة البيانات عبارة عن مجموعة من الصور حيث يتم تصنيف كل صورة للإشارة إلى مكان وجود الأقراص. تساعد هذه العملية النموذج على التعلم من هذه الأمثلة حتى يتمكن لاحقًا من تحديد الأقراص في صور جديدة.
تجعل حزمة Ultralytics Python هذه العملية أسهل من خلال دعم مجموعة واسعة من مجموعات البيانات بتنسيق ملف YOLO مبسط. إنها توفر وصولاً خاليًا من المتاعب إلى مجموعات البيانات الشائعة وتوفر الدعم لتطبيقات مثل الكشف عن الأقراص.
على سبيل المثال، تعد مجموعة بيانات الأقراص الطبية عبارة عن مجموعة مخصصة لإثبات المفهوم مصممة لعرض كيف يمكن اكتشاف الكائنات تحسين سير العمل الصيدلاني من خلال مهام مثل مراقبة الجودة والفرز واكتشاف التزييف.
اختيار بيئة التطوير
هناك عامل آخر يجب مراعاته قبل أن تتمكن من البدء في التدريب باستخدام حزمة Ultralytics Python وهو اختيار بيئة التطوير المناسبة. فيما يلي ثلاثة خيارات شائعة:
واجهة سطر الأوامر (CLI): CLI أو المحطة الطرفية هي أداة بسيطة تعتمد على النصوص حيث يمكنك كتابة الأوامر لتشغيل التعليمات البرمجية الخاصة بك والتفاعل مع جهاز الكمبيوتر الخاص بك.
دفاتر Jupyter: هذه بيئة أكثر تفاعلية حيث يمكنك كتابة التعليمات البرمجية وتشغيلها في أجزاء صغيرة (خلايا)، مما يسهل اختبارها وتصحيحها أثناء التنقل.
جوجل كولاب: خيار قائم على السحابة يعمل مثل دفاتر Jupyter، ولكن مع ميزة إضافية تتمثل في الوصول المجاني إلى وحدة معالجة الرسومات، لذلك لا داعي للقلق بشأن إعداد أي شيء محليًا.
هناك خيارات إعداد أخرى يمكنك استكشافها في وثائق Ultralytics الرسمية، ولكن الخيارات الثلاثة المذكورة أعلاه سهلة الإعداد والاستخدام، مما يجعلها خيارات رائعة للبدء بسرعة.
في هذا الدليل، سنركز على كيفية إعداد وتدريب YOLO11 باستخدام Google Colab أو Jupyter Notebooks أو برنامج Python أساسي، حيث أن العملية متشابهة تمامًا في كل من هذه البيئات.
أيضًا، هذا البرنامج التعليمي مشابه تمامًا للبرنامج الذي قمنا بتغطيته سابقًا حول اكتشاف الحياة البرية باستخدام YOLO11. إذا كنت مهتمًا بمزيد من التفاصيل حول أي من الخطوات في هذا البرنامج التعليمي للترميز، فيمكنك التحقق من ذلك.
استكشاف مجموعة بيانات للكشف عن الأقراص في الوقت الفعلي باستخدام YOLO
تتضمن مجموعة بيانات الأقراص الطبية 92 صورة تدريب و 23 صورة تحقق، مما يوفر تقسيمًا قويًا لكل من بناء النموذج واختباره. تُستخدم صور التدريب لتعليم النموذج، بينما تساعد صور التحقق في تقييم مدى جودة أداء النموذج على بيانات جديدة غير مرئية.
تم تصنيف كل صورة في مجموعة البيانات لفئة واحدة، وهي الأقراص. تحدد تعليقات المربعات المحيطة بوضوح موقع كل حبة، مما يجعل مجموعة البيانات مثالية للمهام المركزة مثل الكشف عن الحبوب دون تعقيد التعامل مع فئات كائنات متعددة.
الشكل 2. لمحة عن مجموعة بيانات الأقراص الطبية.
لدعم التدريب باستخدام YOLO11، توفر Ultralytics ملف تكوين YAML يحدد المعلمات الرئيسية مثل مسارات الملفات وأسماء الفئات والبيانات الوصفية اللازمة لتدريب النموذج. سواء كنت تقوم بضبط نموذج مُدرَّب مسبقًا أو تبدأ من البداية، فإن هذا الملف يجعل العملية أبسط بكثير ويساعدك على البدء بسرعة.
تدريب نموذج Ultralytics YOLO على مجموعة بيانات الأقراص
للبدء، سنقوم بإعداد بيئة لـ التدريب واختبار النموذج. يمكنك اختيار استخدام Google Colab أو Jupyter Notebooks أو ملف Python بسيط بناءً على تفضيلاتك. ما عليك سوى إنشاء دفتر ملاحظات جديد أو ملف Python في البيئة التي تختارها.
بعد ذلك، يمكننا إعداد بيئتنا وتثبيت حزمة Ultralytics Python باستخدام الأمر الموضح أدناه. إذا كنت تستخدم بيئة قائمة على دفتر الملاحظات (Google Colab أو Jupyter)، فقم بتشغيل الأمر التالي بعلامة تعجب (!) في البداية.
pip install ultralytics
بمجرد التثبيت، فإن الخطوة التالية هي تنزيل وتدريب YOLO11 باستخدام مجموعة بيانات الأقراص الطبية. نظرًا لأن مجموعة البيانات مدعومة من حزمة Ultralytics Python، فإن العملية بسيطة.
فهم عملية تدريب النموذج
أولاً، يمكننا استيراد فئة YOLO من حزمة Ultralytics. بعد ذلك، يمكننا تحميل نموذج YOLO11 مُدرَّب مسبقًا من الملف “yolo11n.pt”، والذي يوصى به لأنه نموذج نانو وخفيف الوزن.
أخيرًا، يمكننا بدء عملية التدريب عن طريق توجيه النموذج إلى تكوين مجموعة البيانات الخاصة بنا (medical-pills.yaml) وتعيين عدد حقب التدريب (تمريرة كاملة واحدة عبر مجموعة البيانات بأكملها) إلى 100، كما هو موضح أدناه.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)
يتيح التدريب لعدة دورات (epochs) للنموذج التعلّم وتحسين أدائه مع كل تمريرة. ستتمكن من العثور على السجلات ونقاط التحقق المحفوظة في المجلد الفرعي “runs/train/”، والتي يمكنك استخدامها لمراقبة التقدم ومراجعة أداء النموذج.
بعد اكتمال التدريب، يجب أن يكون نموذج YOLO11 المُدرَّب خصيصًا قادرًا على تحديد الحبوب بدقة. يمكنك البحث عن أوزان النموذج المُدرَّب النهائية في المجلد الفرعي “runs/detect/train/weights/” تحت اسم “best.pt”.
تقييم YOLO11 بعد تدريب النموذج
لتقييم مدى جودة تعلّم النموذج للكشف عن الحبوب، يمكننا تشغيل التحقق على النحو التالي:
metrics = model.val()
تُرجع هذه العملية مقاييس شائعة للكشف عن الأجسام، والتي توفر نظرة ثاقبة على أداء النموذج. إليك نظرة فاحصة على بعض هذه المقاييس:
الدقة (Precision): تقيس نسبة الحبوب التي تم الكشف عنها بواسطة النموذج والتي كانت صحيحة.
الاسترجاع (Recall): يشير إلى نسبة الحبوب الفعلية التي يحددها النموذج بنجاح.
متوسط الدقة المتوسطة (mAP): يجمع هذا المقياس بين الدقة والاسترجاع عبر عتبات الكشف المختلفة لإعطاء درجة أداء عامة.
توفر هذه المقاييس معًا رؤية شاملة لمدى دقة النموذج في الكشف عن الحبوب في بيانات جديدة وغير مرئية.
إذا لم يكن أداء النموذج الخاص بك جيدًا كما هو متوقع، فيمكنك محاولة تدريبه لعدد أكبر من الدورات (epochs) أو تحسين معلمات التدريب الأخرى، مثل معدل التعلم، الذي يتحكم في حجم الخطوات المتخذة أثناء تحسين النموذج، أو حجم الصورة، لزيادة تحسين أدائه.
تشغيل الاستدلالات باستخدام نموذج YOLO11 المُدرَّب خصيصًا
بمجرد تدريب وتقييم نموذج YOLO11، فإن الخطوة التالية هي اختبار مدى جودة أدائه على صور جديدة وغير مرئية. يساعد هذا في محاكاة الظروف الواقعية، مثل الكشف عن الحبوب في إضاءة أو ترتيبات أو أنماط تغليف مختلفة.
لاختبار النموذج، قمنا بتنزيل صورة نموذجية من Pexels، وهو موقع ويب للصور المجانية، وقمنا بتحليل الصورة أو تشغيل تنبؤ باستخدام نموذج YOLO11 المُدرَّب خصيصًا كما هو موضح في مقتطف الشفرة أدناه.
يمكنك استخدام هذه الصورة النموذجية أو أي صورة أخرى ذات صلة لتقييم مدى جودة أداء النموذج في سيناريوهات العالم الحقيقي.
يخبر خيار الحفظ النموذج بتخزين الصورة الناتجة، ويضمن إعداد الثقة تضمين التنبؤات التي لا تقل عن 30 بالمائة من اليقين في النتائج فقط.
عند تشغيل التنبؤ، ستعرض المخرجات رسالة تخبرك بمكان حفظ الصورة - على سبيل المثال، "تم حفظ النتائج في runs/detect/train."
ستكون الصورة الناتجة مشابهة للصورة المعروضة هنا، مع الكشف عن الحبوب وتمييزها باستخدام مربعات إحاطة. تشير درجات الثقة المعروضة إلى مستوى اليقين لكل عملية كشف.
الشكل 3. الكشف عن الحبوب باستخدام YOLO11.
تطبيقات واقعية لاستخدام YOLO11 في مجال الأدوية
الآن بعد أن استكشفنا كيفية تدريب YOLO11 باستخدام مجموعة بيانات Medical-Pills وتشغيل الاستدلالات على الصور للكشف عن الحبوب، دعنا نلقي نظرة على تطبيقات YOLO11 الواقعية في صناعة الأدوية.
فرز حبوب الأدوية باستخدام YOLO11
يمكن تطبيق الكشف الآلي عن الحبوب باستخدام YOLO11 على فرز الأدوية. غالبًا ما يكون الفرز اليدوي بطيئًا ومتكررًا وعرضة للأخطاء التي يمكن أن تعرض سلامة الأدوية والامتثال للخطر.
باستخدام نموذج YOLO11 مُحسَّن، يمكننا الكشف عن الحبوب وفرزها بدقة بناءً على السمات المرئية مثل الحجم والشكل واللون. تعمل هذه الأتمتة على تسريع العملية وتساعد على ضمان تلبية المنتجات لمعايير الجودة الصارمة، مما يجعلها أداة قيمة في العمليات الصيدلانية.
إن توفير الأدوية المناسبة في الوقت المحدد هو أكثر من مجرد مهمة لوجستية - بل يمكن أن يؤثر على رعاية المرضى والتكاليف. قد يؤدي نقص حاد في دواء حيوي إلى تأخير العلاج، في حين أن الإفراط في التخزين يمكن أن يؤدي إلى أدوية منتهية الصلاحية ومخزون مهدر. مع وجود أنواع عديدة من الحبوب والاختلافات في التعبئة والتغليف في صناعة الأدوية، يمكن لأنظمة الجرد الآلية أن تتيح سجلات أكثر دقة.
يمكن لأنظمة الجرد الذكية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لمراقبة مستويات المخزون في الوقت الفعلي. يمكن للنموذج فحص الرفوف ومناطق التعبئة والتغليف باستخدام الصور أو الفيديو لاكتشاف الحبوب وعدها. مع تغير مستويات المخزون، سواء تمت إضافة العناصر أو إزالتها أو نقلها، يمكن للنظام تحديث العدد تلقائيًا.
مراقبة الجودة في صناعة الأدوية مدفوعة بـ YOLO11
في إنتاج الأدوية، تعد مراقبة الجودة أمرًا بالغ الأهمية للتأكد من أن كل حبة آمنة وفعالة. حتى العيوب الطفيفة، مثل الشقوق أو الشكل غير المتساوي أو الاختلاف الطفيف في اللون، يمكن أن تؤدي إلى أخطاء في الجرعات أو سحب المنتجات.
يمكن أن يساعد YOLO11 في الكشف التلقائي عن الحبوب التي لا تستوفي معايير الجودة. يمكن للنموذج تعلم الميزات المرئية واستخدام مربعات الإحاطة للإشارة إلى مشكلات مثل الرقائق أو الطبعات الباهتة أو تغير اللون في الوقت الفعلي. يتيح ذلك الإزالة المبكرة للحبوب المعيبة، مما يقلل من الفاقد ويضمن وصول الأدوية المضمونة الجودة فقط إلى المرضى.
علاوة على ذلك، يمكن استخدام YOLO11 لاكتشاف الحبوب وعدها أثناء فحصها، لتتبع دقيق أثناء مراقبة الجودة.
الشكل 5. يمكن استخدام YOLO11 لاكتشاف الكبسولات وعدها.
إيجابيات وسلبيات استخدام الرؤية الحاسوبية لاكتشاف الحبوب
الآن بعد أن استكشفنا كيف يمكن تطبيق الرؤية الحاسوبية في صناعة الأدوية. دعونا نلقي نظرة سريعة على بعض الفوائد الرئيسية لاستخدام الرؤية الحاسوبية في هذا القطاع:
الصيانة التنبؤية: يمكن استخدام YOLO11 للكشف عن العلامات المبكرة لتآكل الماكينة عن طريق تحديد عدم اتساق الحبوب أو التعبئة والتغليف. فهو يساعد على جدولة الإصلاحات في الوقت المناسب ويمنع وقت التوقف غير المخطط له للإنتاج.
استخدام النموذج القابل للتطوير: يمكن تعديل النموذج بدقة على مجموعات بيانات مختلفة للحبوب والتعبئة والتغليف المختلفة. وهذا يجعل الفحص قابلاً للتطوير وفعالاً من حيث التكلفة مع نمو العمليات.
المراقبة عن بعد: فهو يتيح فحوصات الجودة في الوقت الفعلي عند دمجه مع الأنظمة السحابية والأجهزة الطرفية وهو مثالي لإدارة الموزعات الريفية والوحدات الآلية وإعدادات الصيدلة عن بعد.
في حين أن هناك العديد من الفوائد لتطبيق الرؤية الحاسوبية في صناعة الأدوية، إلا أن هناك أيضًا بعض الاعتبارات التي يجب وضعها في الاعتبار عند استخدام هذه التقنيات:
التكامل التشغيلي: قد يتطلب دمج أنظمة الذكاء الاصطناعي في سير العمل الحالي إجراء تعديلات وتدريب وفحوصات توافق مع البنية التحتية الحالية.
الامتثال التنظيمي: يجب أن تلتزم الأنظمة الآلية بالمعايير التنظيمية الصارمة لضمان سلامة المرضى وجودة المنتج المتسقة.
إدارة الأخطاء: حتى النماذج المتقدمة يمكن أن تنتج نتائج إيجابية أو سلبية خاطئة. من المهم أن تكون هناك عمليات قائمة للتعامل مع هذه الأخطاء وتصحيحها.
الطريق إلى الأمام لسير عمل الذكاء الاصطناعي في مجال الأدوية
في المستقبل، من المحتمل أن يلعب الذكاء الاصطناعي دورًا أكبر في جعل التجارب السريرية أسرع وأكثر ذكاءً وفعالية من حيث التكلفة. يمكن أن يساعد في تصميم بروتوكولات تجريبية أفضل، واختيار مجموعات المرضى المناسبة، ومراقبة البيانات في الوقت الفعلي.
قد يمكّن هذا الباحثين من الاستجابة للمشكلات عند ظهورها، بدلاً من معالجتها بعد وقوعها. يمكن للذكاء الاصطناعي أيضًا تسريع عملية الموافقة عن طريق تقليل الأعمال الورقية اليدوية وأتمتة الفحوصات الروتينية. بشكل عام، يمكن أن يؤدي دمج الذكاء الاصطناعي في سير عمل الأدوية إلى تقليل التأخير وتسريع الوصول إلى العلاجات الجديدة.
النقاط الرئيسية
يوضح تدريب Ultralytics YOLO11 على مجموعة بيانات حبوب الدواء الطبية مدى سرعة وفعالية قدرة النموذج على التكيف مع مهام الأدوية. حتى مع وجود مجموعة بيانات صغيرة، يمكنه اكتشاف الحبوب بدقة، مما يجعلها مفيدة لأشياء مثل الفرز ومراقبة الجودة وتتبع المخزون.
مع نمو مجموعات البيانات وتحسين النماذج، يتجاوز إمكانات الرؤية الحاسوبية في مجال الأدوية مجرد الخدمات اللوجستية. يمكن أن تدعم هذه التقنية أيضًا التجارب السريرية من خلال المساعدة في تحديد الحبوب وتتبعها باستمرار، ومساعدة الباحثين في اختبار تركيبات الأدوية الجديدة بأمان.
