Ein tiefer Einblick in die Erkennung von Pillen mit Ultralytics YOLO11

Künstliche Intelligenz wird in fast allen Branchen eingesetzt, aber ihr Einfluss auf das Gesundheitswesen, insbesondere in der Pharmaindustrie, ist besonders groß. In diesem Jahr wird der Markt für KI in der Pharmaindustrie auf 1,94 Milliarden Dollar geschätzt und soll bis 2034 auf 16,49 Milliarden Dollar anwachsen. 

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

‍

In der Pharmaindustrie, wo selbst der kleinste Fehler schwerwiegende Folgen haben kann, bietet Vision AI neue und zuverlässige Möglichkeiten zur Verbesserung von Sicherheit und Präzision.  

Zum Beispiel, Ultralytics YOLO11 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 verwendet werden kann. 

In diesem Artikel zeigen wir Ihnen, wie Sie Vision AI in die Praxis umsetzen können, indem Sie YOLO11 trainieren, Pillen detect . Wir werden auch seine realen Anwendungen erkunden. Legen wir los!

Erstellung eines KI-Modells zur Erkennung von Pillen

Bevor wir uns damit befassen, wie YOLO11 trainiert werden kann, um Pillen detect , sollten wir einen Schritt zurücktreten und verstehen, was es bedeutet, ein Modell zu trainieren und welche Rolle ein Datensatz spielt. 

Das Training eines Modells beinhaltet, dass man ihm beibringt, Muster zu erkennen, indem man ihm viele Beispiele zeigt. In diesem Fall ist ein Datensatz eine Sammlung von Bildern, in denen jedes Bild beschriftet ist, um anzugeben, wo sich die Pillen befinden. Dieser Prozess hilft dem Modell, aus diesen Beispielen zu lernen, so dass es später Pillen in neuen Bildern identifizieren kann.

Das Ultralytics Python macht diesen Prozess noch einfacher, indem es eine breite Palette von Datensätzen in einem optimierten YOLO unterstützt. Sie bieten problemlosen Zugang zu beliebten Datensätzen und unterstützen Anwendungen wie die Pillenerkennung. 

Zum Beispiel ist der Medical Pills Dataset eine spezielle Proof-of-Concept-Sammlung, die entwickelt wurde, um zu zeigen, wie Objekterkennung pharmazeutische Arbeitsabläufe durch Aufgaben wie Qualitätskontrolle, Sortierung und Fälschungserkennung verbessern kann.

Auswahl einer Entwicklungsumgebung

Ein weiterer Faktor, den Sie berücksichtigen müssen, bevor Sie mit der Schulung mit dem Ultralytics Python beginnen können, ist die Wahl der richtigen Entwicklungsumgebung. Hier sind drei beliebte Optionen:

• Befehlszeilenschnittstelle (CLI): Das CLI oder Terminal ist ein einfaches, textbasiertes Werkzeug, in das Sie Befehle eingeben können, um Ihren Code auszuführen und mit Ihrem Computer zu interagieren.
  
  
• Jupyter Notebooks: Dies ist eine interaktivere Umgebung, in der Sie Code in kleinen Blöcken (Zellen) schreiben und ausführen können, was es einfach macht, während der Arbeit zu testen und zu debuggen.
  
  
• Google Colab: Eine Cloud-basierte Option, die wie Jupyter Notebooks funktioniert, aber mit dem zusätzlichen Bonus des kostenlosen GPU , so dass Sie sich nicht um die lokale Einrichtung kümmern müssen.

Es gibt noch weitere Einrichtungsoptionen, die Sie in der offiziellen Ultralytics 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 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.

Untersuchung eines Datensatzes für die Echtzeit-Pillenerkennung mit YOLO

Der Medical Pills Dataset umfasst 92 Trainingsbilder und 23 Validierungsbilder und bietet so eine solide Aufteilung für den Aufbau und das Testen Ihres Modells. Trainingsbilder werden verwendet, um das Modell zu trainieren, während Validierungsbilder helfen zu beurteilen, wie gut das Modell mit neuen, ungesehenen Daten funktioniert. 

Jedes Bild im Datensatz ist für eine einzige Klasse, Tabletten, gekennzeichnet. Bounding-Box-Annotationen markieren deutlich die Position jeder Tablette, was den Datensatz ideal für fokussierte Aufgaben wie die Tablettenerkennung macht, 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.

Trainieren eines Ultralytics YOLO mit dem Pillendatensatz

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 verwenden. Erstellen Sie einfach ein neues Notizbuch oder eine Python in der von Ihnen gewählten Umgebung.

Dann können wir unsere Umgebung einrichten und dasPython mit dem unten stehenden Befehl installieren. Wenn Sie eine notebookbasierte UmgebungGoogle Colab oder Jupyter) verwenden, führen Sie den folgenden Befehl mit einem Ausrufezeichen (!) am Anfang aus.

pip install ultralytics

Nach der Installation ist der nächste Schritt das Herunterladen und Trainieren YOLO11 unter Verwendung des Datensatzes für medizinische Pillen. Da der Datensatz vom Ultralytics Python unterstützt wird, ist der Prozess einfach. 

Verständnis des Modelltrainingsprozesses

Zunächst können wir die YOLO aus dem Ultralytics importieren. Dann können wir ein vortrainiertes YOLO11 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-pillsyaml) 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)

Das Training über mehrere Epochen hinweg ermöglicht es dem Modell, mit jedem Durchlauf zu lernen und seine Leistung zu verbessern. Sie finden Protokolle und Checkpoints im Unterordner “runs/train/”, mit denen Sie den Fortschritt überwachen und die Leistung des Modells überprüfen können.

Nach Abschluss des Trainings sollte das vom Benutzer trainierte YOLO11 in der Lage sein, Pillen genau zu identifizieren. Sie können die endgültigen trainierten Modellgewichte im Unterordner "detect" unter dem Namen "best.pt" finden.

Bewertung von YOLO11 nach dem Modelltraining

Um zu beurteilen, wie gut das Modell gelernt hat, Pillen detect , können wir die Validierung wie folgt durchführen:

metrics = model.val()

Dieser Prozess gibt gängige Metriken zur Objekterkennung zurück, die Einblicke in die Leistung des Modells geben. Hier ist ein genauerer Blick auf einige dieser Metriken:

• Präzision: Sie misst den Anteil der vom Modell erkannten Tabletten, die korrekt sind.
  ‍
• Recall (Trefferquote): Er gibt den Anteil der tatsächlichen Tabletten an, die das Modell erfolgreich identifiziert.
  ‍
• Mittlere durchschnittliche Genauigkeit (mAP): Diese Metrik kombiniert sowohl Präzision als auch Recall über verschiedene Erkennungsschwellen hinweg, um eine Gesamtleistungsbewertung zu erhalten.

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

Wenn Ihr Modell nicht die erwartete Leistung erbringt, können Sie versuchen, es für mehr Epochen zu trainieren oder andere Trainingsparameter wie die Lernrate, die die Größe der Schritte während der Modelloptimierung steuert, oder die Bildgröße feinabzustimmen, um seine Leistung weiter zu verbessern.

Ausführen von Schlussfolgerungen mit Ihrem individuell trainierten YOLO11

Sobald das YOLO11 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 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 zum Speichern weist das Modell an, das Ausgabebild zu speichern, und die Konfidenzeinstellung stellt sicher, dass nur Vorhersagen mit einer Sicherheit von mindestens 30 Prozent in die Ergebnisse einbezogen 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 detect".

Ihr Ausgabebild wird dem hier gezeigten ähnlich sein, wobei die Tabletten erkannt und mit Begrenzungsrahmen hervorgehoben werden. Die angezeigten Konfidenzwerte geben den Grad der Sicherheit für jede Erkennung an.

‍

Praktische Anwendungen der Verwendung von YOLO11 in der Pharmaindustrie

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 YOLO11in der Pharmaindustrie werfen.

Pharmazeutische Pillen-Sortierung mit YOLO11

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 können wir Pillen anhand visueller Merkmale wie Größe, Form und Farbe genau detect 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.

‍

Überwachung des Bestands mit Hilfe von YOLO11

Die rechtzeitige Bevorratung mit den richtigen Medikamenten ist mehr als nur eine logistische Aufgabe - sie kann die Patientenversorgung und die Kosten beeinflussen. Wenn ein kritisches Medikament zur Neige geht, kann sich die Behandlung verzögern, während eine Überbevorratung zu abgelaufenen Medikamenten und verschwendetem Bestand führen kann. Angesichts der zahlreichen Arten von Tabletten und Verpackungsvariationen in der pharmazeutischen Industrie können automatisierte Bestandssysteme 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 detect und zu zählen. Wenn sich die Lagerbestände ändern, also wenn Artikel hinzugefügt, entfernt oder verschoben werden, kann das System die Zählung automatisch aktualisieren.

Qualitätskontrolle in der Pharmaindustrie durch YOLO11

In der pharmazeutischen Produktion ist die Qualitätskontrolle von entscheidender Bedeutung, um sicherzustellen, dass jede Tablette sicher und wirksam ist. Selbst geringfügige Defekte, wie z. B. 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 detect und zählen, was eine genaue Verfolgung und Qualitätskontrolle ermöglicht. 

‍

Vor- und Nachteile des Einsatzes von Vision AI zur Tablettenerkennung 

Nachdem wir nun untersucht haben, wie Vision AI in der pharmazeutischen Industrie eingesetzt werden kann, wollen wir uns kurz einige der wichtigsten Vorteile des Einsatzes von Computer Vision in diesem Sektor ansehen:

• Vorausschauende Wartung: YOLO11 kann verwendet werden, um frühzeitige Anzeichen von Maschinenverschleiß detect , indem Unstimmigkeiten bei Pillen oder Verpackungen identifiziert werden. Es hilft bei der Planung rechtzeitiger Reparaturen und verhindert ungeplante Produktionsausfälle.
  ‍
• Skalierbare Modellnutzung: Das Modell kann auf verschiedenen Datensätzen für unterschiedliche Tabletten und Verpackungen feinabgestimmt werden. Dies macht die Inspektion mit wachsendem Betrieb skalierbar und kosteneffizient.
  ‍
• Fernüberwachung: Durch die Integration in Cloud-Systeme und Edge-Geräte ermöglicht sie Qualitätsprüfungen in Echtzeit und eignet sich ideal für die Verwaltung von Spendern im ländlichen Raum, automatisierten Einheiten und Telepharmazie-Setups.

Obwohl der Einsatz von Vision AI in der Pharmaindustrie viele Vorteile bietet, gibt es auch einige Aspekte zu berücksichtigen, wenn solche Technologien eingesetzt werden: 

• Operative Integration: Die Integration von KI-Systemen in bestehende Arbeitsabläufe erfordert möglicherweise Anpassungen, Schulungen und Kompatibilitätsprüfungen mit der aktuellen Infrastruktur.
  ‍
• Einhaltung gesetzlicher Vorschriften: Automatisierte Systeme müssen strenge regulatorische Standards einhalten, um die Patientensicherheit und eine konsistente Produktqualität zu gewährleisten.
  ‍
• Fehlermanagement: Selbst fortschrittliche Modelle können falsch positive oder falsch negative Ergebnisse liefern. Es ist wichtig, Prozesse zu implementieren, um diese Fehler zu behandeln und zu korrigieren.

Der Weg nach vorn für KI-gestützte Pharma-Workflows

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

Dies könnte es Forschern ermöglichen, auf Probleme zu reagieren, sobald sie auftreten, und nicht erst im Nachhinein. KI kann auch den Zulassungsprozess beschleunigen, indem sie den manuellen Papieraufwand reduziert und Routinekontrollen automatisiert. Insgesamt kann die Integration von KI in Pharma-Workflows zu weniger Verzögerungen und einem schnelleren Zugang zu neuen Behandlungen führen.

Wesentliche Erkenntnisse

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 detect , was es für Aufgaben wie Sortierung, Qualitätskontrolle und Bestandsverfolgung nützlich macht.

Mit wachsenden Datensätzen und verbesserten Modellen 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 Pillen hilft und Forscher bei der sicheren Erprobung neuer Medikamentenkombinationen unterstützt. 

Entdecken Sie unser GitHub-Repository, um mehr zu erfahren und Teil unserer wachsenden Community zu werden. Entdecken Sie innovative Entwicklungen in verschiedenen Sektoren, von KI in der Landwirtschaft bis hin zu Computer Vision im Gesundheitswesen. Sehen Sie sich unsere Lizenzoptionen an und starten Sie noch heute Ihre Vision AI-Projekte.