Ein detaillierter Einblick in die Pillenerkennung mit Ultralytics YOLO11

Künstliche Intelligenz wird in fast jeder Branche eingesetzt, doch ihr Einfluss auf das Gesundheitswesen, insbesondere in der Pharmaindustrie, ist besonders bedeutend. In diesem Jahr wird der KI im pharmazeutischen Bereich Markt auf 1,94 Milliarden US-Dollar geschätzt und soll bis 2034 auf 16,49 Milliarden US-Dollar anwachsen.

Ein wichtiger technologischer Treiber dieses Marktes ist Computer Vision. Anders als bei der herkömmlichen Bildverarbeitung ist Computer Vision ein Teilbereich der KI, der es Maschinen ermöglicht, visuelle Daten in Echtzeit zu verstehen und zu analysieren.

Abb. 1. Ein Überblick über KI im Pharmamarkt.

In der Pharmaindustrie, in der selbst kleinste Fehler schwerwiegende Folgen haben können, bietet Vision AI neue und zuverlässige Wege zur Verbesserung von Sicherheit und Präzision.

Zum Beispiel ist Ultralytics YOLO11 ein Computer-Vision-Modell, das für Echtzeitaufgaben wie Objekterkennung und Instanzsegmentierung entwickelt wurde und für Anwendungen wie die Identifizierung von Pillen oder die Erkennung von Defekten in medizinischen Verpackungen eingesetzt werden kann.

In diesem Artikel zeigen wir dir Schritt für Schritt, wie du mit Vision AI praktisch arbeitest, indem du YOLO11 für die Erkennung von Pillen trainierst. Wir werden auch die realen Anwendungen erkunden. Fangen wir an!

Link to this sectionAufbau eines KI-Modells zur Pillenerkennung#

Bevor wir uns damit befassen, wie YOLO11 für die Pillenerkennung trainiert werden kann, lass uns einen Schritt zurücktreten und verstehen, was es bedeutet, ein Modell zu trainieren und welche Rolle ein Datensatz dabei spielt.

Das Training eines Modells besteht darin, ihm durch das Zeigen vieler Beispiele beizubringen, Muster zu erkennen. In diesem Fall ist ein Datensatz eine Sammlung von Bildern, bei denen jedes Bild mit Etiketten versehen ist, um anzuzeigen, wo sich die Pillen befinden. Dieser Prozess hilft dem Modell, aus diesen Beispielen zu lernen, damit es später Pillen in neuen Bildern identifizieren kann.

Das Ultralytics Python-Paket macht diesen Prozess noch einfacher, indem es eine breite Palette an Datensätzen in einem optimierten YOLO-Dateiformat unterstützt. Sie bieten unkomplizierten Zugriff auf beliebte Datensätze und bieten Unterstützung für Anwendungen wie die Pillenerkennung.

Zum Beispiel ist das Medical Pills Dataset eine dedizierte Proof-of-Concept-Sammlung, die zeigen soll, wie Objekterkennung pharmazeutische Arbeitsabläufe durch Aufgaben wie Qualitätskontrolle, Sortierung und Erkennung von Fälschungen verbessern kann.

Link to this sectionAuswahl einer Entwicklungsumgebung#

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

• Command-line interface (CLI): Die CLI oder das Terminal ist ein einfaches, textbasiertes Werkzeug, in das 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, was das Testen und Debuggen während der Arbeit erleichtert.
• Google Colab: Eine cloudbasierte Option, die wie Jupyter Notebooks funktioniert, aber mit dem zusätzlichen Vorteil eines kostenlosen GPU-Zugriffs, sodass du dir keine Gedanken über die lokale Einrichtung machen musst.

Es gibt weitere Einrichtungsoptionen, die du in der offiziellen Ultralytics-Dokumentation erkunden kannst, aber die drei oben genannten sind einfach einzurichten und zu verwenden, was sie zu einer großartigen Wahl für einen schnellen Einstieg macht.

In dieser Anleitung konzentrieren wir uns darauf, wie du YOLO11 mit Google Colab, Jupyter Notebooks oder einem einfachen Python-Skript einrichtest und trainierst, da der Prozess in jeder dieser Umgebungen recht ähnlich ist.

Dieses Tutorial ähnelt zudem sehr dem, das wir bereits zur Erkennung von Wildtieren mit YOLO11 behandelt haben. Wenn du an weiteren Details zu einem der Schritte in diesem Programmier-Tutorial interessiert bist, kannst du es dir dort ansehen.

Link to this sectionErkundung eines Datensatzes für die Pillenerkennung in Echtzeit mit YOLO#

Das Medical Pills Dataset enthält 92 Trainingsbilder und 23 Validierungsbilder und bietet damit eine solide Aufteilung sowohl für das Erstellen als auch für das Testen deines Modells. Trainingsbilder werden verwendet, um das Modell zu trainieren, während Validierungsbilder helfen zu bewerten, wie gut das Modell mit neuen, unbekannten Daten funktioniert.

Jedes Bild im Datensatz ist für eine einzige Klasse, Pillen, beschriftet. Bounding-Box-Anmerkungen markieren deutlich den Standort jeder Pille, was den Datensatz ideal für fokussierte Aufgaben wie die Pillenerkennung macht, ohne die Komplexität der Handhabung mehrerer Objektklassen.

Abb. 2. Ein Einblick in das Medical Pills Dataset.

Um das Training mit YOLO11 zu unterstützen, stellt Ultralytics eine YAML-Konfigurationsdatei bereit, die wichtige Parameter wie Dateipfade, Klassennamen und Metadaten definiert, die für das Modelltraining erforderlich sind. Egal, ob du ein vorab trainiertes Modell feinabstimmst oder von Grund auf neu beginnst, diese Datei macht den Prozess viel einfacher und hilft dir, schnell loszulegen.

Link to this sectionTrainiere ein Ultralytics YOLO-Modell mit dem Pillen-Datensatz#

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

Anschließend können wir unsere Umgebung einrichten und das Ultralytics Python-Paket mithilfe des unten gezeigten Befehls installieren. Wenn du eine Notebook-basierte 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 mit dem Medical-Pills-Datensatz herunterzuladen und zu trainieren. Da der Datensatz vom Ultralytics Python-Paket unterstützt wird, ist der Vorgang einfach.

Link to this sectionDen Modelltrainingsprozess verstehen#

Zuerst können wir die YOLO-Klasse aus dem Ultralytics-Paket importieren. Dann können wir ein vorab trainiertes YOLO11-Modell aus der Datei „yolo11n.pt“ laden, was empfohlen wird, da es sich um ein Nano-Modell handelt, das 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) wie unten gezeigt auf 100 festlegen.

from ultralytics import YOLO

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

Das Training über mehrere Epochen ermöglicht es dem Modell, zu lernen und seine Leistung bei jedem Durchlauf zu verbessern. Du findest Protokolle und Checkpoints im Unterordner „runs/train/“, mit denen du den Fortschritt überwachen und die Leistung des Modells überprüfen kannst.

Nach Abschluss des Trainings sollte das benutzerdefinierte YOLO11-Modell in der Lage sein, Pillen genau zu identifizieren. Du kannst nach den endgültigen trainierten Modellgewichten im Unterordner „runs/detect/train/weights/“ unter dem Namen „best.pt“ suchen.

Link to this sectionBewertung von YOLO11 nach dem Modelltraining#

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

metrics = model.val()

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

• Precision: Sie misst den Anteil der vom Modell erkannten Pillen, die korrekt sind.
• Recall: Er gibt den Anteil der tatsächlichen Pillen an, die das Modell erfolgreich identifiziert.
• Mean average precision (mAP): Diese Metrik kombiniert sowohl Precision als auch Recall über verschiedene Erkennungsschwellenwerte hinweg, um einen Gesamtleistungs-Score zu erhalten.

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

Wenn dein Modell nicht so gut funktioniert wie erwartet, kannst du versuchen, es für mehr Epochen zu trainieren oder andere Trainingsparameter wie die Lernrate, die die Größe der bei der Modelloptimierung gemachten Schritte steuert, oder die Bildgröße feinabzustimmen, um seine Leistung weiter zu verbessern.

Link to this sectionDurchführung von Inferenzen mit deinem trainierten YOLO11-Modell#

Sobald das YOLO11-Modell trainiert und bewertet ist, besteht der nächste Schritt darin, zu testen, wie gut es bei neuen, unbekannten Bildern abschneidet. Dies hilft, reale Bedingungen zu simulieren, wie z. B. das Erkennen von Pillen bei unterschiedlicher Beleuchtung, Anordnung oder Verpackungsart.

Um das Modell zu testen, haben wir ein Beispielbild von Pexels, einer kostenlosen Stock-Image-Website, heruntergeladen und das Bild analysiert oder eine Vorhersage mit dem benutzerdefinierten YOLO11-Modell durchgeführt, wie im Code-Snippet unten 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, und die Konfidenzeinstellung 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 dir mitteilt, wo sich das gespeicherte Bild befindet – zum Beispiel „Results saved to runs/detect/train.“

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

Abb. 3. Pillenerkennung mit YOLO11.

Link to this sectionReale Anwendungen von YOLO11 in der Pharmaindustrie#

Nachdem wir untersucht haben, wie man YOLO11 mit dem Medical-Pills-Datensatz trainiert und Inferenzen auf Bildern zur Pillenerkennung durchführt, werfen wir einen Blick auf die realen Anwendungen von YOLO11 in der Pharmaindustrie.

Link to this sectionPharmazeutische Pillensortierung mit YOLO11#

Automatisierte Pillenerkennung mit YOLO11 kann bei der pharmazeutischen Sortierung angewendet werden. Manuelle Sortierung ist oft langsam, repetitiv und fehleranfällig, was die Arzneimittelsicherheit und Compliance gefährden kann.

Durch die Verwendung eines feinabgestimmten YOLO11-Modells können wir Pillen basierend auf visuellen Attributen wie Größe, Form und Farbe präzise erkennen und sortieren. Diese Automatisierung beschleunigt den Prozess und trägt dazu bei, dass Produkte strenge Qualitätsstandards erfüllen, was es zu einem wertvollen Werkzeug in pharmazeutischen Betrieben macht.

Abb. 4. Pillenerkennung mit Hilfe von YOLO11.

Link to this sectionBestandsüberwachung mit Hilfe von YOLO11#

Das rechtzeitige Vorrätighalten der richtigen Medikamente ist mehr als nur eine logistische Aufgabe – es kann die Patientenversorgung und die Kosten beeinflussen. Ein Mangel an einem kritischen Medikament kann die Behandlung verzögern, während eine Überbevorratung zu abgelaufenen Medikamenten und verschwendetem Bestand führen kann. Bei der Vielzahl an Pillentypen und Verpackungsvariationen in der Pharmaindustrie können automatisierte Bestandssysteme genauere Aufzeichnungen ermöglichen.

Intelligente Bestandssysteme können Computer-Vision-Modelle wie Ultralytics YOLO11 verwenden, um Lagerbestände in Echtzeit zu überwachen. Das Modell kann Regale und Verpackungsbereiche mithilfe von Bildern oder Videos scannen, um Pillen zu erkennen und zu zählen. Wenn sich die Lagerbestände ändern, egal ob Artikel hinzugefügt, entfernt oder bewegt werden, kann das System den Bestand automatisch aktualisieren.

Link to this sectionQualitätskontrolle in der Pharmazie durch YOLO11#

In der pharmazeutischen Produktion ist die Qualitätskontrolle entscheidend, um sicherzustellen, dass jede Pille sicher und wirksam ist. Schon kleine Mängel wie ein Riss, eine unebene 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 lernen und verwendet Bounding Boxes, um Probleme wie Absplitterungen, verblasste Aufdrucke oder Verfärbungen in Echtzeit zu markieren. Dies ermöglicht die frühzeitige Entfernung fehlerhafter Pillen, reduziert den Ausschuss und garantiert, dass nur qualitätsgesicherte Medikamente die Patienten erreichen.

Darüber hinaus kann YOLO11 verwendet werden, um die Pillen während der Inspektion zu erkennen und zu zählen, für eine genaue Nachverfolgung während der Qualitätsüberwachung.

Abb. 5. YOLO11 kann verwendet werden, um Kapseln zu erkennen und zu zählen.

Link to this sectionVor- und Nachteile des Einsatzes von Vision AI für die Pillenerkennung#

Nachdem wir untersucht haben, wie Vision AI in der Pharmaindustrie eingesetzt werden kann, werfen wir einen kurzen Blick auf einige der Hauptvorteile des Einsatzes von Computer Vision in diesem Sektor:

• Vorausschauende Wartung: YOLO11 kann verwendet werden, um frühe Anzeichen von Maschinenverschleiß durch die Identifizierung von Pillen- oder Verpackungsinkonsistenzen zu erkennen. Dies hilft bei der Planung rechtzeitiger Reparaturen und verhindert ungeplante Produktionsausfälle.
• Skalierbarer Modelleinsatz: Das Modell kann für verschiedene Datensätze für unterschiedliche Pillen und Verpackungen feinabgestimmt werden. Dies macht die Inspektion skalierbar und kosteneffizient, während der Betrieb wächst.
• Fernüberwachung: Dies ermöglicht Qualitätsprüfungen in Echtzeit bei Integration in Cloud-Systeme und Edge-Geräte und ist ideal für die Verwaltung ländlicher Abgabestellen, automatisierter Einheiten und Remote-Telepharmazie-Setups.

Während es viele Vorteile gibt, Vision AI in der Pharmaindustrie zu implementieren, gibt es auch einige Überlegungen, die man bei der Verwendung solcher Technologien beachten sollte:

• Operative Integration: 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 konsistente Produktqualität zu gewährleisten.
• Fehlermanagement: Selbst fortgeschrittene Modelle können falsch-positive oder falsch-negative Ergebnisse liefern. Es ist wichtig, Prozesse zur Handhabung und Korrektur dieser Fehler zu haben.

Link to this sectionDer Weg in die Zukunft für KI-Pharma-Workflows#

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

Dies kann Forschern ermöglichen, auf Probleme zu reagieren, sobald sie auftreten, statt erst im Nachhinein. KI kann auch den Genehmigungsprozess beschleunigen, indem sie manuelle Schreibarbeit reduziert und Routineprüfungen automatisiert. Insgesamt kann die Integration von KI in Pharma-Workflows zu weniger Verzögerungen und einem schnelleren Zugang zu neuen Behandlungen führen.

Link to this sectionWichtige Erkenntnisse#

Das Training von Ultralytics YOLO11 auf 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, was es für Dinge wie Sortierung, Qualitätskontrolle und Bestandsverfolgung nützlich macht.

Mit wachsenden Datensätzen und verbesserten Modellen geht das Potenzial von Vision AI in der Pharmazie über die reine Logistik hinaus. Diese Technologie könnte auch klinische Studien unterstützen, indem sie bei der konsistenten Pillenidentifizierung und -verfolgung hilft und Forscher dabei unterstützt, neue Wirkstoffkombinationen sicher zu testen.

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