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 للرؤية الحاسوبية مصمم لمهام في الوقت الحقيقي مثل اكتشاف الأجسام وتجزئة النماذج، ويمكن استخدامه لتطبيقات مثل تحديد الحبوب أو اكتشاف العيوب في العبوات الطبية.
في هذه المقالة، سنتعرف في هذه المقالة على كيفية استخدام الذكاء الاصطناعي البصري من خلال تدريب YOLO11 على detect الحبوب. سنستكشف أيضًا تطبيقاته في العالم الحقيقي. لنبدأ!
بناء نموذج ذكاء اصطناعي للكشف عن الأقراص
قبل أن نغوص في كيفية تدريب YOLO11 على detect الحبوب، دعونا نأخذ خطوة إلى الوراء ونفهم ما يعنيه 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 حزمةUltralytics Python هذه العملية أكثر سهولة من خلال دعم مجموعة كبيرة من مجموعات البيانات بتنسيق ملف YOLO المبسط. فهي توفر وصولًا خاليًا من المتاعب إلى مجموعات البيانات الشائعة وتوفر دعمًا لتطبيقات مثل الكشف عن حبوب منع الحمل.
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 تبدأ التدريب باستخدام حزمة Ultralytics Python وهو اختيار بيئة التطوير المناسبة. فيما يلي ثلاثة خيارات شائعة:
واجهة سطر الأوامر (CLI): واجهة سطر الأوامر ( CLI ) أو واجهة سطر الأوامر CLI ) هي أداة بسيطة تستند إلى النص حيث يمكنك كتابة الأوامر لتشغيل التعليمات البرمجية والتفاعل مع الكمبيوتر.
دفاتر Jupyter: هذه بيئة أكثر تفاعلية حيث يمكنك كتابة التعليمات البرمجية وتشغيلها في أجزاء صغيرة (خلايا)، مما يسهل اختبارها وتصحيحها أثناء التنقل.
Google كولاب: خيار قائم على السحابة يعمل مثل دفاتر Jupyter Notebooks، ولكن مع ميزة إضافية تتمثل في الوصول المجاني إلى GPU )، 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.
سنركّز في هذا الدليل على كيفية إعداد وتدريب YOLO11 باستخدام Google Colab أو Jupyter Notebooks أو برنامج نصي أساسي Python حيث أن العملية متشابهة تمامًا في كل من هذه البيئات.
أيضًا، هذا الدرس التعليمي مشابه تمامًا للدرس الذي تناولناه سابقًا حول اكتشاف الحياة البرية باستخدام YOLO11. إذا كنت مهتمًا بالحصول على مزيد من التفاصيل حول أي من الخطوات في هذا البرنامج التعليمي للبرمجة، يمكنك الاطلاع عليه.
استكشاف مجموعة بيانات للكشف عن حبوب منع الحمل في الوقت الحقيقي 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 الذي يحدد المعلمات الرئيسية مثل مسارات الملفات وأسماء الفئات والبيانات الوصفية اللازمة لتدريب النموذج. سواء كنت تقوم بضبط نموذج مدرب مسبقًا أو تبدأ من الصفر، فإن هذا الملف يجعل العملية أبسط بكثير ويساعدك على البدء بسرعة.
تدريب نموذج Ultralytics YOLO على مجموعة بيانات حبوب منع الحمل
للبدء، سنقوم بإعداد بيئة لتدريب 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 مستندة إلى دفتر ملاحظاتGoogle Colab أو Jupyter)، فقم بتشغيل الأمر التالي مع وضع علامة تعجب (!) في البداية.
pip install ultralytics
بمجرد التثبيت، فإن الخطوة التالية هي تنزيل وتدريب YOLO11 باستخدام مجموعة بيانات الحبوب الطبية. نظرًا لأن مجموعة البيانات مدعومة بحزمة Ultralytics Python فإن العملية بسيطة.
فهم عملية تدريب النموذج
أولاً، يمكننا استيراد فئة YOLO من حزمة Ultralytics . بعد ذلك، يمكننا تحميل نموذج YOLO11 المدرَّب مسبقًا من الملف "yolo11n.pt"، وهو نموذج موصى به لأنه نموذج نانو وخفيف الوزن.
أخيرًا، يمكننا بدء عملية التدريب عن طريق توجيه النموذج إلى تكوين مجموعة البيانات الخاصة بنا (medical-pillsyaml) وتعيين عدد حلقات التدريب (تمريرة واحدة كاملة 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 المُدرّب حسب الطلب قادرًا على تحديد الحبوب بدقة. يمكنك البحث عن أوزان النموذج النهائي المُدرَّب في المجلد الفرعي "detect" تحت اسم "best.pt".
تقييم YOLO11 بعد التدريب على النموذج
لتقييم مدى نجاح النموذج في detect الحبوب، يمكننا إجراء التحقق من الصحة 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 متوسط الدقة (mAP): يجمع هذا المقياس بين كلٍ من الدقة والاستدعاء عبر عتبات الكشف المختلفة لإعطاء درجة أداء إجمالية.
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 المدرّب حسب الطلب
بمجرد أن يتم تدريب نموذج YOLO11 وتقييمه، فإن الخطوة التالية هي اختبار مدى جودة أدائه على صور جديدة غير مرئية. يساعد ذلك في محاكاة ظروف العالم الحقيقي، مثل اكتشاف الحبوب في إضاءة أو ترتيبات أو أنماط تغليف مختلفة.
لاختبار النموذج، قمنا بتنزيل عينة من صورة من Pexels، وهو موقع إلكتروني مجاني للصور المخزونة، وقمنا بتحليل الصورة أو أجرينا تنبؤًا باستخدام نموذج YOLO11 المُدرَّب خصيصًا كما هو موضح في مقتطف الكود 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، سيعرض الإخراج رسالة تخبرك بمكان وجود الصورة المحفوظة - على سبيل المثال، "النتائج المحفوظة في detect".
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. اكتشاف حبوب منع الحمل باستخدام YOLO11.
تطبيقات واقعية لاستخدام YOLO11 في مجال الأدوية
والآن، بعد أن استكشفنا كيفية تدريب YOLO11 باستخدام مجموعة بيانات الحبوب الطبية وتشغيل الاستدلالات على الصور للكشف عن حبوب منع الحمل، دعونا نلقي نظرة على تطبيقات YOLO11في العالم الحقيقي في صناعة الأدوية.
فرز الأقراص الدوائية باستخدام YOLO11
يمكن تطبيق الكشف الآلي عن الأقراص باستخدام YOLO11 على فرز الأدوية. فغالبًا ما يكون الفرز اليدوي بطيئًا ومتكررًا وعرضة للأخطاء التي يمكن أن تضر بسلامة الأدوية والامتثال.
باستخدام نموذج YOLO11 المضبوط بدقة، يمكننا detect الأقراص وفرزها بدقة بناءً على السمات المرئية مثل الحجم والشكل واللون. تعمل هذه الأتمتة على تسريع العملية وتساعد على ضمان استيفاء 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 المخزون الذكية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لمراقبة مستويات المخزون في الوقت الفعلي. يمكن للنموذج مسح الأرفف ومناطق التعبئة والتغليف باستخدام الصور أو الفيديو detect الحبوب وعدّها. ومع تغير مستويات المخزون، سواء تمت إضافة أو إزالة أو نقل الأصناف، يمكن للنظام تحديث العد تلقائيًا.
مراقبة الجودة الدوائية المدفوعة 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 يساعدك YOLO11 من خلال الاكتشاف التلقائي للأقراص التي لا تفي بمعايير الجودة. يمكن للنموذج أن يتعلم السمات المرئية ويستخدم المربعات المحدودة للإبلاغ عن مشكلات مثل الرقائق أو البقع الباهتة أو تغير اللون في الوقت الفعلي. يسمح ذلك بالإزالة المبكرة للأقراص المعيبة، مما يقلل من الهدر ويضمن وصول الأدوية المضمونة الجودة فقط إلى المرضى.
وعلاوة على ذلك، يمكن استخدام YOLO11 detect الحبوب وعدّها أثناء فحصها، من أجل التتبع الدقيق أثناء مراقبة الجودة.
الشكل 5. يمكن استخدام YOLO11 detect الكبسولات وعدّها.
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 استخدامYOLO11 detect العلامات المبكرة لتآكل الماكينة من خلال تحديد التناقضات في حبوب منع الحمل أو التغليف. يساعد في جدولة الإصلاحات في الوقت المناسب ويمنع تعطل الإنتاج غير المخطط له.
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
يُظهر تدريب Ultralytics YOLO11 على مجموعة بيانات الحبوب الطبية مدى سرعة وفعالية النموذج في التكيف مع المهام الصيدلانية. حتى مع مجموعة البيانات الصغيرة، يمكنه detect الحبوب بدقة، مما يجعله مفيدًا 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.
