دراسة متعمقة لاكتشاف الحبوب باستخدام Ultralytics YOLO11

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

من المحركات التقنية الرئيسية لهذا السوق 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 الأدوية.

في صناعة الأدوية، حيث قد تترتب على أصغر الأخطاء عواقب وخيمة، يوفّر الذكاء الاصطناعي للرؤية طرقًا جديدة وموثوقة لتحسين السلامة والدقة.

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

سنشرح في هذه المقالة كيفية التطبيق العملي للذكاء الاصطناعي للرؤية من خلال تدريب Ultralytics YOLO11 على اكتشاف الحبوب الدوائية. وسنستكشف أيضاً تطبيقاته في العالم الحقيقي.

بناء نموذج ذكاء اصطناعي لاكتشاف الحبوب#

قبل أن نتعمق في كيفية تدريب Ultralytics YOLO11 على اكتشاف الحبوب، لنتراجع خطوة إلى الوراء ونفهم المقصود بتدريب النموذج ودور مجموعة البيانات.

يتضمن تدريب النموذج تعليمه التعرّف على الأنماط من خلال عرض أمثلة عديدة عليه. وفي هذه الحالة، تكون مجموعة البيانات مجموعة من الصور، تُعنون كل صورة فيها لتحديد مواضع الحبوب. وتساعد هذه العملية النموذج على التعلم من تلك الأمثلة كي يتمكن لاحقًا من تحديد الحبوب في صور جديدة.

تجعل حزمة Ultralytics لـ Python هذه العملية أسهل بفضل دعمها مجموعة واسعة من مجموعات البيانات بتنسيق ملفات YOLO المبسّط. كما تتيح الوصول بسهولة إلى مجموعات بيانات شائعة، وتوفر الدعم لتطبيقات مثل اكتشاف الحبوب الدوائية.

على سبيل المثال، مجموعة بيانات الحبوب الطبية هي مجموعة إثبات مفهوم مخصصة صُممت لعرض كيفية مساهمة اكتشاف الأجسام في تحسين سير العمل الصيدلاني عبر مهام مثل مراقبة الجودة والفرز واكتشاف الأدوية 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): واجهة سطر الأوامر أو الطرفية أداة بسيطة نصية تتيح لك كتابة الأوامر لتشغيل التعليمات البرمجية والتفاعل مع حاسوبك.
• دفاتر Jupyter: هذه بيئة أكثر تفاعلية، حيث يمكنك كتابة التعليمات البرمجية وتشغيلها على أجزاء صغيرة (خلايا)، ما يسهّل اختبارها وتصحيحها أثناء العمل.
• Google Colab: خيار قائم على السحابة يعمل مثل دفاتر Jupyter، لكنه يوفّر ميزة إضافية هي إمكانية الوصول المجاني إلى GPU، فلا داعي للقلق بشأن 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 بسيط، إذ إن العملية متشابهة إلى حد كبير في كل من هذه البيئات.

يشبه هذا البرنامج التعليمي إلى حد كبير ما تناولناه سابقاً عن اكتشاف الحياة البرية باستخدام Ultralytics YOLO11. إذا كنت مهتماً بمزيد من التفاصيل حول أي خطوة من خطوات هذا البرنامج التعليمي البرمجي، يمكنك 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 مناسبًا لبناء النموذج واختباره. تُستخدم صور التدريب لتعليم النموذج، بينما تساعد صور التحقق على تقييم مدى أدائه على بيانات جديدة لم يسبق له رؤيتها.

تُعنون كل صورة في مجموعة البيانات لفئة واحدة هي الحبوب. وتحدد مربعات الإحاطة مواقع الحبوب بوضوح، ما يجعل مجموعة البيانات مثالية للمهام المركزة مثل اكتشاف الحبوب دون تعقيدات التعامل مع فئات متعددة من الأجسام.

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. سواء كنت تضبط نموذجًا مدربًا مسبقًا أو تبدأ من الصفر، يبسّط هذا الملف العملية كثيرًا ويساعدك على البدء بسرعة.

تدريب نموذج Ultralytics YOLO على مجموعة بيانات الحبوب#

للبدء، سنُعِدّ بيئةً لـتدريب النموذج واختباره. يمكنك الاختيار بين Google Colab أو دفاتر Jupyter أو ملف Python بسيط، حسب تفضيلك. ما عليك سوى إنشاء دفتر 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 الدفاتر (Google Colab أو Jupyter)، فنفّذ الأمر التالي مع وضع علامة تعجب (!) في بدايته.

pip install ultralytics

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

فهم عملية تدريب النموذج#

أولاً، يمكننا استيراد فئة YOLO من حزمة Ultralytics. ثم يمكننا تحميل نموذج YOLO11n مدرَّب مسبقاً من الملف “yolo11n.pt”، وهو الخيار الموصى به لأنه نموذج Nano خفيف الوزن.

أخيرًا، يمكننا بدء عملية التدريب بتوجيه النموذج إلى إعداد مجموعة البيانات (medical-pills.yaml) وضبط عدد عصور التدريب (مرور كامل واحد على مجموعة البيانات بأكملها) على 100، كما هو موضح أدناه.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)

يتيح التدريب عبر حقب متعددة للنموذج التعلم وتحسين أدائه مع كل دورة. ويمكنك العثور على السجلات ونقاط التحقق المحفوظة في المجلد الفرعي “runs/detect/train/”، واستخدامها لمتابعة التقدم ومراجعة أداء النموذج.

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

تقييم Ultralytics YOLO11 بعد تدريب النموذج#

لتقييم مدى نجاح النموذج في تعلم اكتشاف الحبوب، يمكننا إجراء التحقق على النحو التالي:

metrics = model.val()

تعيد هذه العملية مقاييس شائعة لاكتشاف الأجسام، توفر معلومات عن أداء النموذج. وإليك نظرة أقرب على بعض هذه المقاييس:

• الإحكام: يقيس نسبة الحبوب التي اكتشفها النموذج وكانت صحيحة.
• الاستدعاء: يشير إلى نسبة الحبوب الفعلية التي ينجح النموذج في تحديدها.
• متوسط الدقة (mAP): يجمع هذا المقياس بين الإحكام والاستدعاء عبر عتبات اكتشاف مختلفة لتقديم درجة إجمالية للأداء.

تقدم هذه المقاييس مجتمعةً صورة شاملة عن مدى دقة النموذج في اكتشاف الحبوب ضمن بيانات جديدة لم يسبق له رؤيتها.

إذا لم يؤدِّ نموذجك بالمستوى المتوقع، فيمكنك تجربة تدريبه على عصور أكثر أو ضبط معلمات التدريب الأخرى، مثل معدل التعلم الذي يتحكم في حجم الخطوات المتخذة أثناء تحسين النموذج، أو حجم الصورة، لتحسين أدائه أكثر.

تشغيل الاستدلال باستخدام نموذج Ultralytics YOLO11 المدرَّب خصيصًا#

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

لاختبار النموذج، نزّلنا صورة عينة من Pexels، وهو موقع مجاني للصور المخزّنة، وأجرينا عليها تنبؤاً باستخدام نموذج Ultralytics YOLO11 المدرَّب تدريباً مخصصاً، كما هو موضح في مقتطف الشيفرة أدناه.

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

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

يطلب خيار الحفظ من النموذج تخزين صورة الناتج، بينما يضمن إعداد الثقة تضمين التنبؤات التي لا تقل درجة اليقين فيها عن 30 بالمئة في النتائج.

عند تشغيل التنبؤ، ستظهر رسالة في المخرجات توضح مكان الصورة المحفوظة، مثل: "Results saved to runs/detect/predict."

ستكون صورة الناتج مشابهة للصورة المعروضة هنا، إذ تظهر الحبوب المكتشفة محددة بمربعات إحاطة. وتشير درجات الثقة المعروضة إلى مستوى اليقين في كل 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، لنلقِ نظرة على تطبيقات YOLO11 في العالم الحقيقي ضمن صناعة الأدوية.

فرز الحبوب الصيدلانية باستخدام Ultralytics YOLO11#

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

باستخدام نموذج Ultralytics YOLO11 مضبوط بدقة، يمكننا اكتشاف الحبوب وفرزها بدقة استنادًا إلى سمات مرئية مثل الحجم والشكل واللون. وتُسرّع هذه الأتمتة العملية وتساعد على 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 ليس مجرد مهمة لوجستية - بل قد يؤثر في رعاية المرضى والتكاليف. فقد يؤدي نفاد مخزون حبة دواء أساسية إلى تأخير العلاج، بينما قد ينجم عن زيادة المخزون انتهاء صلاحية الأدوية وهدره. ومع تعدد أنواع الحبوب واختلافات عبواتها في صناعة الأدوية، يمكن لأنظمة المخزون الآلية أن تتيح سجلات أدق.

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

مراقبة جودة الأدوية باستخدام Ultralytics YOLO11#

في إنتاج الأدوية، تُعد مراقبة الجودة ضرورية لضمان سلامة كل حبة وفعاليتها. فحتى العيوب الطفيفة، مثل التشققات أو عدم انتظام الشكل أو الاختلاف البسيط في اللون، قد تؤدي إلى أخطاء في الجرعات أو سحب المنتجات.

يمكن أن يساعد Ultralytics YOLO11 على اكتشاف الحبوب التي لا تستوفي معايير الجودة تلقائياً. إذ يستطيع النموذج تعلّم السمات المرئية واستخدام مربعات الإحاطة لتحديد مشكلات مثل التشققات، أو بهتان النقوش، أو تغير اللون في الوقت الفعلي. ويتيح ذلك استبعاد الحبوب المعيبة مبكراً، وتقليل الهدر، والمساعدة على ضمان وصول الأدوية المطابقة 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 الذكاء الاصطناعي للرؤية لاكتشاف الحبوب#

بعد أن استكشفنا كيفية تطبيق الذكاء الاصطناعي للرؤية في صناعة الأدوية، دعونا نلقي نظرة سريعة على بعض الفوائد الرئيسية لاستخدام الرؤية الحاسوبية في هذا القطاع:

• الصيانة التنبؤية: يمكن استخدام Ultralytics YOLO11 لاكتشاف العلامات المبكرة لتآكل الآلات عبر تحديد التباينات في الحبوب أو العبوات. ويساعد ذلك على جدولة الإصلاحات في الوقت المناسب ومنع توقف الإنتاج غير المخطط له.
• استخدام النموذج القابل للتوسع: يمكن ضبط النموذج بدقة على مجموعات بيانات متنوعة لأنواع مختلفة من الحبوب والعبوات. ويجعل ذلك الفحص قابلًا للتوسع وفعالًا من حيث التكلفة مع نمو العمليات.
• المراقبة عن بُعد: يتيح ذلك إجراء فحوصات الجودة في الوقت الفعلي عند التكامل مع الأنظمة السحابية والأجهزة الطرفية، وهو مثالي لإدارة موزعات الأدوية في المناطق الريفية والوحدات الآلية وإعدادات الصيدلة عن بُعد.

على الرغم من الفوائد العديدة لتطبيق الذكاء الاصطناعي للرؤية في صناعة الأدوية، 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 وتدريبًا وفحوصات للتوافق مع البنية التحتية القائمة.
• الامتثال التنظيمي: يجب أن تلتزم الأنظمة المؤتمتة بالمعايير التنظيمية الصارمة لضمان سلامة المرضى وثبات جودة المنتجات.
• إدارة الأخطاء: قد تنتج النماذج المتقدمة أيضًا نتائج إيجابية أو سلبية كاذبة. ومن المهم وضع إجراءات لمعالجة هذه الأخطاء وتصحيحها.

آفاق سير العمل الصيدلاني المدعوم بالذكاء الاصطناعي#

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

وقد يمكّن ذلك الباحثين من الاستجابة للمشكلات فور ظهورها بدلًا من التعامل معها بعد وقوعها. كما يمكن للذكاء الاصطناعي تسريع عملية الموافقة عبر تقليل الأعمال الورقية اليدوية وأتمتة الفحوصات الروتينية. وبوجه عام، قد يؤدي دمج الذكاء الاصطناعي في سير العمل الصيدلاني إلى تقليل التأخيرات وتسريع إتاحة العلاجات الجديدة.

أبرز النقاط#

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 الذكاء الاصطناعي للرؤية في قطاع الأدوية مجرد الخدمات اللوجستية. ويمكن لهذه التقنية أيضًا دعم التجارب السريرية عبر المساعدة في تحديد الحبوب وتتبعها باتساق، ومساندة الباحثين في اختبار تركيبات دوائية جديدة بأمان.

استكشف مستودعنا على GitHub لمعرفة المزيد والانضمام إلى مجتمعنا المتنامي. اكتشف الابتكارات في قطاعات متنوعة، من الذكاء الاصطناعي في الزراعة إلى الرؤية الحاسوبية في الرعاية الصحية. اطّلع على خيارات الترخيص وابدأ مشاريعك في الذكاء الاصطناعي للرؤية اليوم.