Eine ausführliche Analyse der Tablettenerkennung mit Ultralytics YOLO11

Künstliche Intelligenz wird in nahezu jeder Branche eingesetzt, doch ihr Einfluss auf das Gesundheitswesen, insbesondere auf die Pharmaindustrie, ist besonders groß. In diesem Jahr wird der Markt für KI in der Pharmaindustrie mit 1,94 Milliarden US-Dollar bewertet und soll bis 2034 auf 16,49 Milliarden US-Dollar wachsen.

Ein wichtiger technologischer Treiber dieses Marktes ist Computer Vision. Im Gegensatz zur herkömmlichen Bildverarbeitung ist Computer Vision ein Teilgebiet der KI, das Maschinen ermöglicht, visuelle Daten in Echtzeit zu verstehen und zu analysieren.

Abb. 1. Überblick über KI im Pharmamarkt.

In der Pharmaindustrie, in der selbst der kleinste Fehler schwerwiegende Folgen haben kann, bietet Vision AI neue und zuverlässige Möglichkeiten, Sicherheit und Präzision zu verbessern.

Ultralytics YOLO11 ist beispielsweise ein Computer-Vision-Modell für Echtzeitanwendungen wie Objekterkennung und Instanzsegmentierung. Es kann unter anderem zur Identifizierung von Pillen oder zur Erkennung von Fehlern in medizinischen Verpackungen eingesetzt werden.

In diesem Artikel zeigen wir dir, wie du mit Vision AI praktisch arbeitest, indem du Ultralytics YOLO11 für die Pillenerkennung trainierst. Außerdem betrachten wir die praktischen Anwendungen des Modells. Legen wir los!

Ein KI-Modell zur Pillenerkennung erstellen#

Bevor wir uns damit beschäftigen, wie Ultralytics YOLO11 für die Pillenerkennung trainiert werden kann, sollten wir zunächst verstehen, was das Trainieren eines Modells bedeutet und welche Rolle ein Datensatz dabei spielt.

Beim Trainieren eines Modells wird ihm beigebracht, Muster zu erkennen, indem ihm viele Beispiele gezeigt werden. In diesem Fall ist ein Datensatz eine Sammlung von Bildern, in denen jeweils markiert ist, wo sich die Pillen befinden. So lernt das Modell aus diesen Beispielen und kann später Pillen in neuen Bildern erkennen.

Das Ultralytics Python-Paket vereinfacht diesen Prozess zusätzlich, indem es eine große Auswahl an Datensätzen in einem einheitlichen YOLO-Dateiformat unterstützt. Es ermöglicht einen unkomplizierten Zugriff auf beliebte Datensätze und unterstützt Anwendungen wie die Pillenerkennung.

Der Medical Pills Dataset ist beispielsweise eine spezielle Proof-of-Concept-Sammlung, die zeigt, wie Objekterkennung pharmazeutische Arbeitsabläufe durch Aufgaben wie Qualitätskontrolle, Sortierung und die Erkennung von Fälschungen verbessern kann.

Eine Entwicklungsumgebung auswählen#

Ein weiterer Faktor, den du vor dem Training mit dem Ultralytics Python-Paket berücksichtigen solltest, ist die Wahl der richtigen Entwicklungsumgebung. Hier sind drei beliebte Optionen:

• Kommandozeilenschnittstelle (CLI): Die CLI beziehungsweise das Terminal ist ein einfaches, textbasiertes Werkzeug, in dem du Befehle eingeben kannst, um deinen Code auszuführen und mit deinem Computer zu interagieren.
• Jupyter Notebooks: Dies ist eine interaktivere Umgebung, in der du Code in kleinen Abschnitten (Zellen) schreiben und ausführen kannst. Dadurch lassen sich Codeabschnitte während der Arbeit einfach testen und debuggen.
• Google Colab: Eine cloudbasierte Option, die ähnlich wie Jupyter Notebooks funktioniert, zusätzlich aber kostenlosen GPU-Zugriff bietet. Du musst dir daher keine Gedanken über die lokale Einrichtung machen.

Weitere Einrichtungsoptionen findest du in der offiziellen Ultralytics-Dokumentation. Die drei oben genannten Optionen lassen sich jedoch einfach einrichten und verwenden und eignen sich daher hervorragend für einen schnellen Einstieg.

In diesem Leitfaden konzentrieren wir uns darauf, wie du Ultralytics YOLO11 mit Google Colab, Jupyter Notebooks oder einem einfachen Python-Skript einrichtest und trainierst, da der Ablauf in diesen Umgebungen sehr ähnlich ist.

Dieses Tutorial ähnelt außerdem dem zuvor behandelten Tutorial zur Erkennung von Wildtieren mit Ultralytics YOLO11. Wenn du weitere Informationen zu einzelnen Schritten dieses Programmier-Tutorials möchtest, kannst du es dir ansehen.

Einen Datensatz für die Echtzeit-Pillenerkennung mit YOLO untersuchen#

Der Medical Pills Dataset umfasst 92 Trainingsbilder und 23 Validierungsbilder und bietet damit eine solide Aufteilung für die Erstellung und Prüfung deines Modells. Trainingsbilder werden zum Trainieren des Modells verwendet, während Validierungsbilder dabei helfen zu bewerten, wie gut das Modell mit neuen, unbekannten Daten funktioniert.

Jedes Bild im Datensatz ist für eine einzige Klasse beschriftet: pills. Markierungen für Begrenzungsrahmen kennzeichnen die Position jeder Pille eindeutig. Dadurch eignet sich der Datensatz ideal für fokussierte Aufgaben wie die Pillenerkennung, ohne dass mehrere Objektklassen verarbeitet werden müssen.

Abb. 2. Einblick in den Medical Pills Dataset.

Für das Training mit YOLO11 stellt Ultralytics eine YAML-Konfigurationsdatei bereit. Sie definiert wichtige Parameter wie Dateipfade, Klassennamen und Metadaten, die für das Training des Modells benötigt werden. Unabhängig davon, ob du ein vortrainiertes Modell feinabstimmst oder ganz von vorn beginnst, vereinfacht diese Datei den Prozess erheblich und ermöglicht einen schnellen Einstieg.

Ein Ultralytics-YOLO-Modell mit dem Pillendatensatz trainieren#

Zu Beginn richten wir eine Umgebung für das Training und das Testen des Modells ein. Du kannst je nach Vorliebe Google Colab, Jupyter Notebooks oder eine einfache Python-Datei verwenden. Erstelle in der gewählten Umgebung einfach ein neues Notebook oder eine neue Python-Datei.

Anschließend richten wir die Umgebung ein und installieren das Ultralytics Python-Paket mit dem unten gezeigten Befehl. Wenn du eine notebookbasierte Umgebung (Google Colab oder Jupyter) verwendest, führe den folgenden Befehl mit einem Ausrufezeichen (!) am Anfang aus.

pip install ultralytics

Nach der Installation besteht der nächste Schritt darin, YOLO11 herunterzuladen und mit dem Medical Pills Dataset zu trainieren. Da der Datensatz vom Ultralytics Python-Paket unterstützt wird, ist der Prozess unkompliziert.

Den Trainingsprozess des Modells verstehen#

Zuerst importieren wir die YOLO-Klasse aus dem Ultralytics-Paket. Anschließend laden wir ein vortrainiertes YOLO11-Modell aus der Datei „yolo11n.pt“. Dieses Modell wird empfohlen, da es sich um ein leichtgewichtiges Nano-Modell handelt.

Zum Schluss starten wir den Trainingsprozess, indem wir das Modell auf unsere Datensatzkonfiguration (medical-pills.yaml) verweisen und die Anzahl der Trainingsepochen (ein vollständiger Durchlauf durch den gesamten Datensatz) wie unten gezeigt auf 100 festlegen.

from ultralytics import YOLO

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

Durch das Training über mehrere Epochen kann das Modell mit jedem Durchlauf lernen und seine Leistung verbessern. Die gespeicherten Protokolle und Prüfpunkte findest du im Unterordner „runs/train/“. Du kannst sie verwenden, um den Fortschritt zu überwachen und die Leistung des Modells zu überprüfen.

Nach Abschluss des Trainings sollte das individuell trainierte YOLO11-Modell Pillen zuverlässig erkennen können. Die finalen Gewichte des trainierten Modells findest du im Unterordner „runs/detect/train/weights/“ unter dem Namen „best.pt“.

Ultralytics YOLO11 nach dem Training des Modells evaluieren#

Um zu bewerten, wie gut das Modell gelernt hat, Pillen zu erkennen, können wir die Validierung wie folgt ausführen:

metrics = model.val()

Dieser Prozess liefert gängige Metriken für die Objekterkennung, die Einblicke in die Leistung des Modells geben. Hier ist eine genauere Betrachtung einiger dieser Metriken:

• Präzision: Sie misst den Anteil der vom Modell erkannten Pillen, die tatsächlich korrekt erkannt wurden.
• Trefferquote: Sie gibt den Anteil der tatsächlich vorhandenen Pillen an, die das Modell erfolgreich erkennt.
• Mittlere durchschnittliche Präzision (mAP): Diese Metrik kombiniert Präzision und Trefferquote über verschiedene Erkennungsschwellen hinweg und liefert so einen Gesamtwert für die Leistung.

Zusammen bieten diese Metriken einen umfassenden Überblick darüber, wie genau das Modell Pillen in neuen, unbekannten Daten erkennt.

Wenn dein Modell nicht so gut wie erwartet funktioniert, kannst du es über mehr Epochen trainieren oder andere Trainingsparameter feinabstimmen. Dazu gehören beispielsweise die Lernrate, die die Schrittweite bei der Optimierung des Modells steuert, oder die Bildgröße, um die Leistung weiter zu verbessern.

Inferenz mit deinem individuell trainierten Ultralytics YOLO11-Modell ausführen#

Sobald das Ultralytics-YOLO11-Modell trainiert und evaluiert wurde, besteht der nächste Schritt darin zu testen, wie gut es mit neuen, unbekannten Bildern funktioniert. Dadurch lassen sich reale Bedingungen simulieren, etwa die Erkennung von Pillen bei unterschiedlicher Beleuchtung, Anordnung oder Verpackungsart.

Zum Testen des Modells haben wir ein Beispielbild von Pexels, einer kostenlosen Website für Stockbilder, heruntergeladen und das Bild analysiert beziehungsweise mit dem individuell trainierten Ultralytics-YOLO11-Modell eine Vorhersage erstellt, wie im folgenden Codeausschnitt gezeigt.

Du kannst dieses Beispielbild oder jedes andere relevante Bild verwenden, um zu bewerten, wie gut das Modell in realen Szenarien funktioniert.

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

Die Option save weist das Modell an, das Ausgabebild zu speichern. Die Einstellung confidence stellt sicher, dass nur Vorhersagen mit einer Sicherheit von mindestens 30 Prozent in die Ergebnisse aufgenommen werden.

Wenn du die Vorhersage ausführst, zeigt die Ausgabe eine Meldung an, die angibt, wo sich das gespeicherte Bild befindet – zum Beispiel: "Results saved to runs/detect/train."

Dein Ausgabebild wird dem hier gezeigten ähneln: Pillen werden erkannt und durch Begrenzungsrahmen hervorgehoben. Die angezeigten Konfidenzwerte geben den Grad der Sicherheit für jede Erkennung an.

Abb. 3. Pillenerkennung mit Ultralytics YOLO11.

Praktische Anwendungen von Ultralytics YOLO11 in der Pharmaindustrie#

Nachdem wir untersucht haben, wie Ultralytics YOLO11 mit dem Medical-Pills-Dataset trainiert und für die Pillenerkennung Inferenz auf Bildern ausgeführt wird, sehen wir uns nun die praktischen Anwendungen von YOLO11 in der Pharmaindustrie an.

Pharmazeutische Pillensortierung mit Ultralytics YOLO11#

Automatisierte Pillenerkennung mit Ultralytics YOLO11 kann für die pharmazeutische Sortierung eingesetzt werden. Die manuelle Sortierung ist oft langsam, eintönig und fehleranfällig, wodurch die Arzneimittelsicherheit und die Einhaltung von Vorschriften beeinträchtigt werden können.

Mit einem feinabgestimmten Ultralytics-YOLO11-Modell können wir Pillen anhand visueller Merkmale wie Größe, Form und Farbe präzise erkennen und sortieren. Diese Automatisierung beschleunigt den Prozess und trägt dazu bei, dass die Produkte strenge Qualitätsstandards erfüllen. Damit ist sie ein wertvolles Werkzeug für pharmazeutische Abläufe.

Abb. 4. Pillenerkennung mit Unterstützung von YOLO11.

Bestandsüberwachung mit Unterstützung von Ultralytics YOLO11#

Die richtige Medikation rechtzeitig vorrätig zu haben, ist mehr als eine logistische Aufgabe – sie kann die Patientenversorgung und die Kosten beeinflussen. Ein Mangel an einer wichtigen Pille kann die Behandlung verzögern, während Überbestände zu abgelaufenen Medikamenten und verschwendeten Beständen führen können. Angesichts der zahlreichen Pillenarten und Verpackungsvarianten in der Pharmaindustrie können automatisierte Bestandssysteme genauere Aufzeichnungen ermöglichen.

Intelligente Bestandssysteme können Computer-Vision-Modelle wie Ultralytics YOLO11 nutzen, um Lagerbestände in Echtzeit zu überwachen. Das Modell kann Regale und Verpackungsbereiche anhand von Bildern oder Videos scannen, um Pillen zu erkennen und zu zählen. Wenn sich die Bestände ändern, etwa weil Artikel hinzugefügt, entnommen oder verschoben werden, kann das System die Anzahl automatisch aktualisieren.

Pharmazeutische Qualitätskontrolle mit Ultralytics YOLO11#

In der pharmazeutischen Produktion ist die Qualitätskontrolle entscheidend, um sicherzustellen, dass jede Pille sicher und wirksam ist. Selbst geringfügige Mängel wie ein Riss, eine ungleichmäßige Form oder eine leichte Farbabweichung können zu Dosierungsfehlern oder Produktrückrufen führen.

Ultralytics YOLO11 kann helfen, indem es Pillen, die Qualitätsstandards nicht erfüllen, automatisch erkennt. Das Modell kann visuelle Merkmale erlernen und mithilfe von Begrenzungsrahmen Probleme wie Absplitterungen, verblasste Aufdrucke oder Verfärbungen in Echtzeit markieren. Dadurch können fehlerhafte Pillen frühzeitig aussortiert werden, was Abfall reduziert und sicherstellt, dass nur qualitätsgesicherte Medikamente die Patienten erreichen.

Darüber hinaus kann Ultralytics YOLO11 verwendet werden, um Pillen während der Prüfung zu erkennen und zu zählen und so eine genaue Nachverfolgung bei der Qualitätsüberwachung zu ermöglichen.

Abb. 5. Ultralytics YOLO11 kann zur Erkennung und Zählung von Kapseln verwendet werden.

Vor- und Nachteile der Verwendung von Vision AI zur Pillenerkennung#

Nachdem wir untersucht haben, wie Vision AI in der Pharmaindustrie eingesetzt werden kann, werfen wir nun einen kurzen Blick auf einige der wichtigsten Vorteile von Computer Vision in diesem Bereich:

• Vorausschauende Wartung: Ultralytics YOLO11 kann eingesetzt werden, um frühe Anzeichen von Maschinenverschleiß zu erkennen, indem Unregelmäßigkeiten bei Pillen oder Verpackungen identifiziert werden. Es hilft dabei, rechtzeitig Reparaturen zu planen und ungeplante Produktionsausfälle zu verhindern.
• Skalierbare Modellnutzung: Das Modell kann für verschiedene Pillen und Verpackungen anhand unterschiedlicher Datensätze feinabgestimmt werden. Dadurch wird die Prüfung mit zunehmendem Umfang der Abläufe skalierbar und kostengünstig.
• Fernüberwachung: Bei der Integration in Cloud-Systeme und Edge-Geräte ermöglicht das Modell Qualitätsprüfungen in Echtzeit und eignet sich ideal für die Verwaltung ländlicher Ausgabestellen, automatisierter Einheiten und dezentraler telepharmazeutischer Einrichtungen.

Die Einführung von Vision AI in der Pharmaindustrie bietet zwar viele Vorteile, doch bei der Nutzung solcher Technologien solltest du auch einige Aspekte berücksichtigen:

• Integration in bestehende Abläufe: Die Integration von KI-Systemen in bestehende Arbeitsabläufe kann Anpassungen, Schulungen und Kompatibilitätsprüfungen mit der aktuellen Infrastruktur erfordern.
• Einhaltung gesetzlicher Vorschriften: Automatisierte Systeme müssen strenge regulatorische Standards einhalten, um die Patientensicherheit und eine gleichbleibende Produktqualität zu gewährleisten.
• Fehlerverwaltung: Selbst fortschrittliche Modelle können falsch positive oder falsch negative Ergebnisse liefern. Es ist wichtig, Prozesse zur Behandlung und Korrektur dieser Fehler einzurichten.

Die Zukunft von KI-gestützten pharmazeutischen Arbeitsabläufen#

In Zukunft wird KI wahrscheinlich eine größere Rolle dabei spielen, klinische Studien schneller, intelligenter und kostengünstiger zu machen. Sie kann dabei helfen, bessere Studienprotokolle zu erstellen, die richtigen Patientengruppen auszuwählen und Daten in Echtzeit zu überwachen.

Dadurch können Forschende möglicherweise auf auftretende Probleme reagieren, statt erst im Nachhinein. KI kann außerdem den Genehmigungsprozess beschleunigen, indem sie manuelle Büroarbeit reduziert und routinemäßige Prüfungen automatisiert. Insgesamt kann die Integration von KI in pharmazeutische Arbeitsabläufe zu weniger Verzögerungen und einem schnelleren Zugang zu neuen Behandlungen führen.

Wichtige Erkenntnisse#

Das Training von Ultralytics YOLO11 mit dem Medical Pills Dataset zeigt, wie schnell und effektiv sich das Modell an pharmazeutische Aufgaben anpassen kann. Selbst mit einem kleinen Datensatz kann es Pillen präzise erkennen und ist damit für Aufgaben wie Sortierung, Qualitätskontrolle und Bestandsverfolgung geeignet.

Mit wachsenden Datensätzen und verbesserten Modellen reicht das Potenzial von Vision AI in der Pharmaindustrie über die reine Logistik hinaus. Die Technologie könnte klinische Studien auch unterstützen, indem sie eine einheitliche Identifizierung und Nachverfolgung von Pillen ermöglicht und Forschende beim sicheren Testen neuer Wirkstoffkombinationen unterstützt.

Sieh dir unser GitHub-Repository an, um mehr zu erfahren und Teil unserer wachsenden Community zu werden. Entdecke wegweisende Innovationen in verschiedenen Bereichen – von KI in der Landwirtschaft bis zu Computer Vision im Gesundheitswesen. Informiere dich über unsere Lizenzoptionen und starte noch heute deine Vision-AI-Projekte.