Ein detaillierter Einblick in die Pillenerkennung mit Ultralytics YOLO11

Künstliche Intelligenz wird in nahezu jeder Branche eingesetzt, doch ihr Einfluss auf das Gesundheitswesen, insbesondere in der Pharmaindustrie, ist besonders groß. In diesem Jahr wird der Markt für AI in the pharmaceutical auf 1,94 Milliarden US-Dollar geschätzt, und er wird voraussichtlich bis 2034 auf 16,49 Milliarden US-Dollar wachsen.

Ein technologischer Haupttreiber dieses Marktes ist computer vision. Im Gegensatz zur herkömmlichen Bildverarbeitung ist Computer Vision ein Teilgebiet der KI, das Maschinen in die Lage versetzt, visuelle Daten in Echtzeit zu verstehen und zu analysieren.

Fig 1. Eine Übersicht 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.

Beispielsweise ist Ultralytics YOLO11 ein Computer-Vision-Modell, das für Echtzeitaufgaben wie Objekterkennung und Instanzsegmentierung entwickelt wurde und für Anwendungen wie das Identifizieren von Pillen oder das Erkennen von Fehlern in medizinischen Verpackungen eingesetzt werden kann.

In diesem Artikel gehen wir Schritt für Schritt durch, wie du praktisch in Vision-KI einsteigen kannst, indem du Ultralytics YOLO11 für die Erkennung von Tabletten trainierst. Wir werden auch die Anwendungen in der Praxis beleuchten. Legen wir los!

Aufbau eines KI-Modells zur Pillenerkennung#

Bevor wir uns ansehen, wie Ultralytics YOLO11 zum Erkennen von Tabletten trainiert werden kann, machen wir einen Schritt zurück und verstehen, was das Training eines Modells bedeutet und welche Rolle ein Datensatz 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 package macht diesen Prozess noch einfacher, indem es eine Vielzahl von Datensätzen in einem optimierten YOLO-Dateiformat unterstützt. Sie bieten einen unkomplizierten Zugriff auf popular datasets und unterstützen Anwendungen wie die Pillenerkennung.

Beispielsweise ist das Medical Pills Dataset eine dedizierte Proof-of-Concept-Sammlung, die zeigen soll, wie object detection pharmazeutische Arbeitsabläufe durch Aufgaben wie Qualitätsprüfung, Sortierung und Fälschungserkennung verbessern kann.

Auswahl 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 Setup-Optionen, die du in der official Ultralytics documentation erkunden kannst, aber die drei oben genannten sind einfach einzurichten und zu verwenden, was sie zu einer hervorragenden Wahl für einen schnellen Einstieg macht.

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 jeder dieser Umgebungen sehr ähnlich ist.

Dieses Tutorial ist zudem sehr ähnlich zu dem, das wir zuvor zur Erkennung von Wildtieren mit Ultralytics YOLO11 behandelt haben. Wenn du an weiteren Details zu einem der Schritte in diesem Programmier-Tutorial interessiert bist, kannst du dort nachlesen.

Erkundung 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.

Zur Unterstützung des Trainings mit YOLO11 stellt Ultralytics eine YAML configuration file bereit, die wichtige Parameter wie Dateipfade, Klassennamen und für das Modelltraining erforderliche Metadaten definiert. Egal, ob du ein vortrainiertes Modell feinabstimmst oder von Grund auf neu beginnst, diese Datei macht den Prozess viel einfacher und hilft dir, schnell loszulegen.

Trainiere ein Ultralytics YOLO-Modell mit dem Pillen-Datensatz#

Zu Beginn richten wir eine Umgebung zum 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 Notebook oder eine neue Python-Datei in der von dir gewählten Umgebung.

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.

Den 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.

Evaluierung von Ultralytics 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 liefert gängige Objekterkennungsmetriken, die Einblick in die model's performance 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 wie erwartet abschneidet, kannst du versuchen, es für weitere Epochen zu trainieren oder andere training parameters feinabzustimmen – wie etwa die Lernrate, die die Größe der Schritte während der Modelloptimierung steuert, oder die Bildgröße –, um seine Leistung weiter zu verbessern.

Ausführen von Inferenzen mit deinem benutzerdefinierten Ultralytics YOLO11-Modell#

Sobald das Ultralytics YOLO11 Modell trainiert und evaluiert ist, besteht der nächste Schritt darin, seine Leistung an neuen, ungesehenen Bildern zu testen. Dies hilft dabei, reale Bedingungen zu simulieren, wie zum Beispiel das Erkennen von Tabletten bei unterschiedlichen Lichtverhältnissen, Anordnungen oder Verpackungsstilen.

Um das Modell zu testen, haben wir ein Beispielbild von Pexels, einer kostenlosen Stockimage-Website, heruntergeladen und das Bild analysiert bzw. eine Vorhersage mit dem benutzerdefinierten Ultralytics 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 Ultralytics YOLO11.

Anwendungen von Ultralytics YOLO11 in der Pharma-Praxis#

Jetzt, da wir untersucht haben, wie man Ultralytics YOLO11 mit dem Medical-Pills-Dataset trainiert und Inferences an Bildern zur Pillenerkennung durchführt, werfen wir einen Blick auf die realen Anwendungen von YOLO11 in der pharmazeutischen Industrie.

Sortierung von Tabletten mit Ultralytics YOLO11#

Automatisierte Tablettenerkennung mit Ultralytics YOLO11 kann in der pharmazeutischen Sortierung eingesetzt werden. Manuelle Sortierung ist oft langsam, repetitiv und anfällig für Fehler, die die Arzneimittelsicherheit und -konformität gefährden können.

Durch den Einsatz eines feinabgestimmten Ultralytics YOLO11 Modells können wir Tabletten basierend auf visuellen Merkmalen 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 Abläufen macht.

Fig 4. Erkennen von Pillen mit Hilfe von YOLO11.

Bestandsüberwachung mit Hilfe von Ultralytics 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 inventory systems können Computer-Vision-Modelle wie Ultralytics YOLO11 verwenden, um Bestände 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 Bestände ändern, egal ob Artikel hinzugefügt, entfernt oder verschoben werden, kann das System die Anzahl automatisch aktualisieren.

Pharmazeutische Qualitätskontrolle angetrieben durch Ultralytics YOLO11#

In der pharmaceutical production ist die Qualitätskontrolle von entscheidender Bedeutung, um sicherzustellen, dass jede Pille sicher und wirksam ist. Schon geringfügige Mängel wie ein Riss, eine ungleichmäßige Form oder eine leichte Farbabweichung können zu Dosierungsfehlern oder Produktrückrufen führen.

Ultralytics YOLO11 kann helfen, indem es Tabletten, die Qualitätsstandards nicht erfüllen, automatisch erkennt. Das Modell kann visuelle Merkmale lernen und verwendet Bounding Boxes, um Probleme wie Beschädigungen, verblasste Prägungen oder Verfärbungen in Echtzeit zu markieren. Dies ermöglicht das frühzeitige Aussortieren fehlerhafter Tabletten, reduziert Ausschuss und garantiert, dass nur qualitätsgesicherte Medikamente die Patienten erreichen.

Darüber hinaus kann Ultralytics YOLO11 verwendet werden, um die Tabletten während ihrer Inspektion zu erkennen und zu zählen, um eine genaue Nachverfolgung bei der Qualitätsüberwachung zu gewährleisten.

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

Vor- 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:

• Prädiktive Instandhaltung: Ultralytics YOLO11 kann verwendet werden, um frühe Anzeichen von Maschinenverschleiß durch die Identifizierung von Unstimmigkeiten bei Tabletten oder Verpackungen zu erkennen. Es hilft bei der rechtzeitigen Planung von 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.
• Regulatory compliance: Automatisierte Systeme müssen strenge regulatorische Standards einhalten, um die Patientensicherheit und eine gleichbleibende 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.

Der Weg in die Zukunft für KI-Pharma-Workflows#

In Zukunft wird KI voraussichtlich eine größere Rolle dabei spielen, clinical trials schneller, intelligenter und kosteneffizienter zu machen. 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.

Wichtige 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 AI in agriculture bis hin zu computer vision in healthcare. Sieh dir unsere licensing options an und starte noch heute deine Vision-KI-Projekte.