تعمّق في اكتشاف الحبوب باستخدام Ultralytics YOLO11

يُستخدم الذكاء الاصطناعي في كل صناعة تقريبًا، لكن تأثيره في الرعاية الصحية، ولا سيما في مجال المستحضرات الصيدلانية، كبير بشكل خاص. تبلغ قيمة سوق الذكاء الاصطناعي في مجال المستحضرات الصيدلانية هذا العام 1.94 مليار دولار، ومن المتوقع أن تنمو إلى 16.49 مليار دولار بحلول عام 2034.

تتمثل إحدى المحركات التقنية الرئيسية لهذا السوق في الرؤية الحاسوبية. وعلى عكس معالجة الصور التقليدية، تُعد الرؤية الحاسوبية فرعًا من الذكاء الاصطناعي يمكّن الآلات من فهم البيانات المرئية وتحليلها في الوقت الفعلي.

الشكل 1. نظرة عامة على الذكاء الاصطناعي في سوق المستحضرات الصيدلانية.

في صناعة المستحضرات الصيدلانية، حيث يمكن أن تكون لأصغر الأخطاء عواقب وخيمة، توفر الرؤية المدعومة بالذكاء الاصطناعي طرقًا جديدة وموثوقة لتحسين السلامة والدقة.

على سبيل المثال، يُعد Ultralytics YOLO11 نموذجًا للرؤية الحاسوبية مصممًا لمهام الوقت الفعلي مثل اكتشاف الكائنات وتقسيم المثيلات، ويمكن استخدامه في تطبيقات مثل تحديد الحبوب أو اكتشاف العيوب في العبوات الطبية.

في هذه المقالة، سنستعرض عمليًا كيفية استخدام الرؤية المدعومة بالذكاء الاصطناعي من خلال تدريب Ultralytics YOLO11 على اكتشاف الحبوب. وسنستكشف أيضًا تطبيقاته في العالم الحقيقي. لنبدأ!

بناء نموذج ذكاء اصطناعي لاكتشاف الحبوب#

قبل أن نتعمق في كيفية تدريب Ultralytics YOLO11 على اكتشاف الحبوب، دعونا نتراجع خطوة لفهم معنى تدريب النموذج ودور مجموعة البيانات.

يتضمن تدريب النموذج تعليمه التعرّف على الأنماط من خلال عرض أمثلة عديدة عليه. في هذه الحالة، تكون مجموعة البيانات مجموعة من الصور التي تحمل كل منها تسمية توضّح موضع الحبوب. تساعد هذه العملية النموذج على التعلم من هذه الأمثلة حتى يتمكن لاحقًا من تحديد الحبوب في صور جديدة.

تجعل حزمة Ultralytics Python هذه العملية أسهل، إذ تدعم مجموعة واسعة من مجموعات البيانات بتنسيق ملفات YOLO مبسّط. كما توفر وصولًا سهلًا إلى مجموعات البيانات الشائعة وتدعم تطبيقات مثل اكتشاف الحبوب.

على سبيل المثال، تُعد مجموعة بيانات الحبوب الطبية مجموعة مخصصة لإثبات المفهوم، صُممت لعرض كيفية مساهمة اكتشاف الكائنات في تحسين سير العمل الصيدلاني من خلال مهام مثل مراقبة الجودة والفرز واكتشاف المنتجات المقلدة.

اختيار بيئة التطوير#

من العوامل الأخرى التي ينبغي مراعاتها قبل بدء التدريب باستخدام حزمة Ultralytics Python اختيار بيئة التطوير المناسبة. فيما يلي ثلاثة خيارات شائعة:

• واجهة سطر الأوامر (CLI): تُعد CLI أو الوحدة الطرفية أداة نصية بسيطة يمكنك فيها كتابة الأوامر لتشغيل التعليمات البرمجية والتفاعل مع حاسوبك.
• دفاتر Jupyter: هذه بيئة أكثر تفاعلية، حيث يمكنك كتابة التعليمات البرمجية وتشغيلها في أجزاء صغيرة (خلايا)، ما يسهّل الاختبار وتصحيح الأخطاء أثناء العمل.
• Google Colab: خيار قائم على السحابة يعمل مثل دفاتر Jupyter، مع ميزة إضافية تتمثل في الوصول المجاني إلى GPU، لذا لن تضطر إلى إعداد أي شيء محليًا.

يمكنك استكشاف خيارات إعداد أخرى في وثائق Ultralytics الرسمية، لكن الخيارات الثلاثة المذكورة أعلاه سهلة الإعداد والاستخدام، ما يجعلها خيارات رائعة للبدء بسرعة.

سنركز في هذا الدليل على كيفية إعداد Ultralytics YOLO11 وتدريبه باستخدام Google Colab أو دفاتر Jupyter أو برنامج Python نصي أساسي، إذ إن العملية متشابهة إلى حد كبير في كل من هذه البيئات.

يشبه هذا الدليل أيضًا إلى حد كبير الدليل الذي تناولناه سابقًا حول اكتشاف الحياة البرية باستخدام Ultralytics YOLO11. إذا كنت مهتمًا بمزيد من التفاصيل حول أي من خطوات هذا الدليل البرمجي، فيمكنك الاطلاع عليه.

استكشاف مجموعة بيانات لاكتشاف الحبوب في الوقت الفعلي باستخدام YOLO#

تتضمن مجموعة بيانات الحبوب الطبية 92 صورة تدريب و23 صورة تحقق، ما يوفر تقسيمًا متينًا لبناء النموذج واختباره. تُستخدم صور التدريب لتعليم النموذج، بينما تساعد صور التحقق في تقييم مدى أداء النموذج على بيانات جديدة لم يسبق له رؤيتها.

تحمل كل صورة في مجموعة البيانات تسمية لفئة واحدة هي الحبوب. وتحدد التعليقات التوضيحية لمربعات الإحاطة موضع كل حبة بوضوح، ما يجعل مجموعة البيانات مثالية للمهام المركزة مثل اكتشاف الحبوب دون تعقيد التعامل مع فئات متعددة من الكائنات.

الشكل 2. لمحة عن مجموعة بيانات الحبوب الطبية.

لدعم التدريب باستخدام YOLO11، توفر Ultralytics ملف إعداد YAML يحدد المعلمات الرئيسية مثل مسارات الملفات وأسماء الفئات والبيانات الوصفية اللازمة لتدريب النموذج. وسواء كنت تضبط نموذجًا مدربًا مسبقًا أو تبدأ من الصفر، فإن هذا الملف يبسط العملية كثيرًا ويساعدك على البدء بسرعة.

تدريب نموذج Ultralytics YOLO على مجموعة بيانات الحبوب#

للبدء، سنعدّ بيئة لـتدريب النموذج واختباره. يمكنك اختيار Google Colab أو دفاتر Jupyter أو ملف Python بسيط وفقًا لتفضيلاتك. 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 دفاتر الملاحظات (Google Colab أو Jupyter)، فنفّذ الأمر التالي مع وضع علامة التعجب (!) في بدايته.

pip install ultralytics

بعد التثبيت، تتمثل الخطوة التالية في تنزيل YOLO11 وتدريبه باستخدام مجموعة بيانات الحبوب الطبية. وبما أن حزمة Ultralytics Python تدعم مجموعة البيانات، فإن العملية بسيطة.

فهم عملية تدريب النموذج#

أولًا، يمكننا استيراد فئة YOLO من حزمة Ultralytics. ثم يمكننا تحميل نموذج YOLO11 مدرب مسبقًا من الملف “yolo11n.pt”، ويوصى به لأنه نموذج nano وخفيف الوزن.

أخيرًا، يمكننا بدء عملية التدريب بتوجيه النموذج إلى إعداد مجموعة البيانات (medical-pills.yaml) وتعيين عدد حقب التدريب (تمرير كامل واحد 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 لحقب متعددة للنموذج التعلم وتحسين أدائه مع كل تمرير. وستجد السجلات ونقاط التحقق محفوظة في المجلد الفرعي “runs/train/”، ويمكنك استخدامها لمراقبة التقدم ومراجعة أداء النموذج.

بعد اكتمال التدريب، ينبغي أن يتمكن نموذج YOLO11 المدرب خصيصًا من تحديد الحبوب بدقة. يمكنك العثور على أوزان النموذج المدرب النهائية في المجلد الفرعي “runs/detect/train/weights/” تحت اسم “best.pt”.

تقييم Ultralytics YOLO11 بعد تدريب النموذج#

لتقييم مدى جودة تعلم النموذج اكتشاف الحبوب، يمكننا تشغيل التحقق كما يلي:

metrics = model.val()

تعيد هذه العملية مقاييس شائعة لاكتشاف الكائنات، ما يوفر رؤية حول أداء النموذج. فيما يلي نظرة أقرب على بعض هذه المقاييس:

• الإحكام: يقيس نسبة الحبوب التي اكتشفها النموذج وكانت صحيحة.
• الاستدعاء: يوضح نسبة الحبوب الفعلية التي يحددها النموذج بنجاح.
• متوسط الدقة (mAP): يجمع هذا المقياس بين الإحكام والاستدعاء عبر عتبات اكتشاف مختلفة لتقديم درجة أداء إجمالية.

توفر هذه المقاييس مجتمعةً تصورًا شاملًا عن مدى دقة اكتشاف النموذج للحبوب في البيانات الجديدة التي لم يسبق له رؤيتها.

إذا لم يؤدِّ نموذجك بالجودة المتوقعة، فيمكنك تجربة تدريبه لعدد أكبر من الحقب أو ضبط معلمات التدريب الأخرى، مثل معدل التعلم الذي يتحكم في حجم الخطوات المتخذة أثناء تحسين النموذج، أو حجم الصورة، لتحسين أدائه أكثر.

تشغيل الاستدلالات باستخدام نموذج Ultralytics YOLO11 المدرّب مخصصًا#

بعد تدريب نموذج Ultralytics YOLO11 وتقييمه، تتمثل الخطوة التالية في اختبار مدى أدائه على صور جديدة لم يسبق له رؤيتها. يساعد ذلك في محاكاة ظروف العالم الحقيقي، مثل اكتشاف الحبوب في ظروف إضاءة أو ترتيبات أو أنماط تعبئة مختلفة.

لاختبار النموذج، نزّلنا صورة نموذجية من Pexels، وهو موقع مجاني للصور المخزنة، وحللنا الصورة أو أجرينا تنبؤًا باستخدام نموذج Ultralytics YOLO11 المدرب خصيصًا، كما هو موضح في مقتطف التعليمات البرمجية أدناه.

يمكنك استخدام هذه الصورة النموذجية أو أي صورة أخرى ذات صلة لتقييم مدى أداء النموذج في سيناريوهات العالم الحقيقي.

results = model.predict("path/to/image.jpg", save=True, conf=0.3)

يخبر الخيار save النموذج بتخزين صورة الإخراج، بينما يضمن إعداد confidence تضمين التنبؤات التي تبلغ درجة اليقين فيها 30 بالمئة على الأقل فقط في النتائج.

عند تشغيل التنبؤ، سيعرض الإخراج رسالة تخبرك بموقع الصورة المحفوظة - على سبيل المثال، "Results saved to runs/detect/train."

ستكون صورة الإخراج مشابهة للصورة المعروضة هنا، مع اكتشاف الحبوب وإبرازها باستخدام مربعات الإحاطة. وتشير درجات اليقين المعروضة إلى مستوى الثقة في كل عملية اكتشاف.

الشكل 3. اكتشاف الحبوب باستخدام Ultralytics YOLO11.

تطبيقات Ultralytics YOLO11 في العالم الحقيقي في قطاع الأدوية#

بعد أن استكشفنا كيفية تدريب Ultralytics YOLO11 باستخدام مجموعة بيانات الحبوب الطبية وإجراء الاستدلال على الصور لاكتشاف الحبوب، فلنلقِ نظرة على تطبيقات YOLO11 في العالم الحقيقي في صناعة المستحضرات الصيدلانية.

فرز الحبوب الصيدلانية باستخدام Ultralytics YOLO11#

يمكن تطبيق اكتشاف الحبوب آليًا باستخدام Ultralytics YOLO11 على فرز المستحضرات الصيدلانية. وغالبًا ما يكون الفرز اليدوي بطيئًا ومتكررًا وعرضةً للأخطاء التي قد تهدد سلامة الأدوية والامتثال للمعايير.

باستخدام نموذج Ultralytics YOLO11 مضبوطًا بدقة، يمكننا اكتشاف الحبوب وفرزها بدقة استنادًا إلى سمات مرئية مثل الحجم والشكل واللون. تعمل هذه الأتمتة على تسريع العملية وتساعد في ضمان استيفاء المنتجات لمعايير الجودة الصارمة، ما يجعلها أداة قيّمة في العمليات الصيدلانية.

الشكل 4. اكتشاف الحبوب بمساعدة YOLO11.

مراقبة المخزون بمساعدة Ultralytics YOLO11#

إن توفير الدواء المناسب في الوقت المناسب يتجاوز كونه مهمة لوجستية فحسب، إذ يمكن أن يؤثر في رعاية المرضى والتكاليف. وقد يؤدي انخفاض مخزون حبة دوائية مهمة إلى تأخير العلاج، بينما قد ينتج عن تخزين كميات زائدة أدوية منتهية الصلاحية ومخزون مهدور. ومع تعدد أنواع الحبوب واختلافات العبوات في صناعة المستحضرات الصيدلانية، يمكن لأنظمة المخزون الآلية تمكين إنشاء سجلات أكثر دقة.

يمكن لـأنظمة المخزون الذكية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لمراقبة مستويات المخزون في الوقت الفعلي. ويمكن للنموذج فحص الرفوف ومناطق التغليف باستخدام الصور أو الفيديو لاكتشاف الحبوب وعدّها. ومع تغير مستويات المخزون، سواء أُضيفت العناصر أو أُزيلت أو نُقلت، يمكن للنظام تحديث العدد تلقائيًا.

مراقبة الجودة الصيدلانية المدعومة بـ Ultralytics YOLO11#

في الإنتاج الصيدلاني، تُعد مراقبة الجودة أمرًا بالغ الأهمية لضمان سلامة كل حبة وفعاليتها. فقد تؤدي العيوب الطفيفة، مثل التشقق أو عدم انتظام الشكل أو الاختلاف الطفيف في اللون، إلى أخطاء في الجرعات أو سحب المنتجات.

يمكن أن تساعد Ultralytics YOLO11 من خلال اكتشاف الحبوب التي لا تستوفي معايير الجودة تلقائيًا. يستطيع النموذج تعلم السمات المرئية واستخدام مربعات الإحاطة للإشارة في الوقت الفعلي إلى مشكلات مثل التكسّر أو البصمات الباهتة أو تغيّر اللون. ويتيح ذلك إزالة الحبوب المعيبة مبكرًا، ما يقلل الهدر ويضمن وصول الأدوية المستوفية لمعايير الجودة فقط إلى المرضى.

إضافةً إلى ذلك، يمكن استخدام Ultralytics YOLO11 لاكتشاف الحبوب وعدّها أثناء فحصها، بما يتيح تتبعًا دقيقًا خلال مراقبة الجودة.

الشكل 5. يمكن استخدام Ultralytics YOLO11 لاكتشاف الكبسولات وعدّها.

إيجابيات وسلبيات استخدام الرؤية المدعومة بالذكاء الاصطناعي لاكتشاف الحبوب#

بعد أن استكشفنا كيفية تطبيق الرؤية المدعومة بالذكاء الاصطناعي في صناعة المستحضرات الصيدلانية، فلنلقِ نظرة سريعة على بعض الفوائد الرئيسية لاستخدام الرؤية الحاسوبية في هذا القطاع:

• الصيانة التنبؤية: يمكن استخدام Ultralytics YOLO11 لاكتشاف العلامات المبكرة لتآكل الآلات من خلال تحديد أوجه عدم الاتساق في الحبوب أو العبوات. ويساعد ذلك في جدولة الإصلاحات في الوقت المناسب ومنع التوقف غير المخطط للإنتاج.
• استخدام النموذج القابل للتوسع: يمكن ضبط النموذج بدقة على مجموعات بيانات متنوعة لحبوب وعبوات مختلفة. ويجعل ذلك الفحص قابلًا للتوسع وفعالًا من حيث التكلفة مع نمو العمليات.
• المراقبة عن بُعد: تتيح هذه التقنية إجراء فحوصات جودة في الوقت الفعلي عند دمجها مع الأنظمة السحابية وأجهزة الحافة، وهي مثالية لإدارة موزعات الأدوية الريفية والوحدات الآلية وإعدادات الصيدلة عن بُعد.

على الرغم من الفوائد العديدة لتطبيق الرؤية المدعومة بالذكاء الاصطناعي في صناعة المستحضرات الصيدلانية، هناك أيضًا بعض الاعتبارات التي ينبغي وضعها في الحسبان عند استخدام هذه التقنيات:

• التكامل التشغيلي: قد يتطلب دمج أنظمة الذكاء الاصطناعي في سير العمل الحالي إجراء تعديلات وتوفير التدريب والتحقق من التوافق مع البنية التحتية الحالية.
• الامتثال التنظيمي: يجب أن تلتزم الأنظمة الآلية بالمعايير التنظيمية الصارمة لضمان سلامة المرضى واتساق جودة المنتجات.
• إدارة الأخطاء: يمكن حتى للنماذج المتقدمة إنتاج نتائج إيجابية أو سلبية زائفة. ومن المهم وضع عمليات للتعامل مع هذه الأخطاء وتصحيحها.

المسار المستقبلي لسير العمل الصيدلاني المدعوم بالذكاء الاصطناعي#

في المستقبل، من المرجح أن يؤدي الذكاء الاصطناعي دورًا أكبر في جعل التجارب السريرية أسرع وأذكى وأكثر فعالية من حيث التكلفة. ويمكنه المساعدة في تصميم بروتوكولات تجارب أفضل، واختيار مجموعات المرضى المناسبة، ومراقبة البيانات في الوقت الفعلي.

وقد يتيح ذلك للباحثين الاستجابة للمشكلات عند ظهورها بدلًا من التعامل معها بعد وقوعها. كما يمكن للذكاء الاصطناعي تسريع عملية الموافقة من خلال تقليل الأعمال الورقية اليدوية وأتمتة عمليات التحقق الروتينية. وبوجه عام، يمكن أن يؤدي دمج الذكاء الاصطناعي في سير العمل الصيدلاني إلى تقليل التأخيرات وتسريع الوصول إلى العلاجات الجديدة.

أهم النقاط المستخلصة#

يوضح تدريب Ultralytics YOLO11 على مجموعة بيانات الحبوب الطبية مدى سرعة النموذج وفعاليته في التكيف مع المهام الصيدلانية. وحتى مع مجموعة بيانات صغيرة، يمكنه اكتشاف الحبوب بدقة، ما يجعله مفيدًا في مهام مثل الفرز ومراقبة الجودة وتتبع المخزون.

مع نمو مجموعات البيانات وتحسن النماذج، تتجاوز إمكانات الرؤية المدعومة بالذكاء الاصطناعي في قطاع الأدوية مجرد الخدمات اللوجستية. وقد تدعم هذه التقنية أيضًا التجارب السريرية من خلال المساعدة في تحديد الحبوب وتتبعها باستمرار، ومساعدة الباحثين في اختبار تركيبات دوائية جديدة بأمان.

استكشف مستودع GitHub لدينا لمعرفة المزيد والمشاركة في مجتمعنا المتنامي. واكتشف الابتكارات المتطورة في قطاعات متنوعة، بدءًا من الذكاء الاصطناعي في الزراعة وصولًا إلى الرؤية الحاسوبية في الرعاية الصحية. اطّلع على خيارات الترخيص وأطلق مشاريعك في مجال الرؤية المدعومة بالذكاء الاصطناعي اليوم.