24. April 2025
In diesem Programmier-Tutorial erfahren Sie, wie Sie mit YOLO11 und dem Medical-Pills-Datensatz Pillen erkennen. Entdecken Sie auch die potenziellen Anwendungen und Vorteile.
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 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 Ihnen, wie Sie mit Vision AI arbeiten können, indem Sie YOLO11 trainieren, um Pillen zu erkennen. Wir werden auch seine realen Anwendungen untersuchen. Los geht's!
Bevor wir uns damit beschäftigen, wie YOLO11 trainiert werden kann, um Pillen zu erkennen, wollen wir einen Schritt zurücktreten und verstehen, was es bedeutet, ein Modell zu trainieren, und welche Rolle ein Datensatz dabei 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-Paket vereinfacht diesen Prozess noch weiter, da es eine breite Palette von Datensätzen in einem optimierten YOLO-Dateiformat unterstützt. Es bietet einen problemlosen Zugriff auf beliebte Datensätze und unterstützt 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.
Ein weiterer Faktor, den Sie berücksichtigen sollten, bevor Sie mit dem Training 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 finden, aber die drei oben genannten sind einfach einzurichten und zu verwenden, was sie zu einer guten Wahl für einen schnellen Einstieg macht.
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.
Dieses Tutorial ähnelt auch dem, das wir zuvor zur Erkennung von Wildtieren mit YOLO11 behandelt haben. Wenn Sie an weiteren Details zu den einzelnen Schritten in diesem Coding-Tutorial interessiert sind, können Sie es sich gerne ansehen.
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.
Um das Training mit YOLO11 zu unterstützen, stellt Ultralytics eine YAML-Konfigurationsdatei bereit, die Schlüsselparameter wie Dateipfade, Klassennamen und Metadaten definiert, die für das Modelltraining benötigt werden. Egal, ob Sie ein vortrainiertes Modell feinabstimmen oder von Grund auf neu beginnen, diese Datei vereinfacht den Prozess erheblich und hilft Ihnen, schnell loszulegen.
Zu Beginn richten wir eine Umgebung für das Training und Testen des Modells ein. Sie können je nach Ihren Vorlieben Google Colab, Jupyter Notebooks oder eine einfache Python-Datei verwenden. Erstellen Sie einfach ein neues Notebook oder eine Python-Datei in der von Ihnen gewählten Umgebung.
Dann können wir unsere Umgebung einrichten und das Ultralytics Python-Paket mit dem unten gezeigten Befehl installieren. Wenn Sie eine Notebook-basierte Umgebung (Google Colab oder Jupyter) verwenden, führen Sie den folgenden Befehl mit einem Ausrufezeichen (!) am Anfang aus.
pip install ultralyticsNach 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 einfach.
Zuerst können wir die YOLO-Klasse aus dem Ultralytics-Paket importieren. Dann können wir ein vortrainiertes YOLO11-Modell aus der Datei “yolo11n.pt” laden, was empfehlenswert ist, da es sich um ein Nano-Modell handelt und es 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 setzen, 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 benutzerdefinierte YOLO11-Modell in der Lage sein, Tabletten genau zu identifizieren. Sie finden die endgültigen trainierten Modellgewichte im Unterordner “runs/detect/train/weights/” unter dem Namen “best.pt”.
Um zu beurteilen, wie gut das Modell gelernt hat, Tabletten zu erkennen, 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:
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.
Sobald das YOLO11-Modell trainiert und evaluiert wurde, besteht der nächste Schritt darin, zu testen, wie gut es auf neuen, unbekannten Bildern funktioniert. Dies hilft, reale Bedingungen zu simulieren, wie z. B. das Erkennen von Tabletten bei unterschiedlichen Lichtverhältnissen, Anordnungen oder Verpackungsarten.
Um das Modell zu testen, haben wir ein Beispielbild von Pexels, einer kostenlosen Stockfoto-Website, heruntergeladen und das Bild analysiert oder eine Vorhersage mit dem benutzerdefiniert trainierten YOLO11-Modell ausgeführt, wie im Code-Snippet unten 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, zeigt die Ausgabe eine Meldung an, die Ihnen mitteilt, wo sich das gespeicherte Bild befindet - zum Beispiel "Ergebnisse gespeichert unter runs/detect/train."
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.
Nachdem wir untersucht haben, wie man YOLO11 mit dem Medical-Pills-Datensatz trainiert und Inferenz auf Bildern zur Tablettenerkennung ausführt, wollen wir uns nun die realen Anwendungen von YOLO11 in der pharmazeutischen Industrie ansehen.
Automatisierte Tablettenerkennung mit YOLO11 kann für die pharmazeutische Sortierung eingesetzt werden. Die manuelle Sortierung ist oft langsam, repetitiv und anfällig für Fehler, die die Arzneimittelsicherheit und -konformität beeinträchtigen können.
Durch die Verwendung eines feinabgestimmten YOLO11-Modells können wir Tabletten anhand visueller Attribute wie Größe, Form und Farbe genau erkennen und sortieren. Diese Automatisierung beschleunigt den Prozess und trägt dazu bei, dass die Produkte strenge Qualitätsstandards erfüllen, was sie zu einem wertvollen Werkzeug in pharmazeutischen Betrieben macht.
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 Bestandssysteme können Computer-Vision-Modelle wie Ultralytics YOLO11 verwenden, um den Lagerbestand in Echtzeit zu überwachen. Das Modell kann Regale und Verpackungsbereiche mit Bildern oder Videos scannen, um Tabletten zu erkennen und zu zählen. Wenn sich der Lagerbestand ändert, egal ob 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 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 Tabletten erkennt, die nicht den Qualitätsstandards entsprechen. Das Modell kann visuelle Merkmale erlernen und verwendet Begrenzungsrahmen, um Probleme wie Absplitterungen, verblasste Aufdrucke oder Verfärbungen in Echtzeit zu kennzeichnen. Dies ermöglicht die frühzeitige Entfernung fehlerhafter Tabletten, wodurch Abfall reduziert und garantiert wird, dass nur qualitätsgesicherte Medikamente die Patienten erreichen.
Darüber hinaus kann YOLO11 verwendet werden, um die Tabletten bei der Inspektion zu erkennen und zu zählen, um eine genaue Verfolgung bei der Qualitätsüberwachung zu gewährleisten.
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:
Obwohl der Einsatz von Vision AI in der Pharmaindustrie viele Vorteile bietet, gibt es auch einige Aspekte zu berücksichtigen, wenn solche Technologien eingesetzt werden:
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.
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 genau erkennen, 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.
