24. April 2025
In diesem Kodierungs-Tutorial lernen Sie, wie Sie mit YOLO11 und dem Medical-Pills-Datensatz Pillen erkennen können. Erkunden Sie außerdem die möglichen Anwendungen und Vorteile.
Künstliche Intelligenz wird in fast allen Branchen eingesetzt, aber ihr Einfluss auf das Gesundheitswesen, insbesondere auf die Pharmazie, ist besonders groß. In diesem Jahr wird der Markt für künstliche Intelligenz in der Pharmabranche auf 1,94 Milliarden Dollar geschätzt, und es wird erwartet, dass er bis 2034 auf 16,49 Milliarden Dollar ansteigen wird.
Ein wichtiger technologischer Treiber dieses Marktes ist die Computer Vision. Im Gegensatz zur traditionellen Bildverarbeitung ist die Computer Vision ein Teilbereich der KI, der es Maschinen ermöglicht, visuelle Daten in Echtzeit zu verstehen und zu analysieren.
In der pharmazeutischen Industrie, wo selbst der kleinste Fehler schwerwiegende Folgen haben kann, bietet Vision AI neue und zuverlässige Möglichkeiten zur Verbesserung von Sicherheit und Präzision.
Ultralytics YOLO11 zum Beispiel ist ein Computer-Vision-Modell, das für Echtzeitaufgaben wie Objekterkennung und Instanzsegmentierung entwickelt wurde und für Anwendungen wie die Identifizierung von Tabletten oder die Erkennung von Defekten in medizinischen Verpackungen eingesetzt werden kann.
In diesem Artikel zeigen wir Ihnen, wie Sie Vision AI in die Praxis umsetzen können, indem Sie YOLO11 trainieren, Pillen zu erkennen. Wir werden auch seine realen Anwendungen erkunden. Legen wir los!
Bevor wir uns damit befassen, wie YOLO11 trainiert werden kann, um Pillen zu erkennen, sollten wir einen Schritt zurücktreten und verstehen, was es bedeutet, ein Modell zu trainieren und welche Rolle ein Datensatz spielt.
Um ein Modell zu trainieren, muss man ihm beibringen, Muster zu erkennen, indem man ihm viele Beispiele zeigt. In diesem Fall ist ein Datensatz eine Sammlung von Bildern, bei der jedes Bild beschriftet ist, um anzugeben, wo sich die Pillen befinden. Auf diese Weise lernt das Modell aus diesen Beispielen, so dass es später Pillen in neuen Bildern erkennen kann.
Das Ultralytics Python-Paket macht diesen Prozess noch einfacher, indem es eine breite Palette von Datensätzen in einem optimierten YOLO-Dateiformat unterstützt. Sie bieten problemlosen Zugang zu beliebten Datensätzen und unterstützen Anwendungen wie die Pillenerkennung.
Das Medical Pills Dataset beispielsweise ist eine spezielle Proof-of-Concept-Sammlung, die zeigen soll, wie die Objekterkennung pharmazeutische Arbeitsabläufe durch Aufgaben wie Qualitätskontrolle, Sortierung und Erkennung von Fälschungen verbessern kann.
Ein weiterer Faktor, den Sie berücksichtigen müssen, bevor Sie mit der Schulung mit dem Ultralytics Python-Paket beginnen können, ist die Wahl der richtigen Entwicklungsumgebung. Hier sind drei beliebte Optionen:
Es gibt noch weitere Einrichtungsoptionen, die Sie in der offiziellen Ultralytics-Dokumentation nachlesen können, aber die drei oben genannten sind einfach einzurichten und zu verwenden und eignen sich daher hervorragend für einen schnellen Einstieg.
In dieser Anleitung konzentrieren wir uns darauf, wie man YOLO11 mit Google Colab, Jupyter Notebooks oder einem einfachen Python-Skript einrichtet und trainiert, da der Prozess in jeder dieser Umgebungen recht ähnlich ist.
Außerdem ähnelt dieses Tutorial demjenigen, das wir zuvor über die Erkennung von Wildtieren mit YOLO11 veröffentlicht haben. Wenn Sie an weiteren Details zu einem der Schritte in diesem Programmier-Tutorial interessiert sind, können Sie es hier nachlesen.
Der Datensatz "Medizinische Pillen" enthält 92 Trainingsbilder und 23 Validierungsbilder, die eine solide Grundlage für die Erstellung und den Test Ihres Modells bilden. Trainingsbilder werden verwendet, um dem Modell etwas beizubringen, während Validierungsbilder dabei helfen zu bewerten, wie gut das Modell bei neuen, ungesehenen Daten abschneidet.
Jedes Bild im Datensatz ist für eine einzige Klasse gekennzeichnet: Pillen. Bounding-Box-Anmerkungen markieren eindeutig die Position jeder Pille, wodurch sich der Datensatz ideal für fokussierte Aufgaben wie die Pillenerkennung eignet, ohne die Komplexität der Handhabung mehrerer Objektklassen.
Zur Unterstützung des Trainings mit YOLO11 stellt Ultralytics eine YAML-Konfigurationsdatei bereit, in der wichtige Parameter wie Dateipfade, Klassennamen und Metadaten für das Modelltraining definiert sind. Unabhängig davon, ob Sie ein bereits trainiertes Modell feinabstimmen oder von Grund auf neu beginnen, macht diese Datei den Prozess viel einfacher und hilft Ihnen, schnell zu beginnen.
Zu Beginn werden wir eine Umgebung für das Training und Testen des Modells einrichten. Sie können je nach Vorliebe Google Colab, Jupyter Notebooks oder eine einfache Python-Datei verwenden. Erstellen Sie einfach ein neues Notizbuch oder eine Python-Datei in der von Ihnen gewählten Umgebung.
Dann können wir unsere Umgebung einrichten und das Ultralytics-Python-Paket mit dem unten stehenden Befehl installieren. Wenn Sie eine notebookbasierte Umgebung (Google Colab oder Jupyter) verwenden, führen Sie den folgenden Befehl mit einem Ausrufezeichen (!) am Anfang aus.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
TR
VI
ARpip install ultralyticsNach der Installation ist der nächste Schritt das Herunterladen und Trainieren von YOLO11 unter Verwendung des Datensatzes für medizinische Pillen. Da der Datensatz vom Ultralytics Python-Paket unterstützt wird, ist der Prozess einfach.
Zunächst können wir die YOLO-Klasse aus dem Ultralytics-Paket importieren. Dann können wir ein vortrainiertes YOLO11-Modell aus der Datei "yolo11n.pt" laden, was empfohlen wird, weil es ein Nano-Modell und leichtgewichtig ist.
Schließlich können wir den Trainingsprozess starten, indem wir das Modell auf unsere Datensatzkonfiguration (medical-pills.yaml) verweisen und die Anzahl der Trainingsepochen (ein vollständiger Durchlauf durch den gesamten Datensatz) auf 100 einstellen, wie unten gezeigt.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)Durch das Training über mehrere Epochen hinweg kann das Modell lernen und seine Leistung mit jedem Durchgang verbessern. Im Unterordner "runs/train/" werden Protokolle und Kontrollpunkte gespeichert, die Sie zur Überwachung des Fortschritts und zur Überprüfung der Leistung des Modells verwenden können.
Nach Abschluss des Trainings sollte das vom Benutzer trainierte YOLO11-Modell in der Lage sein, Pillen genau zu identifizieren. Sie können die endgültigen trainierten Modellgewichte im Unterordner "runs/detect/train/weights/" unter dem Namen "best.pt" finden.
Um zu beurteilen, wie gut das Modell gelernt hat, Pillen zu erkennen, können wir die Validierung wie folgt durchführen:
metrics = model.val()Dieser Prozess liefert allgemeine Objekterkennungsmetriken, die Aufschluss über die Leistung des Modells geben. Hier ein genauerer Blick auf einige dieser Metriken:
Zusammen bieten diese Metriken einen umfassenden Überblick darüber, wie genau das Modell Pillen in neuen, ungesehenen Daten erkennt.
Wenn Ihr Modell nicht so gut abschneidet wie erwartet, können Sie versuchen, es für mehr Epochen zu trainieren oder andere Trainingsparameter wie die Lernrate, die die Größe der während der Modelloptimierung durchgeführten Schritte steuert, oder die Bildgröße fein abzustimmen, um die Leistung weiter zu verbessern.
Sobald das YOLO11-Modell trainiert und bewertet ist, wird in einem nächsten Schritt getestet, wie gut es auf neuen, ungesehenen Bildern funktioniert. Dies hilft dabei, reale Bedingungen zu simulieren, wie z. B. die Erkennung von Pillen bei unterschiedlicher Beleuchtung, Anordnung oder Verpackungsart.
Um das Modell zu testen, haben wir ein Beispielbild von Pexels, einer Website für kostenlose Bilder, heruntergeladen und das Bild analysiert oder eine Vorhersage mit dem speziell trainierten YOLO11-Modell durchgeführt, wie im folgenden Codeschnipsel gezeigt.
Sie können dieses Beispielbild oder jedes andere relevante Bild verwenden, um zu beurteilen, wie gut das Modell in realen Szenarien funktioniert.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)Die Option "Speichern" weist das Modell an, das Ausgabebild zu speichern, und die Einstellung "Vertrauen" stellt sicher, dass nur Vorhersagen mit einer Sicherheit von mindestens 30 % in die Ergebnisse aufgenommen werden.
Wenn Sie die Vorhersage ausführen, wird in der Ausgabe eine Meldung angezeigt, in der Sie erfahren, wo sich das gespeicherte Bild befindet, z. B. "Results saved to runs/detect/train".
Ihr Ausgabebild ähnelt dem hier gezeigten, mit erkannten und durch Begrenzungsrahmen hervorgehobenen Pillen. Die angezeigten Konfidenzwerte geben den Grad der Sicherheit für jede Erkennung an.
Nachdem wir nun herausgefunden haben, wie man YOLO11 mit dem Medical-Pills Dataset trainiert und Inferenzen auf Bildern zur Pillenerkennung durchführt, wollen wir einen Blick auf die realen Anwendungen von YOLO11 in der Pharmaindustrie werfen.
Die automatische Pillenerkennung mit YOLO11 kann für die Sortierung von Arzneimitteln eingesetzt werden. Die manuelle Sortierung ist oft langsam, repetitiv und fehleranfällig, was die Arzneimittelsicherheit und die Einhaltung der Vorschriften gefährden kann.
Mithilfe eines fein abgestimmten YOLO11-Modells können wir Pillen anhand visueller Merkmale wie Größe, Form und Farbe genau erkennen und sortieren. Diese Automatisierung beschleunigt den Prozess und trägt dazu bei, dass die Produkte die strengen Qualitätsstandards erfüllen, was sie zu einem wertvollen Werkzeug für pharmazeutische Betriebe macht.
Die rechtzeitige Bevorratung der richtigen Medikamente ist mehr als nur eine logistische Aufgabe - sie kann sich auf die Patientenversorgung und die Kosten auswirken. Wenn eine wichtige Pille knapp wird, kann sich die Behandlung verzögern, während eine Überbevorratung zu abgelaufenen Medikamenten und verschwendetem Bestand führen kann. Angesichts der zahlreichen Pillenarten und Verpackungsvarianten in der Pharmaindustrie können automatisierte Inventarsysteme genauere Aufzeichnungen ermöglichen.
Intelligente Inventarsysteme können Computer-Vision-Modelle wie Ultralytics YOLO11 verwenden, um die Lagerbestände in Echtzeit zu überwachen. Das Modell kann Regale und Verpackungsbereiche mithilfe von Bildern oder Videos scannen, um Tabletten zu erkennen und zu zählen. Wenn sich die Lagerbestände ändern, also wenn Artikel hinzugefügt, entfernt oder verschoben werden, kann das System die Zählung automatisch aktualisieren.
In der pharmazeutischen Produktion ist die Qualitätskontrolle von entscheidender Bedeutung, um sicherzustellen, dass jede Pille sicher und wirksam ist. Selbst kleine Mängel, wie ein Riss, eine ungleichmäßige Form oder eine leichte Farbabweichung, können zu Dosierungsfehlern oder Produktrückrufen führen.
YOLO11 kann helfen, indem es automatisch Pillen erkennt, die nicht den Qualitätsstandards entsprechen. Das Modell kann visuelle Merkmale erlernen und verwendet Bounding Boxes, um Probleme wie Absplitterungen, verblasste Aufdrucke oder Verfärbungen in Echtzeit zu erkennen. So können fehlerhafte Pillen frühzeitig aussortiert werden, was den Abfall reduziert und sicherstellt, dass nur qualitätsgesicherte Medikamente die Patienten erreichen.
Darüber hinaus kann YOLO11 die Pillen während der Inspektion erkennen und zählen, was eine genaue Verfolgung und Qualitätskontrolle ermöglicht.
Nachdem wir nun erforscht haben, wie KI in der Pharmaindustrie eingesetzt werden kann. Werfen wir einen kurzen Blick auf einige der wichtigsten Vorteile des Einsatzes von Computer Vision in diesem Sektor:
Der Einsatz von Vision AI in der pharmazeutischen Industrie bietet zwar viele Vorteile, aber es gibt auch einige Überlegungen, die beim Einsatz solcher Technologien zu beachten sind:
In Zukunft wird KI wahrscheinlich eine größere Rolle dabei spielen, klinische Studien schneller, intelligenter und kostengünstiger zu machen. Sie kann helfen, bessere Studienprotokolle zu entwerfen, die richtigen Patientengruppen auszuwählen und Daten in Echtzeit zu überwachen.
Auf diese Weise können Forscher auf Probleme reagieren, wenn sie auftauchen, und nicht erst im Nachhinein. KI kann auch das Genehmigungsverfahren beschleunigen, indem sie den manuellen Papierkram reduziert und Routineprüfungen automatisiert. Insgesamt kann die Integration von KI in die Arbeitsabläufe der Pharmaindustrie zu weniger Verzögerungen und einem schnelleren Zugang zu neuen Therapien führen.
Das Training von Ultralytics YOLO11 mit dem Datensatz für medizinische Pillen zeigt, wie schnell und effektiv sich das Modell an pharmazeutische Aufgaben anpassen kann. Selbst mit einem kleinen Datensatz kann es Tabletten genau erkennen, was es für Aufgaben wie Sortierung, Qualitätskontrolle und Bestandsverfolgung nützlich macht.
Da die Datensätze wachsen und die Modelle immer besser werden, geht das Potenzial von Vision AI in der Pharmaindustrie über die reine Logistik hinaus. Diese Technologie könnte auch klinische Studien unterstützen, indem sie bei der konsistenten Identifizierung und Verfolgung von Tabletten hilft und Forscher bei der sicheren Prüfung neuer Arzneimittelkombinationen unterstützt.
Erkunden Sie unser GitHub-Repository, um mehr zu erfahren und Teil unserer wachsenden Community zu werden. Entdecken Sie bahnbrechende Innovationen in verschiedenen Bereichen, von KI in der Landwirtschaft bis hin zu Computer Vision im Gesundheitswesen. Informieren Sie sich über unsere Lizenzierungsoptionen und starten Sie Ihre Vision-KI-Projekte noch heute.
