غوص عميق في اكتشاف الحبوب باستخدام Ultralytics YOLO11

يُستخدم الذكاء الاصطناعي في كل قطاع تقريباً، لكن تأثيره على قطاع الرعاية الصحية، ولا سيما في مجال الصيدلات، يُعد كبيرًا بشكل ملحوظ. ففي هذا العام، بلغت قيمة سوق AI in the pharmaceutical نحو 1.94 مليار دولار، ومن المتوقع أن ينمو ليصل إلى 16.49 مليار دولار بحلول عام 2034.

يُعد computer vision محركاً تكنولوجياً رئيسياً لهذه السوق. وعكس معالجة الصور التقليدية، يُعد الرؤية الحاسوبية فرعاً من فروع الذكاء الاصطناعي الذي يمكن الآلات من فهم البيانات المرئية وتحليلها في الوقت الفعلي.

Fig 1. نظرة عامة على الذكاء الاصطناعي في سوق الأدوية.

في صناعة الأدوية، حيث يمكن أن يؤدي حتى أصغر خطأ إلى عواقب وخيمة، توفر الرؤية الحاسوبية المعتمدة على الذكاء الاصطناعي طرقاً جديدة وموثوقة لتحسين السلامة والدقة.

على سبيل المثال، يُعد نموذج Ultralytics YOLO11 نموذج رؤية حاسوبية مصمماً للمهام في الوقت الفعلي مثل كشف الكائنات وتجزئة العناصر، ويمكن استخدامه لتطبيقات مثل تحديد الحبوب الدوائية أو اكتشاف العيوب في التغليف الطبي.

في هذه المقالة، سنستعرض كيفية التعامل العملي مع الذكاء الاصطناعي للرؤية من خلال تدريب نموذج Ultralytics YOLO11 لاكتشاف الحبوب الدوائية. سنستكشف أيضاً تطبيقاته في العالم الحقيقي. لنبدأ!

بناء نموذج ذكاء اصطناعي لاكتشاف الأقراص#

قبل أن نتعمق في كيفية تدريب نموذج Ultralytics YOLO11 لاكتشاف الحبوب الدوائية، دعنا نأخذ خطوة للوراء ونفهم ما تعنيه عملية تدريب النموذج ودور مجموعة البيانات.

يتضمن تدريب النموذج تعليمه التعرف على الأنماط من خلال عرض العديد من الأمثلة عليه. في هذه الحالة، مجموعة البيانات هي عبارة عن مجموعة من الصور حيث يتم تصنيف كل صورة لتحديد مكان وجود الأقراص. تساعد هذه العملية النموذج على التعلم من هذه الأمثلة حتى يتمكن لاحقاً من تحديد الأقراص في صور جديدة.

تجعل حزمة Ultralytics Python package هذه العملية أكثر سهولة من خلال دعم مجموعة واسعة من مجموعات البيانات بتنسيق ملفات YOLO مبسط. وهي توفر وصولاً خالياً من المتاعب إلى popular datasets وتدعم تطبيقات مثل اكتشاف الحبوب الدوائية.

على سبيل المثال، تُعد مجموعة بيانات الحبوب الطبية (Medical Pills Dataset) مجموعة مخصصة لإثبات المفهوم مصممة لعرض كيف يمكن لـ object detection تحسين سير العمل الصيدلاني من خلال مهام مثل مراقبة الجودة، والفرز، واكتشاف الأدوية المزيفة.

اختيار بيئة التطوير#

عامل آخر يجب مراعاته قبل البدء في التدريب باستخدام حزمة Ultralytics Python هو اختيار بيئة التطوير المناسبة. إليك ثلاثة خيارات شائعة:

• واجهة سطر الأوامر (CLI): هي أداة بسيطة تعتمد على النص حيث يمكنك كتابة الأوامر لتشغيل الكود الخاص بك والتفاعل مع جهاز الكمبيوتر الخاص بك.
• Jupyter Notebooks: هي بيئة تفاعلية أكثر حيث يمكنك كتابة وتشغيل الكود في أجزاء صغيرة (خلايا)، مما يسهل الاختبار وتصحيح الأخطاء أثناء العمل.
• Google Colab: خيار سحابي يعمل مثل Jupyter Notebooks، ولكن مع ميزة إضافية وهي الوصول المجاني إلى GPU، لذا لا داعي للقلق بشأن إعداد أي شيء محلياً.

هناك خيارات إعداد أخرى يمكنك استكشافها في official Ultralytics documentation، لكن الخيارات الثلاثة المذكورة أعلاه سهلة الإعداد والاستخدام، مما يجعلها خيارات ممتازة للبدء بسرعة.

في هذا الدليل، سنركز على كيفية إعداد وتدريب نموذج Ultralytics YOLO11 باستخدام Google Colab أو Jupyter Notebooks أو نص برمجي أساسي بلغة Python، حيث أن العملية متشابهة إلى حد كبير في كل من هذه البيئات.

أيضاً، هذا البرنامج التعليمي يشبه إلى حد كبير الدليل الذي غطيناه سابقاً حول اكتشاف الحياة البرية باستخدام Ultralytics YOLO11. إذا كنت مهتماً بمزيد من التفاصيل حول أي من الخطوات في هذا البرنامج التعليمي البرمجي، يمكنك مراجعته.

استكشاف مجموعة بيانات لاكتشاف الأقراص في الوقت الفعلي باستخدام YOLO#

تتضمن مجموعة بيانات الأقراص الطبية 92 صورة تدريب و23 صورة تحقق، مما يوفر تقسيماً قوياً لبناء واختبار نموذجك. تُستخدم صور التدريب لتعليم النموذج، بينما تساعد صور التحقق في تقييم مدى جودة أداء النموذج على بيانات جديدة وغير مرئية.

يتم تصنيف كل صورة في مجموعة البيانات لفئة واحدة، وهي "الأقراص". تحدد تعليقات صندوق الإحاطة (Bounding box) بوضوح موقع كل قرص، مما يجعل مجموعة البيانات مثالية للمهام المركزة مثل اكتشاف الأقراص دون تعقيد التعامل مع فئات متعددة من الأشياء.

الشكل 2. لمحة عن مجموعة بيانات الأقراص الطبية.

لدعم التدريب باستخدام YOLO11، توفر Ultralytics ملف YAML configuration file يحدد المعلمات الرئيسية مثل مسارات الملفات، وأسماء الفئات، والبيانات الوصفية اللازمة لتدريب النموذج. وسواء كنت تقوم بضبط نموذج مدرب مسبقاً أو البدء من الصفر، فإن هذا الملف يجعل العملية أبسط بكثير ويساعدك على البدء بسرعة.

تدريب نموذج Ultralytics YOLO على مجموعة بيانات الأقراص#

للبدء، سنقوم بإعداد بيئة لـ training واختبار النموذج. يمكنك اختيار استخدام Google Colab أو Jupyter Notebooks أو ملف Python بسيط بناءً على تفضيلك. 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 ملاحظات (Google Colab أو Jupyter)، فقم بتشغيل الأمر التالي بعلامة تعجب (!) في البداية.

pip install ultralytics

بمجرد التثبيت، الخطوة التالية هي تنزيل وتدريب YOLO11 باستخدام مجموعة بيانات الأقراص الطبية. نظراً لأن مجموعة البيانات مدعومة بواسطة حزمة Ultralytics Python، فإن العملية بسيطة.

فهم عملية تدريب النموذج#

أولاً، يمكننا استيراد فئة YOLO من حزمة Ultralytics. ثم يمكننا تحميل نموذج YOLO11 مدرب مسبقاً من الملف “yolo11n.pt”، وهو موصى به لأنه نموذج نانو (nano) خفيف الوزن.

أخيراً، يمكننا بدء عملية التدريب عن طريق توجيه النموذج إلى إعداد مجموعة البيانات الخاصة بنا (medical-pills.yaml) وضبط عدد دورات التدريب (epoch) (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)

يسمح التدريب لعدة دورات (epochs) للنموذج بالتعلم 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 المدرب خصيصاً قادراً على تحديد الأقراص بدقة. يمكنك البحث عن أوزان النموذج المدرب النهائي في المجلد الفرعي “runs/detect/train/weights/” تحت اسم “best.pt”.

تقييم Ultralytics YOLO11 بعد تدريب النموذج#

لتقييم مدى جودة تعلم النموذج لاكتشاف الأقراص، يمكننا تشغيل التحقق كما يلي:

metrics = model.val()

تُرجع هذه العملية مقاييس كشف الكائنات الشائعة، والتي توفر نظرة ثاقبة حول model's performance. إليك نظرة فاحصة على بعض هذه المقاييس:

• الدقة (Precision): تقيس نسبة الأقراص التي اكتشفها النموذج والتي تكون صحيحة.
• الاستدعاء (Recall): تشير إلى نسبة الأقراص الفعلية التي يحددها النموذج بنجاح.
• متوسط الدقة المتوسط (mAP): يجمع هذا المقياس بين الدقة والاستدعاء عبر عتبات اكتشاف متنوعة لإعطاء نتيجة أداء إجمالية.

معاً، تقدم هذه المقاييس رؤية شاملة لمدى دقة اكتشاف النموذج للأقراص في بيانات جديدة وغير مرئية.

إذا لم يمنحك النموذج الأداء المتوقع، يمكنك محاولة تدريبه لفترات تدريب إضافية أو ضبط training parameters أخرى، مثل معدل التعلم (learning rate) الذي يتحكم في حجم الخطوات المتخذة أثناء تحسين النموذج، أو حجم الصورة، لتحسين أداء النموذج بشكل أكبر.

إجراء الاستدلالات باستخدام نموذج Ultralytics YOLO11 المدرب خصيصاً#

بمجرد تدريب وتقييم نموذج Ultralytics YOLO11، تتمثل الخطوة التالية في اختبار مدى كفاءته في التعامل مع صور جديدة وغير مرئية من قبل. يساعد هذا في محاكاة ظروف العالم الحقيقي، مثل اكتشاف الحبوب في إضاءات أو ترتيبات أو أساليب تغليف مختلفة.

لاختبار النموذج، قمنا بتنزيل صورة عينة من Pexels، وهو موقع مجاني للصور، وقمنا بتحليلات الصورة أو تشغيل التنبؤ باستخدام نموذج Ultralytics YOLO11 المدرب خصيصاً كما هو موضح في مقتطف الكود أدناه.

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

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

يخبر خيار الحفظ (save) النموذج بتخزين صورة المخرجات، ويضمن إعداد الثقة (confidence) تضمين التنبؤات التي تبلغ يقينها 30 بالمائة على الأقل فقط في النتائج.

عند تشغيل التنبؤ، ستعرض المخرجات رسالة تخبرك بمكان حفظ الصورة - على سبيل المثال، "تم حفظ النتائج في runs/detect/train."

ستكون صورة مخرجاتك مشابهة لتلك المعروضة هنا، مع اكتشاف الأقراص وتمييزها باستخدام صناديق الإحاطة (bounding boxes). تشير درجات الثقة المعروضة إلى مستوى اليقين لكل اكتشاف.

الشكل 3. اكتشاف الحبوب باستخدام Ultralytics YOLO11.

التطبيقات الواقعية لاستخدام Ultralytics YOLO11 في قطاع الأدوية#

الآن بعد أن استكشفنا كيفية تدريب Ultralytics YOLO11 باستخدام مجموعة بيانات Medical-Pills وتشغيل الاستدلالات على الصور للكشف عن الحبوب الدوائية، دعنا نلقي نظرة على تطبيقات YOLO11 الواقعية في صناعة الأدوية.

فرز حبوب الدواء الصيدلانية باستخدام Ultralytics YOLO11#

اكتشاف الحبوب الآلي باستخدام Ultralytics YOLO11 يمكن تطبيقه على فرز الأدوية. غالباً ما يكون الفرز اليدوي بطيئاً ومتكرراً وعرضة للأخطاء التي قد تعرض سلامة الأدوية والامتثال للخطر.

باستخدام نموذج Ultralytics YOLO11 مضبوط بدقة، يمكننا بدقة اكتشاف وفرز الحبوب بناءً على السمات المرئية مثل الحجم والشكل واللون. تعمل هذه الأتمتة على تسريع العملية والمساعدة في ضمان استيفاء المنتجات لمعايير الجودة الصارمة، مما يجعلها أداة قيمة في العمليات الصيدلانية.

Fig 4. اكتشاف الحبوب بمساعدة YOLO11.

مراقبة المخزون بمساعدة Ultralytics YOLO11#

تخزين الأدوية المناسبة في الوقت المحدد هو أكثر من مجرد مهمة لوجستية - فقد يؤثر على رعاية المرضى والتكاليف. قد يؤدي انخفاض مخزون قرص حيوي إلى تأخير العلاج، بينما يمكن أن يؤدي الإفراط في التخزين إلى انتهاء صلاحية الأدوية وهدر المخزون. مع وجود العديد من أنواع الأقراص واختلافات التعبئة في صناعة الأدوية، يمكن لأنظمة المخزون الآلية تمكين سجلات أكثر دقة.

يمكن لأنظمة inventory systems الذكية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لمراقبة مستويات المخزون في الوقت الفعلي. يمكن للنموذج مسح الرفوف ومناطق التغليف باستخدام الصور أو الفيديو لاكتشاف وحساب الحبوب الدوائية. ومع تغير مستويات المخزون، سواء بإضافة عناصر أو إزالتها أو نقلها، يمكن للنظام تحديث العدد تلقائياً.

مراقبة جودة الأدوية المدفوعة بواسطة Ultralytics YOLO11#

في pharmaceutical production، تُعد مراقبة الجودة أمراً بالغ الأهمية لضمان سلامة وفاعلية كل حبة دواء. حتى العيوب البسيطة، مثل الشقوق، أو الأشكال غير المنتظمة، أو التغير الطفيف في اللون، يمكن أن تؤدي إلى أخطاء في الجرعات أو سحب المنتجات.

يمكن أن يساعد نموذج Ultralytics YOLO11 عن طريق اكتشاف الحبوب تلقائياً التي لا تستوفي معايير الجودة. يمكن للنموذج تعلم الميزات المرئية ويستخدم مربعات الإحاطة لتحديد مشكلات مثل الكسور، أو الطباعة الباهتة، أو تغير اللون في الوقت الفعلي. يتيح ذلك إزالة الحبوب المعيبة مبكراً، مما يقلل الهدر ويضمن وصول الأدوية المضمونة الجودة فقط إلى المرضى.

علاوة على ذلك، يمكن استخدام نموذج Ultralytics YOLO11 لاكتشاف وعد الحبوب أثناء فحصها، للحصول على تتبع دقيق أثناء مراقبة الجودة.

الشكل 5. يمكن استخدام Ultralytics YOLO11 لاكتشاف وعد الكبسولات.

إيجابيات وسلبيات استخدام الرؤية الحاسوبية المعتمدة على الذكاء الاصطناعي لاكتشاف الأقراص#

الآن بعد أن استكشفنا كيف يمكن تطبيق الرؤية الحاسوبية المعتمدة على الذكاء الاصطناعي في صناعة الأدوية. دعونا نلقي نظرة سريعة على بعض الفوائد الرئيسية لاستخدام الرؤية الحاسوبية في هذا القطاع:

• الصيانة الوقائية: يمكن استخدام Ultralytics YOLO11 لاكتشاف العلامات المبكرة لتآكل الآلات من خلال تحديد تناقضات الحبوب أو التغليف. يساعد في جدولة الإصلاحات في الوقت المناسب ويمنع توقف الإنتاج غير المخطط له.
• استخدام النموذج القابل للتطوير: يمكن ضبط النموذج بدقة على مجموعات بيانات مختلفة لأقراص وتعبئة مختلفة. وهذا يجعل الفحص قابلاً للتطوير وفعالاً من حيث التكلفة مع نمو العمليات.
• المراقبة عن بعد: يتيح فحوصات الجودة في الوقت الفعلي عند دمجه مع الأنظمة السحابية وأجهزة الحافة (edge devices) وهو مثالي لإدارة الموزعات الريفية، والوحدات الآلية، وإعدادات الصيدلة عن بُعد.

بينما توجد العديد من الفوائد لتنفيذ الرؤية الحاسوبية المعتمدة على الذكاء الاصطناعي في صناعة الأدوية، هناك أيضاً بعض الاعتبارات التي يجب وضعها في الاعتبار عند استخدام مثل هذه التقنيات:

• التكامل التشغيلي: قد يتطلب دمج أنظمة الذكاء الاصطناعي في سير العمل الحالي تعديلات، وتدريباً، وفحوصات توافق مع البنية التحتية الحالية.
• Regulatory compliance: يجب أن تلتزم الأنظمة الآلية بمعايير تنظيمية صارمة لضمان سلامة المرضى وجودة المنتج المتسقة.
• إدارة الأخطاء: حتى النماذج المتقدمة يمكن أن تنتج نتائج إيجابية كاذبة أو سلبية. من المهم وجود عمليات للتعامل مع هذه الأخطاء وتصحيحها.

الطريق إلى الأمام لسير عمل الذكاء الاصطناعي في قطاع الأدوية#

في المستقبل، من المرجح أن يلعب الذكاء الاصطناعي دوراً أكبر في جعل clinical trials أسرع وأكثر ذكاءً وأقل تكلفة. ويمكنه المساعدة في تصميم بروتوكولات تجارب أفضل، واختيار مجموعات المرضى المناسبة، ومراقبة البيانات في الوقت الفعلي.

قد يمكّن هذا الباحثين من الاستجابة للمشكلات فور ظهورها، بدلاً من التعامل معها لاحقاً. يمكن للذكاء الاصطناعي أيضاً 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 التأخيرات والوصول الأسرع إلى العلاجات الجديدة.

أبرز النقاط#

يُظهر تدريب Ultralytics YOLO11 على مجموعة بيانات الأقراص الطبية مدى سرعة وفعالية قدرة النموذج على التكيف مع المهام الصيدلانية. حتى مع مجموعة بيانات صغيرة، يمكنه اكتشاف الأقراص بدقة، مما يجعله مفيداً لأمور مثل الفرز، ومراقبة الجودة، وتتبع المخزون.

مع نمو مجموعات البيانات وتحسن النماذج، تتجاوز إمكانات الرؤية الحاسوبية المعتمدة على الذكاء الاصطناعي في قطاع الأدوية مجرد الخدمات اللوجستية. يمكن لهذه التكنولوجيا أيضاً دعم التجارب السريرية من خلال المساعدة في تحديد الأقراص وتتبعها بشكل متسق، ومن خلال مساعدة الباحثين في اختبار تركيبات دوائية جديدة بأمان.

استكشف GitHub repository الخاص بنا لمعرفة المزيد ولتكون جزءاً من community النامى لدينا. واكتشف أحدث الابتكارات في مختلف القطاعات، بدءاً من AI in agriculture وحتى computer vision in healthcare. اطلع على licensing options وابدأ مشاريع رؤية الذكاء الاصطناعي الخاصة بك اليوم.