غوص عميق في اكتشاف الحبوب باستخدام Ultralytics YOLO11

يُستخدم الذكاء الاصطناعي في كل قطاع تقريباً، ولكن تأثيره على الرعاية الصحية، وخاصة في مجال الأدوية، كبير بشكل ملحوظ. في هذا العام، تُقدر قيمة سوق الذكاء الاصطناعي في قطاع الأدوية بـ 1.94 مليار دولار، ومن المتوقع أن ينمو ليصل إلى 16.49 مليار دولار بحلول عام 2034.

أحد المحركات التكنولوجية الرئيسية لهذا السوق هو الرؤية الحاسوبية. على عكس معالجة الصور التقليدية، تعد الرؤية الحاسوبية مجالاً فرعياً من الذكاء الاصطناعي الذي يُمكّن 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 يؤدي حتى أصغر خطأ إلى عواقب وخيمة، توفر الرؤية الحاسوبية المعتمدة على الذكاء الاصطناعي طرقاً جديدة وموثوقة لتحسين السلامة والدقة.

على سبيل المثال، يعد Ultralytics YOLO11 نموذج رؤية حاسوبية مصمماً للمهام الفورية مثل اكتشاف الأشياء وتجزئة النماذج، ويمكن استخدامه في تطبيقات مثل تحديد الأقراص أو اكتشاف العيوب في التغليف الطبي.

في هذه المقالة، سنستعرض كيفية التعامل العملي مع الرؤية الحاسوبية المعتمدة على الذكاء الاصطناعي من خلال تدريب YOLO11 لاكتشاف الأقراص. سنستكشف أيضاً تطبيقاته في العالم الحقيقي. لنبدأ!

Link to this sectionبناء نموذج ذكاء اصطناعي لاكتشاف الأقراص#

قبل الغوص في كيفية تدريب YOLO11 لاكتشاف الأقراص، دعونا نتراجع خطوة للوراء لفهم معنى تدريب نموذج 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 هذه العملية أسهل من خلال دعم مجموعة واسعة من مجموعات البيانات بتنسيق ملف YOLO المبسط. وهي توفر وصولاً سهلاً إلى مجموعات البيانات الشائعة وتقدم دعماً لتطبيقات مثل اكتشاف الأقراص.

على سبيل المثال، تعد مجموعة بيانات الأقراص الطبية (Medical Pills Dataset) عبارة عن مجموعة إثبات مفهوم مخصصة مصممة لعرض كيف يمكن لـ اكتشاف الأشياء تحسين سير العمل الصيدلاني من خلال مهام مثل مراقبة الجودة، والفرز، واكتشاف الأدوية المزيفة.

Link to this sectionاختيار 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 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 تماماً في كل من هذه البيئات.

أيضاً، هذا البرنامج التعليمي مشابه جداً لما قمنا بتغطيته سابقاً حول اكتشاف الحياة البرية باستخدام YOLO11. إذا كنت مهتماً بمزيد من التفاصيل حول أي من الخطوات في هذا البرنامج التعليمي البرمجي، فيمكنك التحقق منها.

Link to this sectionاستكشاف 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 إعداد YAML يحدد المعلمات الرئيسية مثل مسارات الملفات، وأسماء الفئات، والبيانات الوصفية اللازمة لتدريب النموذج. سواء كنت تقوم بضبط نموذج مدرب مسبقاً أو البدء من الصفر، فإن هذا الملف يجعل العملية أبسط بكثير ويساعدك على البدء بسرعة.

Link to this sectionتدريب نموذج Ultralytics YOLO على مجموعة بيانات الأقراص#

للبدء، سنقوم بإعداد بيئة للتدريب واختبار النموذج. يمكنك اختيار استخدام Google Colab أو Jupyter Notebooks أو ملف Python بسيط بناءً على تفضيلاتك. فقط قم بإنشاء 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.

Link to this sectionفهم 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”.

Link to this sectionتقييم YOLO11 بعد تدريب النموذج#

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

metrics = model.val()

تُرجع هذه العملية مقاييس اكتشاف الأشياء الشائعة، والتي توفر نظرة ثاقبة حول أداء النموذج. 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 يعمل نموذجك كما هو متوقع، يمكنك محاولة تدريبه لدورات (epochs) أكثر أو ضبط معلمات التدريب الأخرى، مثل معدل التعلم، الذي يتحكم في حجم الخطوات المتخذة أثناء تحسين النموذج، أو حجم الصورة، لتحسين أدائه بشكل أكبر.

Link to this sectionتشغيل الاستنتاجات باستخدام نموذج YOLO11 المدرب خصيصاً#

بمجرد تدريب وتقييم نموذج YOLO11، الخطوة التالية هي اختبار مدى جودة أدائه على صور جديدة وغير مرئية. يساعد هذا في محاكاة ظروف العالم الحقيقي، مثل اكتشاف الأقراص في إضاءة أو ترتيبات أو أنماط تغليف مختلفة.

لاختبار النموذج، قمنا بتنزيل صورة عينة من Pexels، وهو موقع صور مجاني، وقمنا بتحليل الصورة أو إجراء تنبؤ باستخدام نموذج 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 الأقراص باستخدام YOLO11.

Link to this sectionتطبيقات استخدام YOLO11 في صناعة الأدوية في العالم الحقيقي#

الآن بعد أن استكشفنا كيفية تدريب YOLO11 باستخدام مجموعة بيانات الأقراص الطبية وإجراء الاستدلالات على الصور لاكتشاف الأقراص، دعونا نلقي نظرة على تطبيقات YOLO11 في العالم الحقيقي في صناعة الأدوية.

Link to this sectionفرز الأقراص الدوائية باستخدام YOLO11#

يمكن تطبيق الاكتشاف الآلي للأقراص باستخدام YOLO11 على الفرز الصيدلاني. غالباً ما يكون الفرز اليدوي بطيئاً، ومتكرراً، وعرضة للأخطاء التي يمكن أن تؤثر على سلامة الأدوية والامتثال.

باستخدام نموذج YOLO11 مُعدل بدقة، يمكننا اكتشاف وفرز الأقراص بدقة بناءً على السمات المرئية مثل الحجم والشكل واللون. تسرع هذه الأتمتة العملية وتساعد في ضمان تلبية المنتجات لمعايير الجودة الصارمة، مما يجعلها أداة قيمة في العمليات الصيدلانية.

الشكل 4. اكتشاف الأقراص بمساعدة YOLO11.

Link to this sectionمراقبة المخزون بمساعدة 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 المخزون الذكية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لمراقبة مستويات المخزون في الوقت الفعلي. يمكن للنموذج مسح الأرفف ومناطق التعبئة باستخدام الصور أو الفيديو لاكتشاف الأقراص وحسابها. مع تغير مستويات المخزون، سواء تمت إضافة عناصر أو إزالتها أو نقلها، يمكن للنظام تحديث العدد تلقائياً.

Link to this sectionمراقبة جودة الأدوية مدفوعة بـ YOLO11#

في إنتاج الأدوية، تعتبر مراقبة الجودة أمراً بالغ الأهمية للتأكد من أن كل قرص آمن وفعال. حتى العيوب الطفيفة، مثل الكسر، أو الشكل غير المنتظم، أو اختلاف اللون الطفيف، يمكن أن تؤدي إلى أخطاء في الجرعة أو سحب المنتج.

يمكن لـ YOLO11 المساعدة من خلال اكتشاف الأقراص التي لا تلبي معايير الجودة تلقائياً. يمكن للنموذج تعلم السمات المرئية ويستخدم صناديق الإحاطة (bounding boxes) للإبلاغ عن مشكلات مثل الرقائق، أو الطباعة الباهتة، أو تغير اللون في الوقت الفعلي. وهذا يسمح بالإزالة المبكرة للأقراص المعيبة، مما يقلل الهدر ويضمن وصول الأدوية المضمونة الجودة فقط إلى المرضى.

علاوة على ذلك، يمكن استخدام YOLO11 لاكتشاف وحساب الأقراص أثناء فحصها، للتتبع الدقيق أثناء مراقبة الجودة.

الشكل 5. يمكن استخدام YOLO11 لاكتشاف وحساب الكبسولات.

Link to this sectionإيجابيات 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 التنبؤية: يمكن استخدام YOLO11 لاكتشاف العلامات المبكرة لتآكل الآلات من خلال تحديد عدم تناسق الأقراص أو التعبئة. وهو 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.
• 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 كاذبة أو سلبية. من المهم وجود عمليات للتعامل مع هذه الأخطاء وتصحيحها.

Link to this sectionالطريق إلى الأمام لسير عمل الذكاء الاصطناعي في قطاع الأدوية#

في المستقبل، من المرجح أن يلعب الذكاء الاصطناعي دوراً 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 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.

Link to this sectionأبرز 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 مستودع GitHub الخاص بنا لمعرفة المزيد وأن تكون جزءاً من مجتمعنا المتنامي. اكتشف أحدث الابتكارات في مختلف القطاعات، من الذكاء الاصطناعي في الزراعة إلى الرؤية الحاسوبية في الرعاية الصحية. تحقق من خيارات الترخيص الخاصة بنا وأطلق مشاريع الرؤية الحاسوبية الخاصة بك اليوم.